基于ConvLSTM的飞机尾流时空预测

飞机尾流预测在动态尾流间隔系统中十分重要。通过结合激光雷达技术,提出了一种基于卷积长短期记忆网络(ConvLSTM)的飞机尾流预测模型,以预测激光雷达(LIDAR)的下一个扫描面。实验团队前期在深圳宝安机场使用激光雷达探测对尾流数据进行采集并进行预处理。然后,构建了ConvLSTM神经网络模型以对尾涡径向速度场进行外推预测。通过采集的数据对所建立模型进行训练、验证、测试。实验结果表明：模型能够有效对尾流进行时空预测,测试的RMSE值为3.30,证明了ConvLSTM在预测飞机尾流耗散演化的潜在用途。     

面向在轨高效实时图像处理的二值权重沙漏网络加速器设计

为了实现在轨高速实时图像处理,提出了基于多级预测校准机制及查找表方法的二值权重沙漏网络加速器.首先,提出了一种计算架构来统一支持二值权重及多位宽权重卷积计算;其次,提出了多级预测模型来实现可变精度的高效卷积,基于这2种方法可以将网络的计算量降低77.4％,推理速度提升2.3倍.本文针对残差模块中跳转连接造成的存储访问问...     

试车数据驱动的涡轴发动机起动过程模型辨识

针对传统的采用解析法建立涡轴发动机起动过程模型复杂的问题,提出了一种基于变步长萤火虫算法优化的有外部输入的非线性自回归网络(CSFA-NARX)的涡轴发动机起动过程模型辨识方法。以涡轴发动机起动过程试车试验数据为数据样本,利用CSFA-NARX网络模型辨识得到涡轴发动机起动过程模型,并采用留一交叉验证方法对辨识模型的性能进行验证。结果表明：得到的辨识模型输出参数,如燃气发生器转速n_g、输出轴转速n_r和涡轮后温度T₄都较好地逼近了试车实测数据,各参数验证样本最大相对误差平均值分别为0.90%、1.51%、和2.01%;在相同训练与验证样本情况下,得到的辨识模型精度优于采用萤火虫算法优化的NARX网络(FA-NARX)、NARX网络和变步长萤火虫算法优化的BP网络(CSFA-BP)模型精度。     

基于深度学习的发动机叶片故障检测技术

为了解决航空发动机叶片故障检测中存在的检测精度欠佳、检测效率不高的问题,提出了一种基于深度学习的目标检测方法。针对小样本数据集检测精度低、模型训练速度慢等问题,对Faster R-CNN目标检测算法进行结构优化,引入Res2Net结构,通过分割串联的策略强化残差模块的卷积学习能力,搭建了细粒级的多尺度残差模型Res2Net-50,以提升模型的特征提取能力。同时,在网络的训练过程中,采用多次余弦退火衰减法对学习率进行调整,以加快模型的训练速度,提升模型的训练质量。针对航空发动机叶片裂纹和缺损2种故障类型进行网络训练与检测试验,试验结果表明：优化后的模型识别准确率提高了0.7%,模型的平均检测精度提高了1.8%,训练时间缩短了5.56%,取得了比较好的检测效果。     

基于无线传感器网络的低功耗目标探测系统设计与实现

基于无线传感器网络的目标探测系统利用磁场、振动、声音等环境参数的变化实现对移动目标的探测.针对无线传感器网络的能量受限问题,从传感器节点硬件选型、节点休眠设计、网络拓扑结构设计和数据传输协议设计等方面出发,进行系统低功耗设计优化.实验结果表明,该探测系统在传感器节点采用容量4 A·h锂电池,采样率10 Hz情况下,平均...     

基于单代号网络的银行家算法

通过对银行家算法的分析,提出单代号网络的进程安全状态序列的改进算法-基于单代号网络的银行家算法,并通过具体的示例实现此算法。     

民用飞机航材支援网络选址因素权衡方法研究

民用飞机航材支援网络作为主制造商为客户提供航材的必要媒介,合理地搭建该航材支援网络有利于提高主制造商的服务品质和客户运营能力。基于Kriging方法,提出一种定性与定量相结合的民用飞机航材支援网络选址因素权衡方法,对选址因素进行梳理和分类,获取选址定量分析数据需求,并运用所提方法进行民用飞机航材支援网络选址因素权衡,进而对选址因素进行重要度评价;将该方法与层次分析法、响应面法、蒙特卡洛法进行对比分析,以验证其有效性和适用性。结果表明：本文所提方法可有效进行选址因素重要度评价,为民用飞机航材支援网络的搭建奠定基础。     

基于云贝叶斯网络的运输飞机超轮速风险评估

起飞超轮速严重威胁飞行安全,为了有效评估运输飞机起飞时在不确定性因素影响下的超轮速风险水平,提出一种基于云模型和贝叶斯网络的评估模型。选取抬轮速度、总重、低压转子转速、抬轮率、抬轮时机、升降舵控制量、风的分量、总温8个指标,建立超轮速风险指标体系;运用基于启发式高斯云变换算法和正向高斯云算法的云模型,实现超轮速风险等级软划分和指标离散化,并确定各指标的先验概率;构建超轮速风险的贝叶斯网络,基于所建网络和节点信息计算节点后验概率,通过网络反向诊断得到超轮速的主要诱因。结合实际运行数据进行仿真验证,结果表明：评估结果符合实际情况,验证了模型的有效性。研究结果可为超轮速事件分析、民航运行安全风险管理提供理论依据。     

基于相对骨骼点特征和时序自适应感受野的动作识别方法

针对长时间动作识别难以充分利用时空域信息的问题,提出了基于相对骨骼点特征和时序自适应感受野的动作识别方法。首先,该方法在特征获取部分增加了相对骨骼点特征,以满足节点多样性和互补性要求,将其分别输入到空域图卷积网络,获得空间中相邻关节聚合的局部特征。然后,设计了一个时序自适应感受野网络,以获取在时域中关节变化的局部特征,并且增加了网络对不同持续时长动作的适应性。最后,经过决策级融合模块,计算类别概率,得到分类结果。仿真结果表明,基于NTU RGB+D和Kinetics-skeleton两大基准数据集,对比多种主流方法,均取得了更高的识别准确率,分别为96.2%与60.1%。该方法可以较好地提取不同动作的区别性时间特征,提高了动作时空特征的判别能力。