基于神经网络的飞行科目模板样本集建立方法

为建立某一飞行科目的模板样本集,提出一套基于神经网络和卡尔曼滤波的数据处理方法。任选一次试飞样本,建立Kohonen自组织神经网络进行参数降维、聚类分析、特征提取等,使样本量缩减90%以上,得到该科目的模板样本集。用处理后的样本训练BP神经网络,对其他未经处理的试飞样本进行载荷预测,误差均在3%之内,说明处理后的样本能代表该科目的数据特点,即为模板样本集。方法可以为飞机载荷监控数据库的完善工作服务。     

应急遥感影像信息快速提取方法探讨

针对应急影像信息快速提取需求,采用对应分析方法,实现最优波段组合和监督分类训练样本的快速选择与提纯,提高应急影像分类精度。对应分析方法分别将波段和像元值设为对应分析的变量与样本,建立波段与像元值间的对应关系,判别各类别相关性最强的波段信息,有效解决监督分类样本不纯、波段间信息冗余的问题。试验结果表明,该方法可快速、准确的筛选样本,分类结果稳定、可靠,适用于快速准确地提取应急影像信息。     

基于神经网络和人工势场的协同博弈路径规划

协同博弈路径规划是空战自主决策、机器人体育比赛等应用场景中的重要问题，其难点在于对环境对抗性反馈的实时自适应和多智能体的相互配合。提出一种基于神经网络和人工势场的协同博弈路径规划方法，使用反向传播（BP）神经网络自适应调整人工势场函数系数，并将人工势场作为神经网络输出端的特征提取。为解决真实样本质量和数量不足的问题，基于遗传算法仿真生成样本数据用于神经网络训练，并通过滚动时域的思路面向动态博弈优化样本性能。从样本数据中提炼出距离差与航向差以反映协同和博弈特性，利用神经网络的黑盒特性和学习能力解决协同博弈问题。应用于二对一反隐身超视距空战路径规划，比经典人工势场法有明显性能提升，且计算开销可接受，计算复杂度分析表明该方法可以较好扩展到多机对抗场景。     

预防性检测系统设计

导弹贮存期间经历多次测试维修,检测数据繁杂,只有更好地利用其现场数据才能更合理预测导弹寿命及检测时间。结合装备失效率曲线,提出了4种导弹现场检测数据采集方案,设计了一套预防性检测系统。以方案1的数据进行算例分析,结果验证系统的正确性与实用性。     

每月小抄

[2011年3月24日] [生命]科学家通过对20世纪50年代的一项试验结果进行分析，发现火山爆发和闪电可能促进了地球生命形成。研究人员利用现代技术，对1958年美国生物化学先驱史丹利·米勒教授制成的“原生汤”气体样本进行分析。他们在样本里发现大量氨基酸，这是构成生命的基本成分，     

顾及样本优化选择的机器学习云检测研究

针对云层日变化、云类型、云相态、云光学厚度等特征差异带来的光谱差异,导致传统阈值算法对云识别精度不高的问题,文章提出了一种顾及样本优化选择,耦合物理阈值方法和机器学习的云检测算法模型,利用“葵花8号”卫星（Himawari-8）数据进行日间云检测。通过样本优化选择,使样本中尽可能包括不同情形下的云特征,为机器学习模型提供良好的样本基础,增加模型泛化能力;同时输入特征除了考虑反照率、亮温、亮温差以及天顶角等因素外,还加入了基于反照率和亮温差的物理阈值方法云识别结果;最后基于极限随机树模型进行云检测。结果表明：模型云检测交叉验证精度为96.41%,总漏检率和总虚检率分别为2.08%和0.91%;通过云-气溶胶激光雷达与红外探路者卫星观测（CALIPSO）产品数据进行对比分析,结果显示云检测总体精度为97.1%。     

小样本下基于偏最小二乘回归的航空发动机性能参数预测

排气温度(EGT)是反映民用航空发动机运行状态的重要性能参数之一,本文基于发动机各个性能参数存在相关性研究的基础上,针对小样本、贫信息量、多自变量影响的情况,结合偏最小二乘回归分析,提出了一种小样本条件下考虑发动机众多因素对EGT影响的发动机性能短期预测模型。作为试验验证,文中选取了某民用飞机发动机实际飞行数据对模型进行检验,并与大样本、足信息条件下建立的多元线性回归预测模型进行对比,结果表明该模型在贫信息下也可以达到很高的预测精度,为少数据条件下发动机性能参数短期预测提供了一个有效途径。     

应用快速多分类SVM的航空发动机故障诊断方法

提出了一种新的快速多分类SVM算法,用于解决大样本情况下航空发动机的多类故障诊断问题。首先,选用层次支持向量机(H-SVM)来实现多类分类,用各类数据中心代表该类数据,通过自组织特征映射神经网络(SOFM)进行聚类,把类中心之间距离较近的数据归为同一个子类进行训练,得到H-SVM层次结构。其次,在训练H-SVM中的二元分类器时,应用相对边界向量(RBV)代替全部训练样本,在保持分类精度几乎不变的条件下大幅度减少了训练样本数,使训练时间明显缩短;同时,由于支持向量的数量减小,分类时间也相应缩短。在分类数据混迭较为严重的情况下,新算法先剔除混迭的异类数据,再计算RBV,并且把与计算的RBV距离小于一定数值的样本都选择来训练SVM,保证了RBV的合理性,防止了关键数据的丢失,有效提高了分类精度。针对一个航空涡喷发动机5类复合故障的分类进行了实例仿真,总的故障分类正确率达到91.2%,二元SVM的训练时间最多只有原来的16.20%;当训练样本总数达到7500的大规模情况下,根据本算法,约减后的样本数量只有原来的3.05%。仿真结果表明,提出的算法有效、可靠,容易实现。     

基于BP网络星图识别的样本构造方法

星敏感器是一种高精度的姿态敏感测量系统，如何确定星敏感器上像点在摄影时刻所对应的恒星，即星图识别，是姿态测量的关键。本文根据星图识别问题本身的特点和神经网络技术的特性，提出了基于BP网络星图识别方法的一种可以兼顾性能和效率、利于实现的样本构造方法。     

基于自助法的小样本数据分析方法研究

自助法（Bootstrap）和随机加权法（Bayes Bootstrap）都是较好的处理小样本数据的方法,其无先验性,以及计算过程中只需要实际观测数据的优越性,使其广泛地应用于实际数据处理之中,后者的估计精度要更好些。但对连续情况而言,自助法的计算特性使得重抽样本局限在原始样本范围内,无法渐进于真实情况。文章基于自助法研究了用改进的样本经验分布函数来解决这个问题,并通过仿真算例说明方法的有效性。