基于统计局部方法的模型适配检测与分离

提出一种新的过程模型失配检测方法,通过模型预测误差与外部激励信号的相关性分析获取初始残差函数,并利用统计局部方法分析残差函数。该方法可以分离扰动和过程模型的失配。相对于直接相关性分析方法,该方法能够通过单一的统计量指示过程模型是否失配,具有简单直观的特点,而且可以通过滑动窗口的办法,便于在线检测,同时,该方法能够提高检测灵敏度。仿真研究证实了该方法的有效性。     

一种基于压缩传感和改进机场残差网络的信号调制模式识别方法（英文）

随着机场航站无线电设备数量的增加,迅速准确地识别通信信号的模式尤为重要。本文提出了一种基于压缩感知和改进残差网络的信号调制模式识别方法。首先,在信号预处理过程中引入了压缩感测方法,以丢弃采样信号的冗余分量,压缩后的测量信号作为网络的输入;然后,基于缩放的指数线性单位激活函数构造残差单元和残差网络,以解决训练时间长和样本相似特性难以区分的问题;最后,将全局残差引入训练网络以保证网络的收敛性。仿真结果表明,与前端的深度学习方法相比,该方法具有更高的识别效率和准确性。     

超高速碰撞碎片云质量分布快速预测技术

在航天器防护构型设计中,快速预测空间碎片超高速碰撞防护屏产生碎片云的质量分布及其变化规律具有重要意义。本文初步探索了采用深度学习方法预测超高速碰撞碎片云的二维质量分布及其变化过程。训练数据来自约2000个弹丸（铝球）超高速正碰撞靶板（铝板）的光滑粒子流体动力学数值模拟结果,共考虑4个变量（弹丸速度范围3～8 km/s、弹丸半径范围2～8 mm、靶板厚度范围1～4 mm以及观测时间范围1～12 μs）。系统比较了反卷积模型和多层感知机两种模型的预测效果,重点考察了模型的外推能力（应用于训练参数范围之外）。研究结果表明:在训练参数范围内两种模型的预测精度都很高;反卷积模型能够捕捉到碎片云质量分布的颗粒特征,但外推能力较差;多层感知机模型将碎片云中的质量进行了局部均匀化处理,具有较强的外推能力;多层感知机模型通过学习1～12 μs的碎片云质量分布,能够以一定精度预测24 μs时刻的质量分布;反卷积模型的预测时间为毫秒量级,多层感知机模型的预测时间为秒量级。     

基于轻量级卷积神经网络的人证比对

在证件审核场景中,常规的深度学习人脸识别方法人证比对精度低且在嵌入式设备运行效率差。为解决上述问题,本文提出了改进的轻量级卷积神经网络Lightnet,并采用了迁移学习方法。Lightnet是结合深度可分离卷积、线性瓶颈结构和注意力模块构成的轻量级卷积神经网络模块,引入附加角度裕量的损失函数AM-Softmax监督训练后,网络模型能够保持较高的验证精度,并有效解决标准卷积神经网络参数冗余、计算量大的问题。迁移学习通过冻结预训练模型的卷积层权重,并在自制的人证数据集微调,提高了网络模型的人证场景的识别性能。实验结果表明,所设计的轻量级人证比对算法在验证精度、参数量以及运行效率等方面取得了很好的效果,且对生活场景有较好的鲁棒性。     

基于Hammerstein模型的非线性建模与预测控制

所有实际的运动机构中都包含一定的非线性,对其进行精确的建模和控制是运动控制中具有挑战性的难题。文中提出了基于粒子群优化算法的RLS-PSO系统辨识建模方法,所得伺服转台模型具有良好拟合效果;对该模型提出改进的两步法,应用基于预测函数控制(Predictive functional control,PFC)的全局优化预测控制;伺服转台的仿真运行结果表明跟踪效果良好。     

混沌行为预测：一种变型的码本预测方法

利用混沌周期点之全体在其不变集中稠及其不变集的几何结构呈一定程度的自相似性性质,提出了一种变形的码本预测方法,对带和不带观测噪声的混沌时间序列进行预测.在保证精度的前提下,克服了全局非线性化模型和局部线性化模型对噪声敏感及预测时间短的缺点.     

