基于知识管理的航空发动机设计知识分类与获取

现代航空发动机设计是基于知识的设计,知识分类与获取是航空发动机设计知识管理的起点,也是难点.实施知识获取技术能够使得设计知识有效积累,推动设计知识管理实施,从而真正实现基于知识的设计,提高航空发动机设计水平.分析了航空发动机设计过程、航空发动机结构,提出了航空发动机设计知识分类方法、知识获取策略与获取方法,进一步探讨了...     

基于模糊层次分析法的产品特性分类模型

产品特性分类是武器装备研制过程中的一项重要工作。现有的产品特性分类方法主要是在可靠性预计、故障模式及影响分析的基础上进行,无法全面衡量产品寿命周期中的安全性、维修性、保障性因素。文章分析了当前产品特性分类准则,提出基于模糊层次分析法的分类模型,该模型能够给出产品针对特性分类准则的优劣排序,用以辅助设计人员进行特性分类工作。最后通过实例验证了模型的实用性。     

离心式分级机分级理论与分级效能研究

介绍了离心式分级机的工作原理，分析了离心式分级机的流场特性，重点研究了速度特性和压力特性的分布规律，对离心机的分级效能以及改进方案进行了探讨，论述了细粉出口附加二次引风以及二相流入口速度对提高分级效率的的影响。     

基于层次分析法的直扩信号安全性能评估模型

在综合直扩信号风险分析、截获方法的基础上，率先对直扩信号安全性能评估模型进行了研究，建立了基于AHP（AnalyticHierarchyProcess，层次分析法）的直扩信号安全性能评估模型，详细给出了直扩信号安全指数的计算过程，并对多种直扩信号的安全指数进行了仿真。仿真结果袁明：评估方法有效；提出的模型可以定量评价不同直扩信号的安全性能，为直扩信号的安全性设计提供定量的依据。此外，还提出了卫星测控直扩信号的安全等级分类原则和卫星安全等级要求。     

基于相控阵超声的铝合金熔焊缝缺陷深度定位技术研究

传统的射线照相检测技术仍是铝合金熔焊缝缺陷的主要检测方式,由于传统射线照相检测无法测量缺陷在焊缝高度方向上的尺寸和位置,在缺陷的定位和排除方面存在不足,从而加大缺陷排除的工作量,甚至由于缺陷排除方向错误造成焊缝挖穿,影响补焊质量.相控阵超声检测技术通过接收缺陷回波来实现缺陷检测,可以反映缺陷的尺寸和位置信息.本文采用Omni Scan MX相控阵超声检测仪和5L64-A2相控阵探头针对对比试块、铝合金熔焊缝缺陷进行了定位技术研究,并与缺陷微观测量、宏观测量的结果进行对比,结果表明基于相控阵超声检测的铝合金熔焊缝缺陷深度定位检测结果与微观检测结果基本一致,可以采用相控阵超声检测技术进行铝合金熔焊缝缺陷深度定位.     

波音737系列飞机结构修理类型分类方法

根据FAA颁发的AASR的要求,2010年12月20日以后,波音737-系列飞机的维护计划中需包含损伤容限的基本检查要求。波音依据AASR的要求对需要进行损伤容限分析的结构修理的批准实施了新的方法。新方法的实施,导致波音对结构修理类型分类法方法和批准方式的改变。     

基于主分量分析的多维时间序列特征选择方法研究

研究了多维时间序列的特征选择问题。首先,讨论了主分量分析的原理;然后,将提出的斜率趋势算法和核函数分类算法应用于多维时间序列的特征选择过程中,并探讨了两类方法的优缺点;最后,采用两种算法对目标距离像多维时间序列进行了仿真实验。实验结果表明了所应用方法的可行性和有效性.     

基于图论分割的多光谱图像非监督分类方法

针对传统基于像素的多光谱遥感图像分类方法存在的"麻点"现象、采样成本高等问题,提出了一种基于图论分割的非监督分类方法,首先采用基于图论的分割算法,按局部邻近相似像素点分割成若干子区域,再以分割后子区域为基本单元,整体进行模糊 C均值聚类,最终实现对多光谱图像的非监督分类.实验证明,该方法结合了局部邻近像素点的相互关系以及相似区域的整体特征,有效解决了麻点问题,具有较高的分类精度和算法效率,降低了采样成本.     

基于支持向量机的无参考遥感图像质量评价方法

针对遥感图像主观评价方法的低效率以及常用客观评价方法无法充分考虑人眼对图像的感知特性的问题,文章提出了一种基于支持向量机的无参考遥感图像质量（quality）评价方法。首先建立遥感图像主观评价库,然后在不需要图像失真信息的基础上,利用支持向量机（SVM）将图像的失真类型分为三类,并对每类进行单项评价,再通过加权得到遥感图像的总评分,最后将本文方法、信噪比与信息熵的评价结果回归到主观评价空间并进行对比。实验证明,文章所提方法能客观地评价遥感图像的质量,且优于信噪比和信息熵两种质量评价方法,其结果与人眼视觉感受相符。     

Assessment of the impact of dimensionality reduction methods on information classes and classifiers for hyperspectral image classification by multiple classifier system

Identification of the appropriate combination of classifier and dimensionality reduction method has been a recurring task for various hyperspectral image classification scenarios. Image classification by multiple classifier system has been evolving as a promising method for enhancing accuracy and reliability of image classification. Because of the diversity in generalization capabilities of various dimensionality reduction methods, the classifier optimal to the problem and hence the accuracy of image classification varies considerably. The impact of including multiple dimensionality reduction methods in the MCS architecture for the supervised classification of a hyperspectral image for land cover classification has been assessed in this study. Multi-source airborne hyperspectral images acquired over five different sites covering a range of land cover categories have been classified by a multiple classifier system and compared against the classification results obtained from support vector machines (SVM). The MCS offers acceptable classification results across the images or sites when there are multiple dimensionality reduction methods in addition to different classifiers. Apart from offering acceptable classification results, the MCS indicates about 5% increase in the overall accuracy when compared to the SVM classifier across the hyperspectral images and sites. Results indicate the presence of dimensionality reduction method specific empirical preferences by land cover categories for certain classifiers thereby demanding the design of MCS to support adaptive selection of classifiers and dimensionality reduction methods for hyperspectral image classification.