A comparative study of decision tree,random forest,and convolutional neural network for spread-F identification

Ionospheric spread-F (SF) is a commonly observed phenomenon of electron density perturbation in the F-layer. The ionospheric irregularities structure has an adverse effect on the propagation of electromagnetic waves in the ionosphere. The automatic identification of ionospheric spread-F and statistical study of the formation of spread-F are of great significance to the study of the physical mechanism of ionospheric inhomogeneity and for prediction of ionospheric irregularities. In this paper, we describe and implement three automatic identification methods of spread-F based on machine learning: decision tree, random forest, and convolutional neural network (CNN). The performance of these automatic identification methods was verified using a large set of test data. Results show that the accuracy of all three methods on identifying ionograms with spread-F exceeded 90%. After comparing the results of the three methods, we found that the decision tree method was the simplest and with the structure easiest to be understood, and it required the shortest interpretation time. In terms of the identification results, the random forest method provided better results than the decision tree method, and the CNN method was the best at accurately identifying ionograms with spread-F.     

三种用于加工特征识别的神经网络方法综述

加工特征自动识别技术是智能化设计与制造的关键支撑，已有的实用性算法普遍存在学习能力差、识别范围有限和识别速度慢等共性问题。神经网络方法在计算机视觉和模式识别领域获得了巨大成功，其自学习与自适应能力和高速计算等优势也已在加工特征识别中得到初步的展现。对加工特征识别中具有应用潜力的三种不同的神经网络方法进行了研究，剖析了神经网络识别加工特征中的预处理与编码和神经网络结构设计等关键性问题，分析了不同神经网络方法的异同点，总结了当前神经网络识别加工特征的发展方向，为相关领域的研究提供一定的理论指导与技术支持。     

运载火箭推力故障下基于智能决策的在线轨迹重规划方法

为了提高运载火箭上升段飞行中推力故障下轨迹重规划的计算效率,提出了一种基于智能决策的在线轨迹重规划方法,将原问题转化为最优救援轨道的在线智能决策和成熟的燃料最优轨迹规划问题进行求解。通过离线求解不同故障状态对应的轨迹重规划问题,建立"故障状态-救援轨道"样本集,基于径向基神经网络建立最优救援轨道的决策模型,并将决策模型装订箭上。在实际飞行中以当前故障状态作为输入,利用决策模型可在线快速决策出最优救援轨道根数,进而求解以救援轨道为目标轨道的燃料最优轨迹规划问题,从而完成推力故障下的在线轨迹重规划。数值仿真表明,与直接求解轨迹重规划问题相比,该方法的计算效率提高了两个数量级以上,同时给出一致的最优救援轨迹。     

基于神经网络的轴承故障预测模型

利用在故障预测领域广泛应用的神经网络模型,对轴承监测数据的特征提取与建模,挖掘出监测数据与剩余寿命间内在关联,从而对轴承剩余寿命做出评估。在轴承全寿命数据的实际实验中,证实了该模型的有效性。     

状态预测神经网络控制应用于小型可回收火箭

随着商业航天的到来，可重复使用运载器的研究受到广泛关注，以SpaceX为代表的商业航天公司研发的部分可回收火箭表现出了前所未有的竞争力。为了研发可回收火箭技术，翎客航天利用民间工业力量研制了RLV-T3小型可回收火箭验证机，并在该验证机上通过数百次试验逐渐掌握了垂直起降（VTVL）技术。主要介绍了翎客航天在VTVL技术中的一项动力控制技术，提出了状态预测神经网络控制（SPNNC）算法。该算法具有鲁棒性强、适用范围广、控制参数易调整等优点。详细地描述了该算法的原理，并通过Simulink对SISO和MIMO 2种系统进行了仿真。同时详细地论述了将状态预测神经网络控制算法应用于RLV-T3小型可回收火箭的飞行及回收的试验，包括RLV-T3小型可回收火箭的基本特点、控制难点、存在的问题，飞行过程中各物理量的曲线和试验结论。经试验验证，状态预测神经网络控制算法具有良好的控制性能，基于该控制技术，即状态预测神经网络控制算法的RLV-T3小型可回收火箭验证机可以安全地实现垂直起飞、弹道飞行、空中悬停、软着陆回收全流程。     

基于LSTM和CNN的高速柱塞泵故障诊断

针对高速轴向柱塞泵容易发生空化，且目前空化故障诊断方法存在依赖手工特征提取、鲁棒性不高的问题，提出了一种基于长短时记忆（LSTM）和一维卷积神经网络（1D-CNN）相结合的空化故障诊断方法。搭建了柱塞泵故障实验台，采集柱塞泵在不同空化等级下的壳体振动信号。利用LSTM和1D-CNN搭建的分类模型对不同进口压力情况下的振动信号进行空化等级识别。实验结果表明：提出的方法能够准确地识别出4类不同的空化等级，准确率高达99.5%，同时在不附加降噪方法的情况下，具有良好的鲁棒性，在0 dB信噪比的情况下，识别准确率高达87.3%。     

土地类型分类的人工神经网络方法

:研究了用人工神经网络对航空影像进行土地类型分类的方法 ,用选定窗口的平均值 ,标准差和傅利叶频谱平均值作为神经网络的输入 ,土地类型的标准值为神经网络的输出。将计算出来的未知土地类型标准值与已知土地类型的标准值相比较 ,可以确定出未知的土地类型。     

BP神经网络在火灾烟气危害性分级中的应用

建筑物发生火灾时，燃烧产生的高热和有毒、有害气体对人构成很大威胁。本文利用ＢＰ神经网络对火灾烟气危害性进行分级，介绍了神经网络模型的结构、学习过程和算法。实例计算表明：利用神经网络对烟气危害性分级是合理可行的，具有一定的实用价值。     

用于测频测向的偶对称神经网络模型

介绍了Hopfield神经网络用于测频测向的原理。为解决一些基本算法的局部极值问题，建立了偶对称神经网络的模型，并给出了相应的算法。理论分析和仿真结果表明，该算法用于解决全局优化问题是有效的，可用于解决测频测向问题。     

敏捷性导弹的双网络逆动态模糊神经网络控制

新疆敏捷性导弹为了获得更高的机动性、敏捷性和好的导引精度，许多采用推力矢量控制方案，本文讨论了一类带推力矢量控制导弹的数学建模，在此基础上提出了一种适用于此类新型导弹的模糊神经网络控制方案，采用双网络逆动态学控制结构，数字仿真表明所提出的控制方案对于系统内参数不确定性和非线性变化具有强的适应性。