基于混沌特性的网络流量预测

高速网络中存在着以自相似为特征的多种业务流量,这种自相似特征和混沌现象的吸引子有着紧密的联系。本文基于混沌时间序列重构相空间理论,根据最大Lyapunov指数,分别采用W o lf原始算法和改进算法,对高速网络中自相似信源的速率进行了预测,并给出了最大可预报时间。仿真结果表明,W o lf改进算法预测精度及可靠性更高。     

基于模糊软集合和Bayes的后续备件组合预测方法

针对后续备件需求预测精度低的问题,提出一种基于模糊软集合和贝叶斯的后续备件组合预测方法。首先根据后续备件的消耗规律,分别提出后续备件因果预测模型和时序预测模型;然后选取残差平方和、信息熵和相关系数作为预测效果的评价准则,以两种单项预测方法的预测效果作为先验信息,采用德尔菲法对单项预测方法进行模糊评价,构建模糊软映射;最后综合先验信息与专家模糊评价值,利用贝叶斯方法确定组合权系数求得预测结果。结合算例,对比分析方法的优越性,表明该方法具有较好的合理性和有效性。     

基于线性模型最优预测的高光谱图像压缩

高光谱图像取得较高的光谱分辨率对于分类和识别很有益.但与此同时也带来了巨大的数据量,使其压缩成为必需.传统的预测方法能够在一定程度上去除谱带之间的相关性,但其预测系数不能利用高光谱图像谱带间的信息进行自适应的调整,使得预测效果不是最优.本文建立了高光谱图像谱带间的线性模型,推导出在信噪比最优下的预测.该方法能够更好地降低预测后图像的熵值.实验表明,相对于传统方法重建的平均信噪比提高了4.606 4 dB.     

基于相关性分析与CNN-BiLSTM神经网络的PSZ陶瓷磨削表面粗糙度智能预测

部分稳定氧化锆（Partially stabilized zirconia,PSZ）陶瓷因其优越的性能在航空航天工业等领域有广泛的应用。表面粗糙度是评价PSZ陶瓷磨削加工水平的关键指标，为了降低磨削表面粗糙度的预测误差，提出了一种基于相关性分析与卷积-双向长短期记忆神经网络（Convolution-bidirectional long short term memory neural network,CNN-BiLSTM）的PSZ陶瓷磨削表面粗糙度声发射预测模型。通过分析磨削声发射信号特征值与磨削表面粗糙度值之间相关性，筛选出磨削声发射信号与磨削表面粗糙度之间的最相关频段和特征矩阵，作为CNN-BiLSTM神经网络的输入参数以降低磨削表面粗糙度声发射预测的误差。研究结果表明，基于相关性分析与CNN-BiLSTM神经网络的PSZ陶瓷磨削表面粗糙度的平均预测误差低于3.92%。     

深度卷积神经网络在轴承多故障复合诊断中应用研究

基于深度学习具有强大的自特征提取能力和较优的分类能力,将深度卷积神经网络引用到轴承的故障诊断中,提出了基于一维深度卷积神经网络的轴承复杂工况故障诊断方法。在提出的方法中,将轴承的多故障振动信号作为模型的直接输入,通过训练深度卷积神经网络模型,利用模型中多个卷积层和池化层对输入的振动信号进行自特征提取,并进行故障分类。从而以基于数据驱动的方式形成端到端的故障诊断。研究表明,在一维深度卷积神经网络中直接输入轴承振动信号进行故障诊断,与提取时域和频域特征结合支持向量机进行故障诊断的方法相比,深度卷积神经网络可以更好地反映时域振动信号与特征间的关系,获得了比传统智能诊断方法更高的识别效率。     

基于多模态组合互补性学习的时尚兼容度预测模型研究

在时尚单品兼容度预测研究中,多模态特征间的互补性以及融合特征对于视觉特征的相关性问题未得到充分挖掘。针对这个问题,提出多模态组合互补性学习的时尚兼容度预测模型。该模型由四部分构成：特征提取网络使用ResNet18提取视觉特征和LSTM提取文本特征;然后使用联合表征网络将视觉特征与文本特征映射到相同的多模态嵌入空间中,减小模态间的差异性增强互补性;考虑到互补融合特征对于视觉特征的相关性问题,特征融合网络使用了组合模块分别组合了视觉特征和多模态特征;最后使用类别感知的映射方法将多模态特征映射进基于类别感知的嵌入空间中分析时尚服装的兼容度。实验仿真结果表明,该模型在消融实验以及在时尚兼容度预测的相关评价指标上均有提升和优化。     

一种基于元路径拥塞模式挖掘的移动对象位置预测方法

路网上移动对象位置预测是许多位置相关服务的基础。目前移动对象位置预测方法没有充分考虑到轨迹数据中所蕴含的道路拥塞信息,而路网上的道路拥塞状态对移动对象的位置更新会产生巨大影响。提出基于元路径拥塞模式挖掘的方法(Meta-congestion-pattern mining,MCPM)。在离线挖掘阶段,从历史轨迹的频繁路径(元路径)的紧集中挖掘当地的拥塞模式,并对运动模式进行建模,其中采用基于k均值的聚类算法解决数据稀疏性问题。在线预测阶段根据挖掘的拥塞模式和运动模式依概率进行预测。最后通过理论分析和实验验证得出了算法的有效性,与相同条件下的精度预测(WhereNext,WN)方法相比,平均预测准确性提高了近20%,预测时间平均缩短了近50%。     

