基于时空轨迹信息的目标行为模式在线分类方法

在预警监视领域，及时地预测目标行为模式对于态势认知至关重要。首先，针对当前大多数目标行为分类器实时性不强、对离群轨迹不敏感等问题，提出了带有离群检测的归纳式一致性多类预测器（ICMP）。其次，针对目标行为分类算法仅考虑目标的空间位置信息，而忽略航向和速度信息的问题，基于轨迹的时间和空间2个维度的信息提出了时空Hausdorff距离（STHD），从而可以有效区分空间位置相似但运动速度和方向不同的行为。然后，基于定向时空Hausdorff距离和K最近邻思想构造了定向时空Hausdorff最近邻不一致性度量函数（DSHNN-NCM）；在此基础上，提出了带有离群检测的序贯时空Hausdorff最近邻归纳式一致性多类预测器（SSHNN-ICMP），能够在预警监视场景下对目标频繁出现的行为进行在线学习和分类。最后，分别在仿真军事场景和真实民用场景中进行实验分析，结果表明本文算法具备较好的准确性和实时性，在预警监视任务中有良好的应用前景。     

成功转型靠质量

9月7日,世界主要飞机制造商波音公司在北京发布其2011中国市场展望。今年的展望较之去年的更为乐观。根据波音的预测,在直至2030年的未来20年内,中国将需要5000架新飞机,价值6000亿美元。中国航空市场在未来20年将呈现长期强劲增长,客运量(RPK)将以年均7.6%的速度增长,货运量年均     

基于雷达航迹的航空器质量估算

为保障基于轨迹运行的顺利实施,必须提高四维航迹预测的精度,而四维航迹的精准预测依赖于航空器质量准确估算。鉴于此,构建并分析了航空器能量模型;基于雷达航迹与航空器基础资料( BADA),提出了新型的航空器质量估算方法与步骤;利用最小二乘算法求解了航空器质量的估计值;分别基于预测航迹、雷达轨迹与QAR数据,采用相对误差作为评价指标,实施验证与分析。验证结果表明,提出的方法可将航空器质量估算误差控制在5%以内,从而能够有效地提高航迹预测精度。     

空天报国 务实进取--走进北航航空宇航先进焊接技术科研团队

北京航空航天大学航空宇航先进焊接技术科研团队始建于1955年。经过多年建设发展,在航空宇航先进焊接材料、工艺、装备、自动化以及焊接结构完整性及断裂控制等方面形成了鲜明的研究特色与技术优势。团队目前由近30名固定教学科研人员组成,以立德树人为根本,秉承"空天报国、务实进取"的工作作风,取得的系列科研创新成果为我国航空航天若干重点型号产品的研制生产提供了有力支撑和技术保障,同时承担机械工程相关专业热制造课程群的教学与改革研究,多年来培养了大批高水平人才。     

基于灰色神经网络的APU维修成本预测研究

对APU的维修工作进行分析,提出APU维修成本的结构组成,利用APU在翼性能参数与维修成本的映射关系确定预测参数,在传统灰色预测方法的基础上融合BP神经网络,构建了基于灰色神经网络的APU维修成本预测模型。以某航空公司APS3200型APU维修数据为样本,运用MATLAB对影响参数进行关联分析,并对所建立的模型进行拟合和验证分析。该模型具有样本少、训练快、预测精度高等特点,实现了对APU维修成本的准确预测,可为航空公司年度APU维修预算制定、维修合同谈判、经济性拆发等提供决策支持。     

基于GARCH族优选模型的舰船器材消耗预测

器材消耗量预测是做好技术保障工作的前提和基础,受设备生命周期、任务类型、海洋环境及使用设备人员的技能水平等因素的影响,舰船器材消耗量序列会随着时间的推移而产生波动现象,丛集效应和高峰厚尾特征明显。根据 AIC(A-Information Criterion)准则,对 GARCH(Generalized Autoregressive Conditional Heteroscedasticity)族模型进行比较优选,寻求一种更为合适的预测模型,实现对消耗量的准确预测。     

小样本条件下多应力加速寿命试验预测方法

鉴于导弹中的电子设备价格昂贵、可用于试验的样本量少,在开展加速试验以及寿命预测的实际工作中通常为小样本的背景。文章研究探索小样本条件下多应力加速试验寿命预测方法,分别建立通用对数线性模型、 BAS-BP神经网络模型、灰色–支持向量回归模型,结合多应力加速试验数据在各应力条件下的样本容量分别为 56组、20组、10组、5组的情况下,比较 3种模型的预测效果,分析各模型的适用场合和时机,探索小样本条件下模型的选优问题,为小样本条件下多应力加速试验寿命预测提供有益的借鉴。     

基于多尺度时间卷积网络的航空发动机寿命预测

剩余寿命预测对于航空发动机设备的安全运行、制定维修计划具有重要的意义.目前现有方法无法有效提取设备复杂工况和复杂故障下的退化特征.针对此问题,提出一种基于多尺度时间卷积网络(MTCN)的发动机寿命预测方法.该方法利用时间卷积网络提取数据时序信息,并通过多尺度卷积核的不同感受野提取设备复杂工况下的退化特征,从而更好地预测极端条件下的设备剩余使用寿命(RUL)值.为了验证所提出方法的有效性,在航空发动机C-MAPSS数据集上进行试验.结果表明所提出方法能有效提高设备在复杂工况和复杂故障下的RUL预测精度.