基于 Stacking集成学习的飞行模拟器设备故障预判

为精准研判飞行模拟器故障问题,提升飞行模拟器故障应急处理能力,提出了 1种基于 Stacking集成学习的设备故障预判方法。首先,针对设备故障数据具有高维度和时序性的特点,采用正态分布法,对采集的原始故障数据进行缺失值和异常值处理,获取归一化数据,并基于核主成分分析法,提取数据的特征并降低数据维度;然后,构建以 CNN、RF、BP神经网络为基分类器,XGBoost为元分类器的 Stacking集成学习模型,采用交叉验证训练策略,对设备的故障类型作出预判;最后,构架典型案例。仿真结果表明,所提方法可正确有效地识别设备的多种故障状态。     

贝叶斯推理运动轨迹相干累积的动目标检测方法

雷达理论和实践都表明相干累积是机动目标探测行之有效的方法,但其性能会因脉冲回波处理间隔内未知距离和/或多普勒的徒动而降低。为解决这个问题,提出了一种贝叶斯推理运动轨迹相干累积的动目标检测方法。首先,通过对脉冲压缩回波信号的距离频率进行翻转,就可从未翻转与翻转后的回波信号相乘的傅里叶逆变换中,提取出慢时间维描述待探测多目标运动轨迹的时频信号。视该时频信号中各目标运动轨迹为状态变量,获得的时频信号为观测,建立起多目标运动轨迹的状态空间模型。这样,据贝叶斯滤波推理出的目标运动轨迹,构建出快-慢时间维联合的二维匹配滤波器,就能补偿目标高速/机动带来的未知距离和/或多普勒徒动。理论分析和仿真实验均证明：所提算法适用具有复杂且未知运动状态的目标,且呈现出了优于文献报道方法的性能。     

民机维修任务分析的人因可靠性预测模型

人为因素作为人机关系中的重要环节,是影响民航安全的关键因素。定量分析机务人因可靠性水平对于减少无意识犯错、保障飞行安全具有重要意义。根据NASA建议开发出一套THERP+CREAM结合的模型,针对民航特点对THERP数据表进行优化处理,采用模糊贝叶斯网络与CREAM结合的方法确定机务维修人员的认知控制模式,利用平均权重因子将THERP的预测值嵌入CREAM,实现两代方法的结合,以提高机务人因可靠性预测的精度。研究结果表明：通过对某航空公司某维修小组的调查,证实了所提的THERP+CREAM预测模型能够较好地预测机务人因可靠性水平,实现了依据维修手册中的维修任务,即可进行人因可靠性分析,为研制单位维修任务分析中的人素分析提供了一个定量评估方法。     

基于集成学习模型的飞行学员认知负荷研究

在飞行过程中,飞行员需要在短时间内接收大量信息,并做出正确的判断与决策,而过高的认知负荷会影响其感知、判断、决策等认知过程,进而影响飞行安全。首先通过飞行模拟实验获取飞行学员在执行不同飞行任务时的生理数据;然后通过时域、频域分析等方法提取呼吸和心电信号的特征,并通过统计学方法筛选出能够反映认知负荷水平的指标;最后结合支持向量机、K 最邻近、人工神经网络等方法建立集成学习模型,对飞行学员的认知负荷进行评估,并与单一算法进行对比。结果表明：本文建立的集成学习模型具有较高的准确率,能够更好地反映飞行学员认知负荷水平。     

贝叶斯景象匹配技术

景象匹配技术以其极高的末制导精度在导航系统中起着关键性的作用。经典的景象匹配定位方法只能提供象素级的定位精度,为了获得更高的精度可采用ＦＦＴ匹配算法、最小二乘匹配算法等。该文首次提出了一种新的贝叶斯景象匹配算法。其基本思想在于：匹配定位位置可看作为随机量,先利用匹配图像间的信息求其条件概率分布,再利用图像中的大量样本来求解其贝叶斯估计值。同时研究了基于贝叶斯估计的景象匹配技术的原理及算法,并将其与     

一种卫星对地观测需求分析方法

针对卫星对地观测任务需求分析方法研究的复杂性和迫切需要,文章通过把文本化的卫星观测需求编码成数值向量的形式,提出需求之间的相似度度量方法。进而基于无监督学习的相关理论和算法,给出向量化表示的需求聚类算法。同时为了能在二维平面直观展示分析高维需求数据,在引入需求之间距离计算方法的基础上介绍了高维数据的降维算法,并且通过测试数据验证了算法的有效性和可行性。通过把繁杂的需求信息转换成高维空间向量,能大大降低分析人员对领域专业知识的依赖,提升需求分析的效率和科学性。     

一种基于贝叶斯估计的高分辨目标定向新方法

提出一种高分辨方位估计新方法。它是建立在阵列输出信号和噪声参数联合后验概率密度基础上的空间谱估计。仿真结果表明,该方法具有以下几个显著的优点：①极高的空间分辨率和估计精度;②可解相干源;③低信噪比、少快拍数的情况下很有潜力;④可以估计不同方向目标源的能量;⑤具有较好的工程应用前景。该方法和ＭＵＳＩＣ方法的性能进行了比较并给出计算机仿真结果。     

基于深度学习的自冲铆接偏铆缺陷检测算法研究

自冲铆接技术适合铝钢等异种材料连接,接头性能可靠,在航空工业中有着广阔的应用场景,但目前针对自冲铆接缺陷无损检测的相关研究较少。提出了基于深度学习的自冲铆接偏铆缺陷检测算法,首先通过剪切力学性能试验得出偏铆自冲铆接件相较于正常铆接件力学性能下降了5.6%;然后通过自冲铆接偏铆件外部形貌特征将偏铆程度由外部特征定义在0～10的区间;最后探究了单步检测同双步检测间的检测效果差异,提出了YOLOv5s(You Only Look Once v5s)加ResNet18的检测方案,并通过Grad-CAM(Gradient-Weighted Class Activation Mapping)对不同检测方案的效果差异进行了可视化的解释。测试表明,提出的YOLOv5s加ResNet18的检测方案在所采集的数据测试集中可以达到100%正确率,高于仅用YOLOv5s取得的95.18%正确率,远高于仅用ResNet18取得的84.1%正确率。     

基于异构网络表示学习的评分预测模型

深入分析电商行业的用户个性化数据并提供推荐服务近年来已成为业界的热点。推荐服务的基础是对用户的潜在兴趣进行挖掘,并对商品的感兴趣程度进行预测。因此,以此为背景,研究用户对商品的评分预测。对电商业的关系型数据在推荐系统中的应用进行了研究,提出了通过使用网络表示学习进行评分预测的方法。首先,将关系型数据构建成异构网络,用户和商品为网络中的节点。然后,设计了兼顾网络结构信息和节点之间相似性的个性化异构网络采样方法,并对节点进行表示学习。最后,将学习到的用户、商品表示向量输入到神经网络中进行训练,利用优化后的神经网络模型进行评分预测。实验结果表明:所提方法在YELP 13、Movielens 100k、Movielens 1m数据集上都有较高的准确率,对比常用方法,准确率提升6.5%以上。