已知初始匹配对的图像四元松弛匹配算法

提出了已知初始匹配对的四元松弛匹配算法,该算法以向量旋转角的旋转和缩放不变性特征作为匹配对的优化准则,首先计算向量旋转角度差值,然后通过构造支持度函数和剔除策略选出最优匹配对.在初始错误匹配比例较高和游动误差较大的情况下能够实现正确匹配.通过大量图像实验证明,该算法在匹配速度和正确率上优于桑农松弛匹配算法.     

基于NMF的SVM故障诊断方法

针对大维数系统故障诊断中存在特征提取困难和识别率低的问题,提出基于非负矩阵分解(NMF,Non-negative Matrix Factorization)的支持向量机(SVM,Support Vector Machine)诊断方法,避免了直接对故障特征的选择和提取,实现特征降维,提高故障模式分类的准确性和速度;对于NMF中的结果随机性问题,提出用前次分解所得系数矩阵求解样本降维特征矩阵的方法,保证多次NMF分解尺度一致.实验表明该方法能对故障特征有效降维,并具有较高的诊断效率和故障识别率.     

基于规范割的空间金字塔图像分类算法

对大型图像数据库进行图像分类是很困难的,空间金字塔算法针对这种问题提出,并能得到很好的分类精度,但有几点不足.针对这些不足,提出基于规范割的空间金字塔算法:使用规范割算法对特征词进行更准确的聚类;对每类训练图像计算子特征库,利用二次聚类生成总特征库,在特征字典中保留更多的稀疏类型图像特征词;用高斯模型量化未知特征生成特征直方图,并对直方图进行尺度重整,提高类间距.实验证明提出算法比原方法分类精度最多能提高4.6%.     

非线性回归支持向量机的SMO算法改进

为了解决非线性数据和非线性函数的回归问题,采用了支持向量机序列最小优化算法.原始序列最小优化（SMO,Sequential Minimal Optimization）算法存在训练速度慢和训练结果不稳定的缺点,为了能加快SMO算法的训练速度和提高训练结果稳定性,通过改进优化乘子更新方法、采用双阈值法、预存核函数、增加停机准则等方法对SMO算法做了改进.仿真实验表明,改进的算法能很好地对非线性数据和非线性函数进行回归,具有比原始SMO算法更快的训练速度和稳定的训练结果.      

Boosting稀疏最小二乘支持向量回归机及其在推力估计中的应用

为实现航空发动机的直接推力控制代替传统的基于传感器的液压机械式控制,本文使用boosting技术提升最小二乘支持向量回归机的性能设计了推力估计器。在使用boosting的过程中,有两点与传统方法不同：（1）为了在建立稀疏最小二乘支持向量回归机的时候使数值计算更稳定,使用无放回抽取;（2）为了实现最小二乘支持向量回归机的稀疏性和降低计算的复杂度,用训练数据集的一个子集来建立最小二乘支持向量回归机,不再使用全部训练数据。仿真实验表明,基于boosting稀疏最小二乘支持向量回归机的推力估计器能够满足直接推力控制的需要,即估计推力相对误差不大于5‰。     

虚材料结构的试验模态处理（Ⅱ）-动柔度基向量组合法

为处理虚材料结构试验模态,作者曾建立过一种广义伽略金法,在该广义伽略金法的基础上,、演变出一种动柔度基向量组合法。它除了可以用于本文命题的领域外,同时像现有静柔度基向量组合法一样,还可以有效地用于特征值重分析工作。数值表明,动柔度基向量组合法非常有效。     

基于小波降噪和EMD-SVM的加工中心主轴系统状态监测技术

主轴系统是数控机床的重要功能部件,其运行状态直接影响机床的可靠性与加工精度。为了实现状态实时监测、故障预警和维修策略优化,针对加工中心主轴系统,设计了状态监测方案,研制和搭建了加工中心状态监测平台的硬件系统和软件系统。集成小波降噪方法和经验模态分解-支持向量机(EMD-SVM)算法对采集信号处理与分析,实现加工中心主轴系统的状态实时监测,进而对主轴系统典型故障状态进行识别与诊断。基于研制的加工中心主轴状态监测系统,进行了主轴系统皮带松动故障监测试验分析,验证其对主轴系统的典型故障状态识别的准确度。     

基于MRR-LSSVR 的发动机循环参数优化设计方法

为了实现飞机与发动机之间良好的协调与匹配,基于飞/发一体化设计软件AEDsys,通过约束分析、任务分析、参数循环分析、性能循环分析和安装性能分析等环节,对涡扇发动机总体设计进行了系统分析。针对性能循环分析中的备选发动机决策问题,提出了基于多输入多输出约简迭代最小二次支持向量回归机(MRR-LSSVR)的备选发动机代理模型构建方法,用于映射发动机设计参数与性能之间的关系,并通过可行序列二次规划(FSQP)算法自动优化出最佳的发动机设计循环参数组合,克服了AEDsys软件中发动机参数选择环节较为依赖设计经验、效率低的缺陷。     

基于GRA-IPSO-SVM的航材携行需求预测研究

异地执行飞行任务中航材需求的准确预测是做好携行保障的主要内容之一,为此提出灰色关联度（GRA）与改进的粒子群算法（IPSO）及支持向量机（SVM）相结合的航材预测方法。首先运用GRA 对航材携行需求的影响因素进行分析;其次引入活性因子和非线性惯性系数改进粒子群算法,并通过IPSO 对SVM 参数进行寻优;最后使用优化后的SVM 模型预测航材需求。结果表明：GRA-IPSO-SVM 方法预测结果的均方根误差比PSO-SVM 方法下降0.16,平均绝对百分比误差下降2.18%,且预测时间减少了0.7 s。     

基于CRBMs-RVR的涡轴发动机输出功率衰退预测

针对涡轴发动机全寿命期内输出功率衰退预测问题,提出一种含多层连续受限玻尔兹曼机（CRBMs）深度特征提取的相关向量回归（RVR）功率预测方法。对发动机气路部件测量数据进行重构,利用CRBMs深度网络提取数据深层特征,将特征数据作为RVR模型的输入,实现对输出功率的预测,并对预测结果提供概率分布。以某型双转子涡轴发动机部件级模型为试验对象,模拟全寿命期内发动机气路部件性能退化,对输出功率进行衰退预测。试验结果表明：基于CRBMs-RVR的预测模型与传统的RVR预测模型相比,训练时间缩短30.2%,预测结果的均方根误差减小64.6%;与基于主成分分析（PCA）进行特征提取的PCARVR预测模型相比,预测结果均方根误差减小42.4%,验证了所提出的预测方法具有模型结构简单、预测精度高、可提供概率式输出的优点。