构造单样预测区间的基于观测值的条件方法

基于Ⅱ型截尾样本的观测值,提出了一种新的构造样本未来观测值与样本未来观测值落入时间区间(yr,t]内的个数(未来失效数)的单样预测区间的条件方法。     

宇宙的未来

宇宙与一间房子、一个场地、一台机器一样,不可逆转地在衰败。虽然房子、场地和机器可以整修翻新,但这要消耗其它许多东西,使更多的东西衰败。宇宙也一样,虽然不断     

广义预测自适应控制器在导弹控制系统设计中应用

将一种新的广义预测自适应控制算法应用于快速时变的导弹控制系统设计中。讨论了设计参数对控制系统性能的影响;针对自适应控制信号过大,提出了改进方案,增强了系统的鲁棒性和抗干扰能力。大量的数字仿真结果表明:运用该方案设计的导弹控制系统具有很好的跟踪性能和强的抗干扰能力;对系统阶次、参数、时延和采样周期的变化具有很强的鲁棒性;自适应算法中,对验前知识要求少,实现起来也比较简单。     

射流管式伺服阀冲蚀磨损特性

射流管式伺服阀是一种典型的两级流量控制电液伺服阀,其喷嘴至接收器部位的流场最复杂,会因液压介质的污染而产生冲蚀磨损。以射流管式伺服阀为研究对象,将计算流体力学(CFD)理论与冲蚀磨损理论相结合,应用雷诺平均Navier-Stokes方程、标准k-ε两方程模型(液相)、离散相模型(DPM)(固相)和塑性材料冲蚀磨损模型,通过流体动力学软件FLUENT建立射流管式伺服阀喷嘴至接收器部位的可视化仿真模型,并进行了冲蚀磨损率的数值模拟和理论寿命的计算。研究结果表明:液压介质中的固体颗粒对射流管式伺服阀的冲蚀磨损主要集中于左右接收孔所夹中间内壁区域,磨损率最大值随喷嘴偏移量的增加而减小且此趋势左右对称。研究方法和结果对于射流管式伺服阀故障的定性分析、预测和理论寿命的定量计算具有重要参考价值。     

NPF算法在X射线脉冲星导航中的应用研究

针对X射线脉冲星导航中航天器模型的强非线性、高阶模型不确定性等问题,提出应用非线性预测滤波(NPF)算法实时估计航天器的轨道信息。首先,建立具有模型不确定性的X射线脉冲星导航定轨指标函数,优化得到满足指标函数最小的系统模型误差值,通过降低模型不确定性的影响来提高航天器自主定轨精度。对STK生成的“火星探路者”和“金星快车”及“北斗一号”三种航天器轨道数据进行分析,仿真结果表明,该算法比EKF算法具有更高的定轨精度,能够满足深空以及近地轨道航天器的自主定轨精度指标要求。     

发动机故障诊断主因子模型的测量参数选择

研究了航空发动机气路故障诊断的测量参数选择的问题.基于发动机故障诊断的主因子模型,结合预测平方残差和(prediction error sum of squares,简称PRESS)准则,建立了一种选择风扇流量、风扇出口压力、压气机出口压力、压气机出口温度、涡轮后温度和燃油流量这6个测量参数进行单轴涡扇发动机故障诊断的方法.大量的实例表明,合理运用该方法选择测量参数的种类和数量,既能取得比较满意的诊断效果,又能利用发动机控制系统已有的测量参数,降低诊断成本,具有一定的工程应用价值.      

基于静态发动机噪声测试数据的飞行噪声预测技术

为了节省噪声审定成本,在原型机噪声—功率—距离数据库的基础上,根据原型机和衍生型飞机静态发动机的噪声测试数据来预测飞机飞行中的噪声。     

一种SAR原始数据压缩新算法

 由于合成孔径雷达（SAR）原始数据的相关性很低,直接压缩原始数据是比较困难的。因此提出一种新算法,先对SAR原始数据做距离聚焦处理,使其在方位向具有较强的相关性,再沿方位向做线性预测,并对预测差值系列做块自适应量化。实验表明,在相同比特率条件下,该算法得到的数据域信噪比和图像域信噪比均比块自适应量化(BAQ)算法高,计算量远小于有关文献给出的距离聚焦后的压缩方法,具有一定实用价值。     

连续分布的Bayes双样预测的通用公式

针对一般的连续分布,给出了Bayes双样预测所需的大小为N的未来样本的第j个（j=1,2,,N）顺序统计量的条件概率密度函数、条件可靠度、条件均值的通用公式,并将之应用于最常见的连续分布。     

基于UKDE和XGBoost的航班过站时间动态预测

为了提高机场运行高峰时航班过站时间预测的精度及可靠性,研究了一种结合无偏核密度估计（Unbiased kernel density estimation, UKDE）和极端梯度提升决策树（Extreme gradient boosting, XGBoost）模型的航班过站时间动态预测方法。首先,考虑模型输入变量航班密度的连续性和不确定性变化,利用UKDE法估计机场航班密度,将其作为动态指标输入模型。其次,引入量子粒子群（Quantum particle swarm optimization, QPSO）法优化XGBoost模型。最后,考虑前序航班延误发生前后输入特征的变化,利用初始预测结果对航班密度进行修正,得到二阶段预测结果。研究结果表明：本文方法在高峰时段的预测平均绝对误差为7.365 min,效果优于随机森林（Random forest, RF）、粒子群（Particle swarm optimization, PSO）-XGBoost和XGBoost,修正后的预测结果平均绝对误差减少了3.373 min;模型输入参数按敏感性程度由高到低依次为航班密度、前序航班提前到港时间和延误...