基于民机维修文本数据的故障诊断方法

在民航检修与维护过程中积累了大量蕴含丰富故障特征的文本维修记录，然而由于维修文本本身存在复杂性，其还未实现智能诊断，数据利用率低。提出一种不断修正迭代的基于预训练语言模型双向转换器编码表示（BERT）及轻量级梯度提升机（LightGBM）的飞机维修记录的故障原因分析方法，求解文本形式的维修记录中的故障原因，用以辅助维修人员进行正确的维修决策。首先，在基于BERT的故障诊断模型Transformer特征提取架构中引入多头注意力机制，以充分捕捉融合上下文的双向语义、更加关注于重点词汇；其次，为了提高诊断速度减少模型的参数并融合LightGBM模型来实现维修文本的故障原因分类；最后，将改进的模型与其他常用文本分析模型进行对比实验，在基于民机维修文本的故障诊断中该模型的准确率比TextCNN模型、LSTM模型和BiLSTM模型分别提升了38.99%、22.98%和18.16%，且BERT-LightGBM模型比BERT模型诊断速度提升了0.91%。表明所提方法在实现飞机维修文本故障诊断方面的有效性及优越性。     

多斜率自适应卷积神经网络激活函数

针对卷积神经网络中激活函数无法有效为处于不同激活程度的像素点提供特定梯度响应的问题，设计了一种由多个分段线性函数组成的自适应激活函数.首先依据像素激活值的取值范围，自适应地生成多个独立的激活域，各个激活域的并集包含激活图中全体像素点的激活值；随后在每个激活域中学习一个特定的线性函数，为处于该激活域中的像素点提供特定的梯度响应；最后以NIN网络和ResNet18网络为例，在CIFAR 10和CIFAR 100数据集上，验证所提激活函数的性能.实验结果表明，与现有激活函数相比，本文提出的激活函数，由于能够更好地为处于不同激活程度的像素点提供适当的梯度响应，使分类准确率在NIN网络上分别达到87.96%和69.01%，在ResNet18网络上分别达到88.56%和73.54%.     

航天型号产品特性分类工作基本状况与建议

概述了特性分类的作用 ,介绍了航天型号产品特性分类工作的基本现状 ,分析了存在的问题 ,并结合产品设计过程中特性分类的实际问题提出了做好特性分类的几点建议。     

图样的知识目标分类与例证性分析

根据教育目标分类学的观点分解课程教学目标，再分别对分解的目标进行例证性分析，能更客观地验证教育目标的实效性和教育过程的可行性。本文通过对图样的知识目标分类与例证性分析，为工程图学教育目标检测做一尝试。     

数据采集系统的总体评价

从性能指标出发，综述了数据采集系统总结评价技术的发展状况。并提出了对数据采集系统性能指标的两类分类方法 。     

编制《航天产品分类代码》标准的思路及有关问题探讨

概述了编制《航天产品分类代码》标准的背景,明确了分类编码对象和编制原则,研究了建立分类编码系统的框架思路,探讨了产品分类代码标准的有关问题,并提出了实施标准的建议。     

基于峰值点的目标对准在MSTAR SAR图像分类中的应用

模板匹配的分类方法是合成孔径雷达目标识别的重要方法。研究了MSTAR SAR图像,指出图像中的目标峰值点本质上对应于实际物体的散射中心,并且在一定方位区间中具有稳定性。假设目标存在位置偏移的基础上,提出先利用目标峰值点对准目标,再生成模板和分类的思想。分析了方位区间中基准图像的选取及对准过程对模板生成和目标分类的影响程度。最后研究了同类变形目标间的分类,提出了峰值点特征增强成像、预分类、目标对准和正式分类的四步算法。结果证明,所提算法具有较高的分类精度和效率。     

基于信号分类的时频分布

在将时频分析应用于模式识别的应用中 ,传统的方法是先用时频分析方法表示所获得的信号 ,然后根据时频分布提取相应的特征 ,最后将所提取到的特征输入到分类器进行分类。为了使得时频分布具有好的局部聚焦性和抑制交叉项 ,学者对一些分布进行改进 ,如采用平滑函数 ,或者是采用降低干扰核设计等等。但其目的是获得良好的时频分布 ,其最终目的不是应用于信号分类。介绍了一种基于信号分类的时频分布设计 ,其目的不是获得良好的时频分布 ,而是获得很好的分类效果。     

基于支持向量机的组合分类方法及应用

为了解决采用神经网络、决策树作为弱分类器的AdaBoost组合分类存在的不足,进一步改善组合分类效果,提出采用支持向量机(SVM)作为弱分类器的一种新的组合分类诊断方法——AdaBoost-SVM。该方法没有采用一个固定的SVM的核参数,而是自适应调整SVM中的核参数,从而得到一组有效的SVM弱分类器。通过对基准数据库的测试及航空发动机故障样本的诊断,结果表明,所提AdaBoost-SVM方法较好地解决了现有的Ada-Boost组合分类方法中存在的弱分类器本身参数选取困难问题及训练轮数的合理选取问题,并具有更好的泛化性能,更适合对分散程度较大、聚类性较差的航空发动机故障样本进行分类。