基于分布式模型预测控制的多无人机协同规避控制技术

建立了多无人机协同规避控制模型,并提出了一种基于纳什最优的分布式模型预测控制算法。仿真结果表明,基于纳什最优的分布式模型预测控制算法有效地实现了多架无人机对障碍物的规避,并且相对于集中式模型预测控制算法减少了求解过程中的计算量,缩短了优化控制的时间,改善了系统的实时性。     

直升机最优航迹规划与地形跟踪

研究了直升机贴地飞行地形跟踪/地形回避的最优航迹规划方法。该方法综合考虑地形、威胁和障碍,将直升机的机动约束转化为经平滑处理的地形模型,通过结合地形模型与直升机运动方程,使有约束最优控制问题转化为无约束最优控制问题。另外,本文利用广义预测控制（Generalized predictive control,GPC）方法建立直升机贴地飞行最优航迹跟踪控制模型,通过仿真计算表明,广义预测控制可在纵向平面内精确跟踪最优航迹。     

基于元学习和PINN的变工况刀具磨损精确预测方法

刀具磨损预测对保证零件加工质量和效率、降低加工成本具有重要作用,尤其是在广泛采用难加工材料的航空航天制造领域。数据与机理融合模型能够结合机理模型和数据驱动模型的优势,是实现刀具磨损预测的有效手段。然而现有的融合方法难以有效平衡数据和机理对模型的权重,导致难以真正实现融合模型的预期效果。本文提出了一种基于元学习（Meta learning,ML）和PINN（Physics-informed neural network）的刀具磨损预测方法,通过磨损机理约束数据驱动模型的解空间,并结合元学习算法优化融合模型的损失函数以合理利用数据和机理提供的信息。实例验证结果表明,本文所提出的方法能有效提高变工况下的刀具磨损预测精度和稳定性。     

基于压力信号分析的轴流式压气机失速预测

为了得到压气机工作状态的稳定观测点,并建立压气机近喘失速工作状态与压气机压力信号的相关关系,本文针对低速双级轴流式压气机,分别进行了均匀进气及畸变进气条件下不同转速的近喘失速试验,实时动态测量标定压气机由正常工作到失速工况下压力信号,并在时域内提出了一种基于自相关系数的压气机失速预测算法,对进口、出口以及压气机首级转子叶尖位置压力信号预测分析。结果表明所提出的预测算法具有良好的失速预测能力,且发现叶尖处离叶片前缘20%的位置,最适宜作为压气机失速预测的观测点,此时压气机叶尖压力自相关性数据与压气机喘振裕度具有明显的单调相关性。     

基于UKDE和XGBoost的航班过站时间动态预测

为了提高机场运行高峰时航班过站时间预测的精度及可靠性,研究了一种结合无偏核密度估计（Unbiased kernel density estimation, UKDE）和极端梯度提升决策树（Extreme gradient boosting, XGBoost）模型的航班过站时间动态预测方法。首先,考虑模型输入变量航班密度的连续性和不确定性变化,利用UKDE法估计机场航班密度,将其作为动态指标输入模型。其次,引入量子粒子群（Quantum particle swarm optimization, QPSO）法优化XGBoost模型。最后,考虑前序航班延误发生前后输入特征的变化,利用初始预测结果对航班密度进行修正,得到二阶段预测结果。研究结果表明：本文方法在高峰时段的预测平均绝对误差为7.365 min,效果优于随机森林（Random forest, RF）、粒子群（Particle swarm optimization, PSO）-XGBoost和XGBoost,修正后的预测结果平均绝对误差减少了3.373 min;模型输入参数按敏感性程度由高到低依次为航班密度、前序航班提前到港时间和延误...     

时滞系统的Elman网络多步预测模糊控制方法

讨论了Elman神经网络的结构与学习算法,研究了基于Elman网络的动态系统辨识模型、预测模型及预测算法,并与模糊控制相结合,研究神经网络多步预测模糊控制方法。仿真结果表明该方法可以提高系统的鲁棒性及稳定性,多步预测最佳模糊控制的控制精度及ITAE指标均较无预测时要优。     

基于改进Faster-RCNN的机场场面小目标物体检测算法

针对目前应用于机场视频监控中的卷积神经网络方法存在小目标物体识别准确率较低的问题,本文提出了一种基于Faster-RCNN并结合多尺度特征融合与在线难例挖掘的机场场面小目标检测算法。该算法采用ResNet-101作为特征提取网络,并在该网络基础上建立了一个带有上采样的"自顶向下"的特征融合模块,以生成语义信息更加丰富的高分辨率特征图。并在网络训练过程中,采用在线难例挖掘的训练策略使模型更加鲁棒地对小目标样本进行定位。最后,手工构建了一个包含5 982张图片的机场数据集,用于检测模型的训练和测试。结果表明,本文所提出算法显著提升了机场场面小目标物体检测的准确率,且使整体平均检测准确率达到了80.8%,该结果高于其他先进的目标检测模型。