基于多参数特征的辐射源识别技术

针对复杂战场电磁环境下辐射源识别困难的问题,提出一种基于多参数特征的辐射源识别方法。介绍了辐射源辐射信号特征量的提取技术,给出了识别的原理和步骤。最后在小样本和大样本辐射源数据库的基础上,利用该识别技术进行了仿真,结果证明了基于多参数特征的辐射源识别方法的有效性和准确性,相比于传统的辐射源识别技术,该方法识别率更高,速度更快。     

发动机转子系统早期故障智能诊断

在对飞机发动机转子系统早期故障特点进行分析的基础上,针对其故障诊断中存在的故障样本不足和早期微弱故障不易识别的问题,提出将随机共振、小波包分析与支持向量机相结合的发动机转子系统早期故障诊断与智能自愈监控方法。该方法首先利用随机共振原理对早期微弱故障信号进行特征细化,使故障特征放大;然后利用小波包多分辨率分析特性进行故障特征提取;再将提取的特征向量输入由支持向量机构造的分类器中进行故障识别,并利用智能自愈方法对故障进行监控。对智能诊断系统结构、故障特征提取方法、多故障分类器构造、故障自愈监控等进行了分析和研究。结果表明,该方法在故障样本不足情况下,能有效识别发动机转子系统的早期故障,且算法简单、故障分类识别效果好,并能对故障进行自愈监控。     

月面模拟环境的SIFT特征提取与匹配方法

为了满足月面巡视探测器的自主导航要求.使用一种新的基于尺度不变的特征点提取和匹配算法.首先根据尺度不变特征变换方法从图像中提取关键点作为特征点,然后进行左右双目图像的特征点匹配和视差的恢复.与传统特征算法相比,可以提高对不同光照环境图像匹配的鲁棒性和匹配精度.在模拟试验场的双目视觉图像匹配中,仿真实验取得较好的效果.     

基于韦尔奇功率谱的雷达辐射源信号识别

应用韦尔奇功率谱原理提取信号识别特征参数,根据提取出的参数特点设计信号识别流程模型。从多种信号中检测识别线性调频信号、相位编码信号、频率编码信号。分析了特征的适用范围和信号环境。仿真分析该特征提取算法和识别方法的可行性。     

转子故障的连续小波尺度谱特征提取新方法

引入图像分析方法,提出了直接从转子故障信号连续小波尺度谱中提取图像纹理特征的新方法.首先,通过转子故障模拟实验台采集了不平衡、不对中、碰摩及油膜涡动等典型故障信号;然后,分析了故障信号尺度谱的差别及所提取出的数字特征对故障的敏感性;最后用结构自适应集成神经网络进行了智能诊断实验,结果表明了本文所提出的尺度谱数字特征对转子故障诊断的有效性.      

流体力学深度学习建模技术研究进展

深度学习技术在图像处理、语言翻译、疾病诊断、游戏竞赛等领域已带来了颠覆性的变化。流体力学问题由于维度高、非线性强、数据量大等特点,恰恰是深度学习擅长并可以带来研究范式创新的重要领域。目前,深度学习技术已在流体力学领域得到了初步应用,其应用潜力逐渐得到证实。以流体力学深度学习技术为背景,结合课题组近期研究结果,探讨了流体力学深度学习建模技术及其最新进展。首先,对深度学习技术所涉及的基本理论做了介绍,阐释流场建模中常用深度学习方法背后的数学原理。其次,分别对流体力学控制方程、流场重构、特征量建模和应用等几个典型的人工智能与流体力学交叉问题应用场景所涉及的深度学习技术研究进展进行了介绍。最后,探讨了流体力学深度学习建模技术所面临的挑战与未来发展趋势。     

基于ReliefF-LMBP算法的涡轴发动机气路故障模式识别—两机专刊

针对涡轴发动机气路故障模式识别精度不高的问题,提出了一种基于ReliefF-LMBP故障特征提取的发动机故障模式识别方法。应用ReliefF算法对发动机传感器参数赋予权值,对传感器参数特征权重值进行迭代更新和排序,聚集好的特征样本,离散异类样本。根据筛选出的特征子集,利用LMBP神经网络算法进行发动机故障模式识别。以涡轴发动机为对象进行气路故障诊断验证,结果表明所提方法能提取特征传感器参数并实现有效的故障模式识别。     

基于微多普勒的空间锥体目标微动分类

空间锥体目标在飞行时存在多种微动,具体可分为章动、进动及自旋,准确获取目标微动形式是弹道目标微动及结构参数估算的前提。首先分析了3种微动形式下锥体目标锥顶及锥底滑动型散射源微多普勒及其频谱分布特性,发现自旋锥体目标散射源微多普勒为0 Hz,章动锥体目标任意散射源微多普勒谱的峰值非等间距分布,进动锥体目标任意散射源微多普勒谱的峰值等间距分布。据此提出利用微多普勒阈值识别自旋、利用微多普勒谱峰值是否等间距分布识别章动和进动的分类方法。最后通过仿真说明了本文分类方法的有效性,可为空间锥体目标微动分类提供一定的参考。     

基于深度信念网络的航空发动机维修等级决策

准确的航空发动机维修等级决策,能够避免过维修和欠维修,在保证航空发动机运行安全的前提下节约维修成本。结合航空发动机状态监控信息和维修等级特点,采用深度信念网络（DBN）算法,挖掘状态监测及维修等级决策之间的深层次对应关系,实现对维修等级的分类和预测。该模型通过DBN预训练和反向传播(BP)神经网络反向微调提取出样本特征,从而提高维修等级预测准确率。以某航空公司CF6航空型发动机的状态参数和维修等级数据作为实例进行验证,结果显示:该模型能够通过构建多层网络结构挖掘出样本的更深层次信息,在分类能力、决策准确性方面优于传统神经网络,有较强的特征提取能力,对维修等级分类有较高的正确率,能得出更准确的维修等级决策结果,避免因维修等级误判而带来不必要的损失。