基于模糊聚类的模糊神经网络在非定常气动力建模中的应用

建立了一种基于模糊聚类的模糊神经网络模型.该模型利用模糊聚类技术确定系统的模糊空间和模糊规则数,利用BP算法调整模糊神经网络的权系数.应用该模型对某飞机模型做俯仰-滚转耦合运动的非定常气动力进行了辨识.结果表明,基于模糊聚类的模糊神经网络计算速度快,辨识结果与实验结果符合较好.用模糊聚类技术可以解决模糊神经网络的结构辨识问题,基于模糊聚类的模糊神经网络可以很好地用于复杂机动飞行的非定常气动力建模.     

中国股市A股量价关系的实证研究

利用1998年3月2日至2004年3月2日的数据对沪深两市A股的量价之间的关系进行了实证研究.对交易量和价格数据的平稳性检验发现价格指数在一阶差分后平稳;Johansen协整分析发现交易量及其变动率和价格指数、收益率、日内价格波动率、当日开盘价和前日收盘价之间均存在一阶以上的协整关系;利用GARCH类模型再次验证了沪深两市的量价关系无显著不同的结论,同时发现日内价格波动率、当日开盘价和前日收盘价之差等均对交易量有显著的影响.     

评定测量系统不确定度的方法

测量结果的不确定度是评定测量系统测量质量的重要指标,文中给出了测量系统不确定度的A类和B类评定方法,以及合成不确定度和系统总不确定度的计算方法,并通过实例进行了说明.     

ATCR-33K一次雷达发射机射频驱动器的故障分析

本文概述了ALENIA ATCR-33K一次雷达发射机射频驱动功率的组成原理和自栓控制电路功能，并着重讲解射频驱动器故障时的处理方法，以确保设备快速恢复正常工作，保证安全生产为目的。[第一段]     

类升力体外形俯仰阻尼特性数值研究

采用有限差分方法求解薄层近似的非定常Navier-Stokes方程，定常流场采用交替方向隐式分解的NND格式，非定常流场采用四步Runge-Kutta方法，在保证时、空二阶精度前提下引入变系数残值光顺技术提高非定常流场计算效率，复杂带翼外形的空间网格通过求解抛物化的椭圆型方程生成，最后在Etkin理论下给出球锥及类升力体外形的俯仰阻尼导数计算结果。     

简述电加工技术在大飞机制造中的应用

作为航空发动机制造技术重要组成部分的电加工技术在大飞机制造技术中也占有一席之地,并具有发展改进空间。大飞机一般是指起飞总重超过100t的运输类飞机,包括军用大型运输机和民用大型运输机,也包括一次航程达到3000km的军用或乘座达     

基于计划到达时刻的四维航迹规划

为了加速空管自动化与智能化技术的应用与实施,提出了水平航迹与高度/速度剖面分阶段设计的四维航迹规划方法。基于动态时间规整与层次聚类方法实现历史雷达航迹聚类分析,完成水平航迹设计。建立速度剖面规划模型,通过航迹生成器与速度调整器交互协作,精细化控制进场时间,以满足计划到达时间要求。以上海浦东国际机场PINOT进场航班为例实施验证,结果表明,四维航迹规划方法可有效实现航班的计划到达时间,从而减少航班延误,提高终端空域运行效率。     

基于综合模糊聚类算法的液体火箭发动机故障诊断

基于液体火箭发动机正常及故障状况数据的完备程度和数据质量的不断提高,提出一种基于数据驱动的综合模糊聚类算法用于故障诊断。采用模糊c均值(FCM)算法对已知正常样本数据进行聚类得到最优的聚类中心,将所得到的聚类中心作为先验样本数据用于传递闭包法最优分类结果的选择从而得到故障检测结果,该算法只需要少量的正常先验样本数据就能快速、准确的检测出故障;随后采用FCM算法进行故障分类,可以根据现有的故障数据库进行聚类得到对应的故障类型,并且可以给出故障幅值范围。模型仿真结果表明:该算法对故障的检测率可达968%,故障隔离率达到94%。某型液体火箭发动机实际试车数据结果表明:该故障诊断算法能够准确及时的检测并隔离出故障。     

基于振动参数聚类融合的空间轴承故障辨识方法研究#br#

轴承是飞轮和控制力矩陀螺(CMG)等空间惯性执行机构的核心部件,其健康状态直接影响整机性能和使用寿命.当前,由于轻载轴承在正常运转时也可能产生类似于微弱故障特征的现象,导致单一故障特征参数难以辨识正常和微弱故障状态.针对这一问题,本文提出了一种基于振动参数聚类融合的轴承微弱故障辨识方法.首先,通过轴承振动实验获得数据;然后,基于特征频率比值等方法对振动信号进行特征参数的提取;在此基础上,利用K Medoids算法对正常样本进行聚类,并根据3σ法则构建正常运转的安全边界;最后,计算不同轴承故障数据的超限概率,根据概率大小进行故障状态的识别.结果表明,该方法对轴承正常和微弱故障的辨识是可行和有效的.     

基于类脑模型与深度神经网络的目标检测与跟踪技术研究

目标检测与跟踪技术广泛应用于交通、医疗、安保和航天等领域.目前,目标检测与跟踪技术面临目标微弱、背景复杂、目标被遮挡等挑战.同时,随着脑科学研究的不断深入,人们对人脑视觉系统的理解逐渐透彻,利用类脑计算解决复杂背景下高精度目标检测与跟踪问题成为相关领域的重要研究方向.本文结合神经工程导向的类脑模型和计算机工程导向的深度神经网络(Deep Neural Networks, DNNs),提出多种基于类脑模型与深度神经网络的目标检测与跟踪算法,包括：基于演算侧抑制的目标检测算法,基于结构 对比度(Structure Contrast, SC)视觉注意模型的弱小目标检测算法和基于记忆机制与分层卷积特征的目标跟踪算法.实验结果表明,将类脑模型和深度神经网络应用于目标检测和跟踪领域,有利于实现复杂条件下的高精度目标检测和鲁棒性目标跟踪.