一种改进的固液火箭发动机故障诊断方法

针对固液火箭发动机的可靠性问题，设计了一种改进的贝叶斯网络故障诊断方法，可以通过网络化自主逻辑推理，对固液火箭发动机进行故障诊断。为了提取时序观测信号的故障特征，提出将步进法与核主成分分析(KPCA)相结合的分析方法，并根据模糊C均值聚类算法(FCM)建立模糊多态贝叶斯网络，实现对观测信号尺度的模糊处理，提高对不确定性故障的诊断能力。通过Matlab/Simulink建立改进的贝叶斯网络故障诊断系统。仿真结果表明，改进的算法能够实现对固液火箭发动机常见故障的有效诊断，并能够适应小样本集学习的情况。与传统贝叶斯诊断算法相比，故障诊断的平均准确率提高了20.9%。     

一种空间目标异动威胁评估的贝叶斯网络模型

针对现有空间目标威胁评估方法存在的指标选取单一、可信度较差的问题，通过分析空间目标威胁特点和特征指标的依赖关系，提出一种基于贝叶斯网络的威胁评估模型，该模型融合形态异常特征、轨道异常特征、历史行为等多源信息实现对空间目标威胁程度的综合评价。模型采用模糊隶属度函数对相对速度、相对距离等连续变量进行离散化隶属度表示，利用专家知识给出贝叶斯网络节点间的条件概率表。对抵近绕飞和碰撞两种典型空间场景进行仿真验证，结果表明该模型可以较为准确地刻画空间目标的威胁程度，具有一定实际意义。     

基于一种贝叶斯优化框架的高空螺旋桨气动优化设计

为了在可接受时长内获得高空螺旋桨气动方案的最优解，提出一种基于贝叶斯优化框架的高空螺旋桨气动外形优化设计方法。该方法以拉丁超立方抽样获取螺旋桨气动外形参数的初始样本点，建立以该参数为输入、数值模拟获取螺旋桨气动性能为输出的初代高斯过程模型；以遗传算法和三种并行加点准则构成的子优化获取新样本点，求取新样本点的气动性能，并更新样本数据和高斯过程模型。该方法可以使新样本点快速向最优解附近集中，从而提高最优解附近的模型近似精度。为验证模拟方法，加工了某高空螺旋桨进行地面试验。与模拟结果相比，试验推力平均误差2.34%、扭矩平均误差3.33%。以课题组自研的6个低雷诺数翼型为基础，使用该方法对某高空太阳能无人机螺旋桨进行优化设计，优化结果显示：螺旋桨在设计点推力提高9.24%、效率提高8.13%。研究结果表明，该方法对高空螺旋桨优化设计及相关工程应用具有较强的参考价值。     

基于可变遗忘因子的渐消记忆变分贝叶斯自适应滤波算法

针对全球卫星导航系统/捷联惯性导航系统（GNSS/SINS）组合导航中GNSS信号易受干扰，造成量测噪声突变的问题，提出一种基于可变遗忘因子的渐消记忆变分贝叶斯自适应Kalman滤波（VBAKF）算法。针对自适应滤波中突变噪声难以准确探测，构建基于初值的噪声突变检验准则；为解决自适应滤波估计突变噪声的拖尾现象，将变分贝叶斯自适应滤波的超参数传递结构转化为协方差阵修正结构，通过构造可变遗忘因子函数动态调节自适应滤波中的遗忘因子。仿真和实测数据表明：所提算法可在GNSS/SINS噪声突变时快速估计量测噪声，提高组合导航精度。     

基于AE-BN的发电机滚动轴承故障诊断

为解决风力发电机在复杂工况及耦合性、不确定性条件下故障识别的准确性问题，提出了一种基于自动编码器(AE)与贝叶斯网络(BN)的AE-BN故障诊断方法。采用AE对电流信号进行特征提取，得到能够高度表征信号的特征分量；基于故障与特征之间的因果关系，建立由故障位置、故障状态和故障特征搭建的三层BN；将AE的特征分量与BN的拓扑结构相结合建立风力发电机故障诊断模型，解决故障诊断中的不确定性问题，提高多故障诊断的准确性。实验结果表明：所提方法能够对故障特征信号进行分析及诊断，精确辨识不同故障类型，相比K近邻算法等具有明显优势。     

基于Bi-LSTM及贝叶斯似然比检验的GEO与LEO卫星组合频谱感知

目前的频谱感知算法以模型驱动为主，其感知性能过于依赖预定的统计模型，这使得其在信道环境复杂的卫星通信场景中的部署变得困难。对LEO卫星过境期间的信噪比波动情况进行分析，结果显示信噪比的波动达到14 dB。针对该复杂场景提出了一种基于双向长短期记忆网络及贝叶斯似然比检验联合的频谱感知算法。该算法不需要任何主信号的先验知识，可自动从主信号中学习隐藏特征并做出决策。基于Neyman-Pearson准则，在神经网络输出端设计了一种基于阈值的检测方案，可方便地控制恒定的虚警概率。仿真结果表明，所提算法在信噪比为–14 dB的情况下，仍能达到83%的检测性能，且始终优于卷积神经网络、多层感知机和基于模型驱动的能量检测算法。