压气机喘振模式识别与在线检测

为发展一种运算简单、性能可靠的喘振在线检测系统,分析了压气机出口总压信号的时域和频域特性.当压气机逐渐进入喘振时,时域内表现为压力脉动强度的增大,频域内表现为信号能量在低频成分集中.选用标准差σp表征压力脉动强度;平均频率-f表征信号频域特性.考察了由σp和-f构成的模式平面,提出了一种综合时域和频域特性的喘振检测判据,检测门限可根据置信度要求进行设置,给出了在线检测系统的流程图.采用压气机试验台实测数据验证,该方法可有效地进行喘振在线检测.     

基于人工神经网络的6σ质量控制

介绍了以连续合格品数为控制对象的方法以及实现该方法的神经网络核心技术.仿真数字表明,该设计训练速度快,估计的精度高,灵活性强,适用于在线实时监控.     

支持向量机用于液体火箭发动机的故障诊断

支持向量机（Support Vector Machine,简称SVM）是一种基于机器学习的模式分类算法,其在解决小样本、非线性及高维模式识别等问题中都表现出许多特有的优势。用SVM对液体火箭发动机的故障数据进行检测和诊断。通过对发动机仿真模型的9种故障数据的学习,能检测出18组故障数据中的17组,但有4组出现误报,对误报故障进行二次学习和再检测,能对这4种故障正确检测。经过对C75试车4种故障数据的学习,能正确检测其故障类型,进一步验证了该方法的正确性和可行性。     

神经网络在液体火箭发动机故障检测中的应用(Ⅱ)模式识别技术

基于模糊超球神经网络,提出了一种液体火箭发动机故障的实时检测系统。它采用模式识别技术,在建立正常工作状态的样板模式之后,把当前样本与样板模式进行比较,进而判断发动机工作状态。发动机试车数据分析表明：模糊超球神经网络对输入样本非常敏感     

遥感图像云检测方法综述

遥感图像云检测是遥感数据处理过程中需首要解决的问题之一,在参考大量国内外文献的基础上,文章对遥感图像云检测方法的研究现状进行了分析,并对已有的遥感图像云检测方法进行了综述和分类,在此基础上对不同的云检测方法进行了比较,最后给出了云检测存在的问题和发展趋势.     

特定辐射源识别方法的研究

针对雷达信号环境越来越复杂和对辐射源识别的准确性要求越来越高,提出特定辐射源识别的概念。根据特定辐射源识别的概念选择脉冲信号的上升沿和下降沿作为特征参数,利用模式识别中的动态聚类的算法进行聚类分析,再结合脉冲的重频、射频、脉宽等参数进行统计分析,确定辐射源的个数和工作模式。     

大型充液卫星在轨模式识别

提出了大型充液卫星在轨模式识别的方法 ,通过大型充液卫星在轨飞行试验确定液体晃动阻尼 ,为控制系统设计中确定晃动阻尼提供最可靠的依据     

基于径向基函数的变量预测模型模式识别方法

针对变量预测模型模式识别方法中4种数学模型不足以反映特征值之间复杂关系的缺陷.因此,提出了一种基于径向基函数的变量预测模型(VPMRBF)模式识别方法,把提取的特征值输入到VPMRBF分类器中,然后通过训练样本建立反映特征值之间复杂关系的径向基函数预测模型,最后把测试样本的特征值作为径向基函数预测模型的输入,以预测误差平方和为依据完成分类.该方法充分有效地利用并且结合径向基函数和变量预测模式识别方法的优点,实现了故障特征提取到故障识别的全程诊断. 滚动轴承故障诊断实验分析结果表明:与径向基神经网络、支持向量机和变量预测模式识别方法相比,VPMRBF的识别率分别提高了4.75%,1.75%和5.25%.      

基于蚁群优化的长短时神经网络变外形飞行器故障模式识别

变外形飞行器机械结构复杂,在变外形过程中发生故障的概率大,传感器测量成本高,针对这些问题,提出了一种基于长短时神经网络进行飞行器测试故障诊断的方法。首先根据变外形飞行器的气动参数模型和非线性动力学模型,构建变外形飞行器执行机构故障特征数据库。然后针对变外形飞行器发生故障时的序列化特征数据,提出基于长短时神经网络的执行器故障诊断框架。利用蚁群优化算法对网络训练的超参数进行优化,提高故障诊断的准确性与泛化性。通过仿真验证了该方法可实现变外形飞行器的低成本、高效率、高精度的故障快速定位。     

基于结构特征比对的指纹识别方法

针对通常的指纹识别算法都不支持指纹的旋转和偏移的问题 ,文中首先提出一个在二维平面上点与点之间的距离与平面的旋转和平移无关的数学模型。然后在分析指纹特征点的基础上提出一个基于指纹结构特征的比对算法 ,该算法主要是利用特征点之间的距离、类型和跨越纹线等结构信息来进行比对。最后用实验证明这一算法的可行性