基于信息模型的测试性试验样本集充分性研究

建立了产品的故障模式信息模型,包括产品的故障模式、结构单元、功能和测试数据以及这些数据之间的映射关系.根据该信息模型,定义了三种故障模式等价集合,即故障模式单元等价集合、故障模式功能等价集合、故障模式测试等价集合.在这些等价集合的基础上,建立了测试性试验中样本集的三种典型充分性度量和准则,即单元覆盖充分性度量和准则、功能覆盖充分性度量和准则、测试覆盖充分性度量和准则.分析了典型充分性度量和准则的适用范围,并建立了综合充分性度量和准则.使用综合充分性度量可以评价样本集的充分程度,使用综合充分性准则可以确定样本集的构成要求.建立了综合充分性度量和准则的应用方法和流程.通过实例验证了该方法的可行性.     

小子样试验数据融合算法研究

从试验手段能力角度引入了可信度的定义,针对可信度改进了贝叶斯算法,同时把试验阶段内所有试验同等对待,推导出了多源数据融合算法,有效解决了大样本验前信息压制小子样现场试验的问题。     

极小子样试验的半经验评估方法

阐明了Bootstrap方法适用于子样数n≥5而不适用于子样数为n=1,2的情形,对于n=1,2的极小子样,给出了一种半经验评估方法,并提出了把n=1虚拟增广至n=5的半经验虚拟增广子样法与Bootstrap再抽样法相结合的极小子样评估方法,阐明了所提方法的立论依据与推导过程,给出算例并做了有益的讨论。     

飞机疲劳载荷谱代表起落选取方法研究

 飞机中值载荷谱编制用100个左右实测飞行起落小子样反映机队飞机使用情况,用结构当量寿命子样中值作为代表起落选取指标,用实测飞行小子样作为任务剖面代表起落选取基准。本文提出在用实测飞行准确测量结构飞行载荷的基础上,用累积损伤子样平均值作为选取代表起落的指标,用机队飞机外场实际使用飞行数据大子样作为代表起落选取的基准。分析和对比实验结果都表明,用本文方法选取代表起落编制的飞机疲劳载荷谱能真实反映机队飞机的平均使用情况。     

基于DSP的三自由度肌电假手实时控制方法

 利用安置在拇长屈肌,指深屈肌和指伸肌上的3个电极所测得的肌电信号,采用所提出的新的模式分类器,可以实现基于DSP的三自由度假手手指运动的实时控制。该分类器采用自回归(AR)参数模型和样本熵的方法构造特征矢量,经过由弹性反向传播(RP)算法构建的3层前馈神经网络的分类,能够成功地分辨出拇指、食指和中指的弯曲与伸展运动,平均识别率可以达到91%以上。实验结果表明,该分类器具有很高的辨识能力,同时由于其较小的计算量,也为嵌入式的多自由度肌电假手控制提供了一种新的控制方法。     

疲劳强度概率分布的统计推断

 本文就疲劳强度概率分布问题从统计角度出发,利用统计推断方法处理。通过三组较大子样的疲劳试验数据的统计分析,得出与在假定一定的疲劳寿命概率分布下由数学分析方法推导出的理论概率分布完全不同的结论。该法中疲劳强度概率分布与疲劳寿命分布没有直接关系。     

基于小样本数据增强的航天器表面损伤智能检测方法

在轨运行的航天器表面形成损伤有可能导致严重的后果,需要对航天器进行在轨实时损伤检测。针对航天器损伤检测图像样本难以获取的问题,本文采用智能化检测方法,提出了一种用于航天器表面损伤样本扩充的生成对抗网络,该网络能够学习单张输入图像的特征纹理表示,从而生成大量与输入图像特征相似的细粒度尺度样本,实现了少量图像数据样本的扩充。利用YOLO目标检测算法在扩充的图像样本中进行表面缺陷与损伤的检测识别,获取了较高的检测精度,为未来航天器健康状态监测与评估、通用化服务机器人应用及太空原位建设等提供了技术支撑。     

新的寻的导弹半实物仿真系统小样本实验方法

针对自寻的制导导弹半实物仿真系统仿真实验造价昂贵的现实,对小样本实验进行了研究,提出了一种新的基于目标机动对命中误差灵敏度和机动分布函数的小样本实验和估算方法.文中描述了目标机动对命中误差灵敏度的拟合正交函数系及其一致收敛性,并用测度理论证明了小样本方法估算期望和方差的逼近的一致收敛性质.文中的理论证明为该小样本实验方法提供了理论依据.通过对半实物仿真系统的大样本和小样本对比实验,证明该方法的统计结果与大样本统计结果非常接近.该方法是一个适应于各种可控变参系统和自寻的制导武器半实物仿真系统小样本实验的崭新方法.     

基于BP神经网络的复合材料性能预测

针对复合材料性能表征十分复杂、困难的情况,利用人工神经网络的BP算法,建立了复合材料性能预测模型。模型由3层神经元组成,分别为输入层、隐含层和输出层。以碳/陶瓷复合材料性能与成分的关系为研究对象,选取了38组实验数据作为学习样本,模型总误差为0.18,用建立的网络预测未知,并给出预报曲线。和试验值相比较表明,所建立的网络能反映碳/陶瓷复合材料组分与其材料性能之间的关系,为实验设计提供了新的思路,节省了时间和劳力。     

基于支持向量机和人工免疫的新结合算法

为了减少大规模数据的支持向量机的样本训练时间,提出了人工免疫（aiNet）和支持向量机（SVM）相结合的算法（ai—SVM）。aiNet能在进行样本压缩的同时抽取原始数据的相关信息并保持原始数据的样本分布。压缩后的样本组成了抗体网络,并在此抗体网络上构建了支持向量机模型。最后结合实际数据样本对ai—SVM算法进行了验证。结果表明,ai-SVM算法可大大减小训练样本集和训练代价,且不降低精度。