基于小波分析与支持向量机的时间序列预测

时间序列广泛存在于工业、经济、军事等各个领域,时间序列预测是数据分析处理的一个重要方面。目前提出的预测模型大多基于＂原始时间序列是无噪的＂这一假定,而实际应用中,对时间序列去噪处理的好坏将直接影响预测的准确率,针对这一事实,使用小波分析对原始时间序列去噪。利用小波变换对时间序列进行多尺度分解,对各尺度上的细节序列使用阀值法去噪;使用支持向量机对重构后的各组小波系数进行预测并将结果融合,得到预测结果。实验结果表明,用于时间序列预测,能及时反应序列的变化趋势并具有较高的预测精度。     

基于RNP的“北京——拉萨”航线分析

国航西南分公司于2011年12月15日开通了北京—拉萨往返直飞航线,该航线的成功运行结束了拉萨飞往祖国首都需经停成都或其他城市的历史。简要分析该航线的运行相关人员、航路、运行油量、备降机场和运行监控等几个部分,以期做好航班的运行保障工作。     

基于RBF神经网络的FADS系统及其算法研究

以典型的十字形布局的大气数据传感系统及其跨声速应用为研究对象,基于RBF神经网络,设计了新的FADS算法和故障检测处理方法。将测压点按不同功能进行精细的划分和组合,形成更加精简、目的性更强且相互独立的RBF网络处理子模块,利用各子网络模块提供的冗余特性,使用基于故障特征向量表的方法,实施简单而有效的故障检测与处理。仿真验证表明,迎角与侧滑角的测量误差不大于0.5°,且故障检测是有效的。     

转子振动故障的小波能谱熵SVM诊断方法

融合小波能谱熵和支持向量机(SVM)的特点,提出了基于小波能谱熵的SVM故障诊断方法.利用转子试验台对转子典型振动故障进行模拟并采集振动数据,提取其振动信号的小波能谱熵作为特征向量,通过样本训练建立了转子在各种典型振动故障状态下的SVM模型和多类分类器,进而实现了对未知转子振动故障的识别.实际应用表明,提出的转子振动故障诊断方法是可行和有效性的.      

ADS-B监视下飞行间隔评估方法研究

广播式自动相关监视（ADS-B）技术推广使用的首要问题是间隔标准的确定,为此ADS-B下飞行间隔的评估就成为亟待解决的问题。采用与基准系统进行比较的方法,对ADS-B监视下的飞行间隔的安全评估方法进行了研究。建立了ADS-B监视下的危险接近概率模型,确定了ADS-B下飞行间隔的研究方法,对雷达监视和ADS-B监视下的危险接近概率进行比较分析,在不低于雷达监视的安全目标水平下确定出ADS-B监视下对应的最小间隔。研究结果表明：在不低于雷达监视的安全目标水平下,ADS-B监视下的飞行间隔标准更小,因此方法适用于国内ADS-B监视下的飞行间隔的评估。     

利用粒子群支持向量机预测轴流压气机机匣壁面压力

建立了基于粒子群优化的轴流压气机机匣压力支持向量机预测模型.利用支持向量机的强大非线性映射能力,实现了对某型轴流压气机机匣压力时间序列的非线性预测,并运用粒子群优化算法对支持向量机的重要参数进行了优化,增强了预测模型对混沌动力学的联想和泛化推理能力,提高了预测的精度和稳定性.而针对发动机台架试验数据的预测结果证明了方法...     

亚热带气象条件下直升机雷达罩常见损伤及设计对策

本文通过对亚热带气象条件下使用的部分直升机雷达罩故障统计及分析,给出了雷达罩系统在亚热带高盐雾地区使用时外观及性能的变化规律以及常见的结构损伤形式,为直升机雷达罩在该类地区更合理地使用及维修提供了较为准确的依据。同时,通过分析对比,本文还给出了亚热带气象条件下使用的直升机雷达罩在设计及制造时可以借鉴的基本原则。     

拟压缩性方法数值模拟绕弹体的不可压缩层流脱体涡流动

本文应用在连续生方程中增加压力对时间导数项的拟压缩性方法，数值求解三维定常不可压缩Ｎａｖｉｅｒ－Ｓｔｏｋｅｓ方程。数值求解过程采用隐式的Ｂｅａｍ－Ｗａｒｍｉｎｇ近似因式分解格式。计算绕尖头旋成柱体的大迎角脱体涡流动，得到与实验相符的结果。     

均值检验方法及其在冗余惯性导航系统中的应用

采用了非线性滤波的方法对影响故障检测及分离（FDI）性能的传感器误差进行了补偿,同时提出了故障检测与分离的均值检验方法（MVT）,该方法可以对2个传感器同时出现故障的情况进行检测与隔离。5个陀螺冗余惯性导航系统仿真结果验证了本文算法的有效性。     

SENSOR FAILURE DETECTION AND SIGNAL RECOVERY BASED ON BP NEURAL NETWORK

Manyhighpefformancecontrolsystemsmusthavefauhtolerantabilityagainstsensorfailures.Theapplicationofprevioussensorfailuredetectinnmethods,mostlybasedonanalyti-calredundancy['Jlislimitedbecausetheyrequireaprecise.mathematicalmedel.BPneuralnetwork(BPNN)isabletolearnanycomplicatedcontinuousnonlinearfunctions,therefore,itcanbeusedtodetectsensorfailuresandrecoverthesignalforthefailedsensor'Recentpubli-cationshavedemonstratedtheuseofBPNNfordetectingsomkindofsensorfailuresandre-coveringthefailedsen…