测试不可靠条件下多故障诊断方法

针对部队复杂系统故障诊断中存在的诊断精度低,虚警率高等问题,提出一种测试不可靠条件下多故障诊断方法.为解决系统诊断贝叶斯网络结构和概率映射表建立困难的问题,通过建立系统的多信号流图模型,从而获得系统诊断贝叶斯网络.将测试不可靠度引入概率映射表,增加了算法工程应用中的鲁棒性.利用后验概率诊断推理将问题归结为不等式约束极值问题,采用0-1规划隐数法对不等式极值问题求解,从而获得最优解.以某型导弹制导系统电子部件为例,验证了该方法对复杂系统多故障诊断的有效性.      

基于多信号流图的分层系统测试性建模与分析

为了对分层系统进行测试性分析,提出基于多信号流图模型的分层系统测试性建模与分析方法.该方法利用多信号流图模型建立分层系统的层次结构模型,进行测试性分析时,首先利用相关性模型法对顶层模型进行测试性分析,当层次性模块与其它模块不能区分时,再利用相关性模型法对模糊组进行测试性分析,最终实现对分层系统的诊断设计.最后,利用某具有层次性结构的滤波放大器电路对该方法进行了验证,试验结果证明,该方法对于分层系统的测试性建模与分析是有效的,能够为分层系统制定有效的诊断策略.      

基于混合动态信念传播的多无人机协同定位算法

针对多无人机(UAVs)协同定位问题,提出一种基于混合动态信念传播的定位算法。在部分无人机GPS信号丢失的情况下,该算法可根据其他无人机的GPS观测,相邻无人机之间的相对距离观测,以及无人机加速度计的输出,对每个无人机的位置和速度状态进行分布式在线估计。首先用因子图模型描述多无人机的联合信念状态,接着给出一种混合动态信念传播推理算法计算图模型中的每个变量节点(对应于每个无人机)状态的边缘后验分布。推理过程仅包括每个无人机对自身局部信息的处理以及相邻无人机之间的信息交互,因此该算法可完全分布式实现。通过仿真实验以及与传统协同定位算法的比较,表明了本文算法的有效性。      

基于键合图模型的传感器布局方法

为研究传感器布局对于故障诊断性能的影响,使用键合图方法对系统建模。通过在键合图模型中设置虚拟传感器模拟测点,利用键合图的结构信息和因果关系约束推导出一组解析冗余关系式,即系统残差,通过分析残差、故障及传感器配置的关系,提出了一种基于满足故障检测性和隔离性要求的传感器布局方法,在最大限度满足系统诊断性能前提下选择数量最少的传感器配置方案。最后,以同步发电机为例建立键合图传感器布局模型,通过残差推导其结构故障特征矩阵以及传感器特征矩阵,并对所提出的传感器优化布局方法进行验证,得出在参数性故障检测和隔离性能最高前提下的传感器配置方案。      

并行程序控制流图可视化的实现

介绍了并行化编译器,在研制并行化编译器过程中,实现了程序控制流图的可视化。着重分析了抽旬语法树（ＡＳＴ）中的控制流信息,给出了两种语句节点定位算法,在Ｘ－ｗｉｎｄｏｗ下实现了图形界面。     

图论最大流理论在机场登机口分配中的应用

为提高登机口的利用率、提升航空旅客出行的便捷性与舒适性、提高机场的运行效率及航空公司的运营效益,在图论中网络最大流理论的基础上,将旅客步行距离、机场资源运行效率、飞机最短过站时间、＂航班对＂、机型等作为约束条件,考虑航站楼布局、始发/终到及中转旅客数量等因素对登机口分配结果的影响,建立旅客登机口分配的优化网络模型,并对该算法的复杂度和最优性进行分析和证明。最后,运用实例来验证该方法在缩短旅客步行距离和提高机场运行资源利用率方面的可行性,该算法也可用于飞机停靠机位的优化安排。     

多工况过程动态SDG故障诊断

通过分析多工况过程的故障动态特性,在符号有向图(SDG)中引入工况条件,补充对未测节点的表达,提出了一种新的定性描述模型——过程动态有向图,给出了建模方法和基于故障依赖性关系 D 矩阵的诊断流程.该模型满足了随工况变化调整结构和参数的需求,诊断算法解决了实际系统部分状态常常因未测量而造成信息缺失的问题.同时综合不同过程的SDG诊断能改善静态SDG模型定性推理分辨率.利用提出的方法建立了某民用飞机发动机引气系统的诊断模型并进行了诊断,结果表明该模型有效且实用.      

基于网络复杂性的最小刚性编队通信拓扑生成

基于编队通信拓扑的网络复杂性,提出了一种多智能体系统最小刚性编队通信拓扑生成算法。首先基于刚度矩阵生成最小刚性编队通信拓扑的方式,找出智能体编队的最小刚性通信拓扑集;然后从降低通信消耗等方面建立网络复杂性评价指标,采用熵权法对各指标权重进行求解,给出网络复杂性的计算方法;基于此评价指标,在最小刚性通信拓扑集中找出网络复杂性最小的编队通信拓扑。仿真结果表明,该算法能有效减少编队通信拓扑网络复杂性,简化通信拓扑结构。     

峰值点非负矩阵分解聚类算法

非负矩阵分解模型是一种常见的数据降维方法。在现有非负矩阵分解算法用于聚类的研究中,每个类别一般仅由一个或者指定多个中心点表示,然而这种表示方式往往无法准确描述其类别的特征和结构,从而影响聚类效果。为了解决这个问题,本文提出了峰值点非负矩阵分解算法。该算法首先为数据集找到多个密度峰值点,并构建密度峰值点和样本点的二部图,然后利用二部图完成聚类。此外该算法引入流形图正则化项来充分利用数据间的流形结构信息,并给出了算法的迭代更新规则。在大量真实数据集上的实验结果表明,该方法可以更加有效地利用数据本身的结构信息,从而提高聚类效果。