基于主成分分析和支持向量机的作战飞机效能评估

作战飞机效能的评估是防空作战中的重要问题,简述了效能评估的各种方法,建立参数效能模型时,首先要挑选特征参数,用主成分分析方法选择武器的特征参数。利用支持向量机建立了作战飞机的参数效能模型,通过实例与神经网络法的结果进行了比较,结果表明支持向量机比较精确和简单。     

多机仿真系统中若干问题的解决方案

提出了多机仿真系统中需要解决的几个问题;在流程控制、台位之间时间同步、多机通信、调试联网程序方面给出了行之有效的解决方案。这些方案在实际应用中都取得了很好的效果,其中多机仿真系统流程控制和时间同步的解决方案可以直接用于同类系统的开发,搭建调试模块的思想对于调试复杂系统具有指导意义。     

树形结构SVMs多类分类的研究

介绍了SVM方法原理,为了将SVM在解决两类分类问题中的优越性推广至解决多类分类问题,分析构建树方法与SVM结合运用来提高SVM在进行多类分类时的训练效率的方法, 然后构造文本自动分类,实验说明该方法有较高的训练效率,并且所需的训练样本量大大降低。     

涡轴-涡扇变循环发动机方案及性能匹配设计研究

针对旋转机翼式垂直起降高速巡航飞行器,提出了一种新概念结构形式的涡轴-涡扇变循环（TSFVCE）发动机,能够分别在涡轴和涡扇两种模态工作。首先对涡轴-涡扇变循环发动机的结构及工作模式进行了介绍,并建立基于变比热的部件级性能仿真模型;然后通过循环分析,确定发动机第二涵道比为3,Flade外涵风扇压比为1.98,第一涵道比为0.11,完成发动机设计点性能方案设计;最后分析了核心机驱动风扇（CDFS）可调机构对发动机性能影响机理,得出CDFS放气阀对发动机涡扇模态下的推力与涡轴模态下的功率影响较大,对涡扇模态的推力影响最大为61.5%,对涡轴模态的功率影响最大为33.3%,可利用此特性实现发动机在涡扇和涡轴模态下推力和功率输出的匹配。     

高精度在轨实时轨道机动决策

为保证在轨机动实时性和高精度的要求,提出了一种基于机器学习的在轨实时机动决策方法。通过优化算法离线获得摄动下的精确解,减去二体解得到速度增量差,将其投影到轨道坐标系获得速度增量摄动修正项,以此作为神经网络输出,设计网络参数并训练得到摄动修正网络、组合应用摄动修正网络和二体解实现高精度的在轨实时轨道机动决策。仿真结果表明:卫星按照该决策机动完成后的终端位置偏差与按照优化算法给出的决策机动完成后终端位置偏差精度一致,且前者决策耗时仅为后者决策耗时的0.01%左右。所提轨道机动决策方法兼顾了精度与实时性,适用于星上决策。      

基于EMD和SVM的机载燃油泵故障诊断研究

针对机载燃油泵故障数据来源较少、诊断效率较低、维护费用较高、缺乏有效故障特征的问题,利用机载燃油转输系统实验平台收集的振动信号和压力信号,提出了一种基于经验模态分解(EMD)和支持向量机(SVM)的机载燃油泵故障诊断方法。首先,利用EMD提取振动信号不同频段的能量值作为特征参量,并结合压力信号均值构造故障特征向量;其次,分别采用遗传算法(GA)、粒子群优化算法(PSO)、樽海鞘群算法(SSA)、网格搜索算法(GS)对SVM的惩罚参数和径向基函数(RBF)参数进行优化,并对优化后的SVM诊断性能进行了评估;最后,分别采用SVM、极限学习机(ELM)、BP神经网络作为分类器,并对3种分类器的诊断性能进行了评估。结果表明:采用3种群智能优化算法的SVM故障诊断率均能达到100%,寻优过程中均未陷入局部最优解,且寻优时间相当,其中GA的训练时间最短,可以采用GA对SVM参数进行寻优;当采用GA_SVM作为故障分类器时,用时较短,且故障诊断率较高,可以选用GA_SVM分类模型实现机载燃油泵的高效故障诊断。      

某飞机零批试制加工增重分析

本文根据某飞机生产试制中首批3架飞机空机理论重量和实际重量分别按零件分类和所属专业的统计比较,提出了控制飞机加工增重的重点部件(或专业)和主要零件,对造成加工增重的原因进行了探讨。     

DFBW飞机人-机闭环纵向着陆特性研究

本文根据试飞员的飞行体会和一组试飞曲线,提出驾驶员参数随着着陆过程变化的频率域模型,建立装有DFBW飞机的人-机闭环系统数学模型,编制非线性全量时域仿真程序,对纵向着陆过程动态作了全面的定量分析,其结果与装有MCS飞机的试飞情况吻合,验证了本文建模、程序可信度和精度,从而得出某DFBW飞机着陆特性是可被驾驶员接受的一些有益结论。     

一种基于间接健康因子的锂离子电池剩余使用寿命预测方法

针对锂离子电池实际运行过程中容量数据无法在线获取,退化特征存在局部再生现象,剩余使用寿命（RUL）无法通过单一模型准确预测的问题,提出一种基于间接健康因子（HI）的锂离子电池RUL预测方法。首先根据在线数据构建并筛选最优的HI,然后建立基于遗传算法优化的极限学习机（GA-ELM）关系模型,再通过变分模态分解（VMD）解耦间接HI各分量,并通过相关向量机（RVM）进行趋势跟踪与预测,最后将预测结果输入到GA-ELM关系模型中得到电池容量预测值。与NASA PCoE数据集的验证对比表明,文章所用方法在趋势预测和RUL预测结果上均优于其他对比方法,可以实现锂离子电池RUL的准确预测。     

基于统计特征空间提取和支持向量机的极暗弱小天体检测方法

小天体检测是小天体防御和预警的前提。针对小天体目标信噪比低、检测难的问题,提出了基于统计特征空间提取和支持向量机（SVM）的极暗弱小天体检测方法。区别于传统方法基于时间或空间上目标的能量和背景噪声能量的瞬时能量差别或是瞬时能量差别的累积,对目标进行检测。该方法不依赖目标能量大小,提取运动目标穿过背景时对稳定性产生的扰动来反演运动目标。将输入的图像序列转化为单像元时序信号,划分时序窗口提取统计特征,关联形成统计特征空间,利用更高维度的变化特性检测目标变化。通过SVM将暗弱小天体检测问题转化为目标与背景的二分类问题,避开了较难解决的阈值分割问题同时具有更好的泛化性能。利用真实数据与其他经典方法进行对比分析,使得分类准确率提高4.02%。该方法能够适应更低的信噪比,在极低信噪比下仍表现出稳定的检测性能。