确定时间序列均值和方差函数的移动多点平均方法

为了提高有限样本或小样本情况下时间序列均值和方差函数的确定精度,以保证时序建模、分析和预测精度,提出一种确定序列趋势项的移动多点平均方法.该方法能够得到时间序列均值中非周期部分,结合样本周期图法得到的周期项,可综合得到其均值函数,并可进一步得到时序的标准差函数.Monte Carlo模拟对比结果表明:该方法不仅能够保证时间序列段内分析精度,而且能够有效提高时间序列的预报精度.      

可靠性预计与分配的作用研究

阐述了可靠性预计与分配对装备作战能力、生存力、部署机动能力、维修人力和使用保障费用等方面的重要作用,以及它在战争中取胜的重要性。同时指出了在民用产品方面加强可靠性预计与分配可以有效提高产品的市场竞争力。     

基于零控脱靶量的大气层外超远程拦截制导

考虑拦截器使用固体推进系统的情况,设计了基于零控脱靶量(ZEM)的大气层外超远程拦截制导方法。首先设计了考虑摄动影响的适用于超远程拦截的零控脱靶量计算方法;其次使用变分法结合Kepler轨道摄动方程推导了线性的ZEM动力学方程;最后考虑固体推进拦截器的可控性约束条件设计了ZEM控制律并结合动力学方程确定指令推力方向。本文给出的制导方法设计过程中没有对拦截器和目标的引力差进行简化,考虑了摄动因素对滑行段弹道的影响,制导精度对推进系统参数偏差的鲁棒性好。仿真结果表明使用本文制导方法拦截大气层外超远程目标,脱靶量可达公里量级,推进系统参数偏差对制导精度的影响很小。     

弹体自旋条件下姿控发动机控制律设计

针对大气层内带有横向喷流姿控发动机和尾部气动舵的导弹,研究了弹体自旋条件下的姿态控制问题。以导弹的横向加速度为输出,建立了姿态系统数学模型,并对模型进行了分析和简化。考虑了双通道控制和单通道矢量控制两种控制方式,针对姿控发动机的离散工作特点,分别研究了控制律设计问题,实现了横向加速度的快速跟踪。针对喷流干扰效应,给出了喷流放大因子的在线估计算法。最后,进行了数值仿真,仿真结果说明了所提方法的有效性。     

滚动轴承摩擦力矩的乏信息模糊预报

滚动轴承摩擦力矩的波动具有不确定性,属于概率分布与趋势规律都未知的乏信息系统.这阻碍了对轴承摩擦力矩的小样本分析与总体把握.为此,以模糊集合理论为基础,从小样本入手,建立了航天轴承摩擦力矩参数的经验概率密度函数及其模糊预报模型,并对摩擦力矩的均值上界和最大值上界进行预报.对HKTA和HKTB两种轴承摩擦力矩参数的试验研究表明,在99%～100%置信水平下,预报结果与试验结果之间的误差很小,最大绝对误差仅为0.081 1个设定单位,最大相对误差仅为10.165%,可以满足航天工程的要求.      

基于Agent模型的机场网络延误预测

准确可靠的机场网络航班延误预测是科学认知空中交通运行态势,动态精准实施国家空域系统容流协同调配策略的重要依据。提出了基于Agent的机场网络延误模型,表征机场网络系统中各元素及子系统间的交互作用下的延误特征涌现。针对机场节点动态容量、预计起飞时间、最小飞行与周转时间等Agent模型中的关键参数,适应性选用了贝叶斯估计、模糊k近邻等数据挖掘方法建立参数模型,并采用2015—2017年全美历史航班和气象数据进行训练学习。为综合评价模型性能及泛化能力,选取全美2018年3个不同延误程度的典型日进行测试。实验结果表明,在全美34个核心机场组成的网络中,各节点在4小时预测区间内延误最大误差不过27.9 min,其中约80%的节点误差小于5 min,验证了所提延误预测模型在时空范围内的准确性和稳健性特征。另外,通过与其他模型对比,展示了本模型优良的延误预测性能。     

