基于互信息的输入变量选择算法综述

空间环境是空间态势感知的重要组成部分,在空间科学领域,受限于对日地系统物理规律的全面认知,现有的基于物理机制的空间环境预测模型目前还难以实用化,通常采用的多是基于数据的经验类模型。基于互信息的输入变量选择算法为空间环境要素预测模型的输入确定了思路。由于能充分考虑不同输入、输入与输出之间的潜在关系,基于互信息的输入变量选择算法近年来在回归及分类问题上得到了广泛的应用和发展。本文以输入变量选择算法的3个关键环节,即评价标准、搜索策略和停止准则为线索,从不同角度对基于互信息的过滤式变量选择算法进行了系统的分析与梳理,重点对不同变量评价标准依赖的假设条件进行了数学上的推导和说明。最后总结了其发展规律,可为后续研究尤其是建立空间环境预测模型提供借鉴。     

TBCC飞行器发动机尺寸选型及爬升策略设计

针对临近空间高速飞行器爬升航迹问题,提出了一种涡轮冲压组合发动机尺寸选型的依据和一种固体火箭助推器辅助加速的爬升策略。以本文设计的一型临近空间高速飞行器为原型,基于hp自适应Radau伪谱法开展爬升航迹优化研究,将最优控制问题转化为非线性规划问题,以爬升消耗燃料质量最小为目标,利用序列二次规划算法求解最优航迹。在此基础上,分析了涡轮冲压组合发动机尺寸选型和采用固体火箭助推器加速爬升策略对爬升航迹和巡航航程的影响。结果表明,选取合理的发动机尺寸和助推器辅助爬升策略,均可有效减少飞行器爬升消耗燃料质量,提升巡航航程。     

小天体光学导航特征识别与提取研究进展

针对小天体探测自主光学导航特征信息精确,快速获取的需求,阐述了利用图像信息实现光学导航特征识别与提取的必要性。首先分析了小天体光学导航特征识别与提取面临的主要问题;然后根据小天体探测各阶段目标成像特点,总结并分析了小天体探测光学导航特征识别与提取涉及的关键技术;最后,根据关键技术结合现有问题和未来发展需求,分析并对未来小天体探测光学导航特征识别与提取的发展趋势进行了展望。     

超燃冲压发动机进气道特性及传感器选择研究

针对超燃冲压发动机进气道状态监测系统的需求,通过对超燃冲压发动机进气道进行二维流场数值模拟,得到了超燃冲压发动机进气道在不同马赫数、不同反压下的数值模拟结果,进而通过分析进气道从起动状态到不起动状态下的壁面静压分布特性,给出了进气道起动状态的初步判断准则。在确定了进气道监测参数的基础上,将可拓学理论用于超燃冲压发动机传感器选型中,建立了超燃冲压发动机传感器选型的综合评价方法,并以压力传感器选型算例验证了该方法的可靠性。该研究为超燃冲压发动机参数测量方案制定和状态监测系统设计提供参考。     

落管中双波长测温系统工作波长的优化设计

根据测量所要求的动态范围、线性度、灵敏度 ,通过数值计算得出落管中双波长温度测量中的工作波长及带宽的最佳范围 ,结合实际情况最终确定工作波长为 1 4 μm和 1 5 5 μm ,其带宽均为 0 0 3μm。     

基于遗传规划和线性鉴别分析的故障特征提取模型及其应用

1引言航空发动机故障诊断需要从原始监测数据中获取合理的特征参数,如果依靠专家经验手工从众多的监测参数中选取特征参数,将是十分烦琐和低效的。因此,构造优质的特征参数是提高故障诊断效率及其准确性的关键。许多机器学习方法被应用到特征参数的自动选取中,例如神经网络[1],     

基于免疫聚类分析的特征提取及其在发动机故障诊断中的应用

以提高航空发动机故障诊断的快速性和准确性为目的，基于人工免疫理论中的克隆选择算法，结合聚类分析方法，提出了基于免疫聚类分析的故障特征提取方法。该方法通过删除对分类无关的特征以及压缩类间相关特征，得到最有利于分类的子特征集，提高了分类器的分类性能。并且该算法具有本质上的并行性、计算效率高和聚类能力强等优点。多类支持向量机的分类实验表明，经过基于免疫聚类分析提取的特征对发动机的故障具有更好的识别能力，为发动机的状态监测与故障诊断提供了依据。     

基于OFDM技术的某型飞机图像传输方案研究

针对机载图像传输系统的特殊性,结合机载设备现状,提出了一种图像传输方案,对其中的关键技术——正交频分复用进行了分析,并对正交频分复用系统的参数选择进行了讨论。     

基于离散混沌蝙蝠算法的测试点选择

针对模拟电路测试点的选择问题,基于智能优化算法的测试点选择方法相比于传统的迭代法具有一定的优越性,但是仍然存在算法复杂度过高等问题.在深入研究蝙蝠算法(BA)的基础上,采用混沌映射对算法进行优化,并用变换函数将算法离散化,提出一种离散混沌蝙蝠算法(CBBA),将算法应用于测试点选择.通过实验仿真,证明该算法具有较高的准确度,而且与其他算法对比发现,该算法具有更好的性能.     

基于ReliefF-LMBP算法的涡轴发动机气路故障模式识别—两机专刊

针对涡轴发动机气路故障模式识别精度不高的问题,提出了一种基于ReliefF-LMBP故障特征提取的发动机故障模式识别方法。应用ReliefF算法对发动机传感器参数赋予权值,对传感器参数特征权重值进行迭代更新和排序,聚集好的特征样本,离散异类样本。根据筛选出的特征子集,利用LMBP神经网络算法进行发动机故障模式识别。以涡轴发动机为对象进行气路故障诊断验证,结果表明所提方法能提取特征传感器参数并实现有效的故障模式识别。