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。     

针刺C/C圆筒构件内/外压试验与仿真研究

根据某扩张段采用的针刺C/C复合材料制备圆筒构件试验件,设计外压和内压试验工装,对其开展内外压试验研究,总结结构应力分布规律,并与有限元仿真结果进行对比,仿真结果与试验结果一致性较好,获得了准确高精度3D圆筒构件水压仿真计算模型。试验及仿真结果对于改进固体火箭发动机针刺C/C复合材料喷管扩张段结构设计,修正材料本构模型参数,预估结构安全裕度有着重要的参考价值。     

基于仿真数据的测试性验证序贯设计方案

针对当前测试性验证试验设计方案均存在确定的故障样本量较大以及验证周期长的问题,提出了一种基于仿真数据的测试性验证序贯设计方案。首先,基于二项分布模型确定序贯设计的判决阈值;然后,在序贯试验下基于给定的样本量分配和故障模式选取方法,采用仿真的方式生成相应的故障模式并进行验证试验。同时,以序贯方式计算相应的概率比,通过其取值动态判定接受/拒收。结果表明,与传统方法相比,该方法与经典验证方法具备几乎相同的抽样特性,能达到有效减少测试性验证试验所需故障样本量的目的。     

航空装备现场数据可靠性评估方法有效性分析

针对航空高可靠性产品现场故障数据样本量小和经常出现数据删失的问题,分析了平均秩次法与期望-极大值（EM）算法的有效性,给出了这两种方法的适用范围。应用蒙特卡罗仿真方法,在考虑维修的情况下,设计了一种评定可靠性评估方法有效性的仿真方法。该方法以威布尔分布为例,通过飞行年、飞机架数、日利用率的动态变化来模拟产生具有随机删失特点的航空装备现场故障数据,以此来动态驱动样本量和删失比的变化,并分别评估这两种可靠性评估方法的有效性。仿真结果表明,在样本量为10~30时的小样本随机删失数据参数估计中,EM算法应该被优先采用。     

多元正态分布整体推断方法

提出多元正态分布整体推断方法。通过仿真结果与试验数据有机结合,该方法能够将多个不同状态下的多变量(多指标)的试验数据作为一个整体进行统计分析,给出多元正态分布均值和协方差矩阵的整体估计。文中详细讨论了多个状态下二元正态分布均值和方差的无偏估计和置信区间估计。与传统方法相比,该方法不但具有更高的精度,而且解决了一种状态下只有一个试验数据时多变量(多指标)产品可靠性评定的难题。此外,文中还给出一种均值和方差仿真结果的极小子样检验方法。      

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。     

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。