基于卷积神经网络的深度学习流场特征识别及应用进展

深度学习架构的出色性能使得机器学习在流体力学中的应用得到新的发展,可以应对流体力学中诸多问题和需求。卷积神经网络（CNN）强大的非线性映射能力以及分层提取信息特征的功能,使其成为当下流场特征研究不容忽视的工具。围绕这一研究前沿与热点问题,概述和归纳了这一研究领域的进展与成果。首先,对深度学习在流体力学中的发展以及卷积神经网络进行了简单的回顾。然后,从卷积神经网络能够识别特征出发,先后介绍了基于卷积的深度学习特征识别在流场预测、流动外形优化、流场可视化精度提升和生成对抗等应用方面的研究进展。最后,对深度学习在流场识别领域的应用进行了展望,为后续的研究提供参考。     

基于自动核构造高斯过程的导弹气动性能预测

在导弹的初期设计阶段,通常需要对导弹的气动性能进行快速粗略评估。针对传统工程估算软件计算精度低和CFD方法计算代价大的缺陷,提出一种基于高斯过程回归（GPR）代理模型快速预测典型导弹气动性能的方案。以导弹外形参数和攻角作为模型输入,升力系数、阻力系数和力矩系数作为模型输出,对GPR模型的气动性能预测结果进行分析。首先,与其他常用代理模型的预测精度对比,GPR模型对3种系数的预测误差分别仅为0.24%、0.36%和0.36%,高于其他代理模型的预测精度。其次,考虑GPR模型核函数选择严重依赖人工先验知识的问题,采用了一种自动核构造算法,无需先验知识即可从数据中自动学习核函数。将该算法嵌入GPR框架中,与传统GPR模型比较,实验结果表明：基于该算法的GPR模型对3种系数的预测误差分别降低到0.10%、0.22%和0.17%。最后,给出导弹气动性能快速预测的应用实例,结果表明所提出的GPR模型的导弹气动性能预测方案是有效的,能够满足设计初期快速且精确的气动性能预测需求。     

一种粒子群模糊支持向量机的航天器参量预测方法

针对航天器精确预测与健康管理的需求,将粒子群算法、模糊数学与支持向量机的优势相结合,提出了一种粒子群模糊支持向量机预测方法。针对某卫星南帆板输出电流参量的预测实例,设计了总平均绝对误差、总平均绝对百分比误差、总均方根误差三个预测结果评价指标,对不同步长情况下的预测结果进行了比较,证明了粒子群优化模糊支持向量机预测方法的有效性。通过对比粒子群优化模糊支持向量机模型、灰色粒子群神经网络优化模型、粒子群神经网络模型、灰色模型预测的总平均绝对百分比误差,结果证明粒子群优化模糊支持向量机的预测精度和效率较高,在航天器参量预测领域具有较好的应用前景。     

一种可用于航空发动机健康状态预测的动态集成极端学习机模型

提出一种动态集成极端学习机模型用于航空发动机健康状态预测.采用AdaBoost.RT集成学习算法对极端学习机（ELM）进行集成,在训练时采用每个训练样本的近邻样本对ELM的局域性能进行评估;在预测时首先确定新样本在训练样本集中的近邻样本,然后根据ELM在近邻样本上的性能来赋予集成权值实现弱学习机的动态集成.以燃油流量为指标进行航空发动机健康状态预测,动态集成ELM模型短期预测结果的平均相对误差绝对值（MAPE）为3.688%,小于单一ELM模型的3.830%以及静态集成ELM模型的3.719%;长期预测结果中动态集成ELM模型的MAPE为3.075%,小于单一ELM模型的4.355%以及静态集成ELM模型的3.884%.因此动态集成ELM模型更适用于航空发动机健康状态预测.