一种基于P2P技术的免疫网络入侵检测模型研究

提出一种基于对等网(P2P)技术的免疫网络入侵检测方法,建构了一个P2P免疫网络,定义自体/非自体,实现了免疫学习、疫苗接种等过程.仿真实验表明,该方法能有效提高免疫学习效率,降低免疫计算的FP.     

金属图象分割的研究

结合金属图象的特点,利用传统阚值分割技术和基于最大熵原则的图象分割技术对金属图象分割进行了分析;并根据金属图象分析要求,提出了先二值化金属图象再进行边缘提取的方法.对比实验结果表明,基于最大熵原则的图象分割技术可以获得较好的分割效果,所提出的方法能够获得连续闭合的晶粒边缘,为下一步的金属图象分析提供了可靠的依据.     

基于联邦滤波器的新型故障检测结构及算法

提出了一种基于联邦卡尔曼滤波器的故障检测结构,该结构利用各局部滤波器和参考滤波器共有状态之间的残差进行故障检测.并提出了2种故障检测算法:χ2检验法和Elman神经网络检验法.以组合导航系统为例进行了仿真研究,和其它算法相比该算法计算简单、可靠,不但可以快速检测出外部传感器及参考系统故障,且具有很好的容错性能,能快速检测出故障并进行隔离,使融合后系统依然保持较高精度.     

大型转动机械碰摩故障分析的声发射检测系统

汽轮发电机、空气压缩机等采用油膜支撑的大型转动机械,由于安装或运行中的原因,在转子旋转过程中,可能和器壁发生轻微的摩擦和碰击,简称碰摩.声发射技术在碰摩发生特别是故障早期诊断上有优越性.本系统的特点是没有沿用传统的计数、幅度、能量和持续时间等声发射特性参数,而是在声发射包络信号的频率分析中进行特征提取.声发射发生的过程分析和现场试验都表明这种方法对碰摩检测很敏感,在碰摩发生的起始阶段,包络谱中与转速同步的周期性分量显著增加.根据这种新的设计思想自行研制了BUAA碰摩声发射检测仪并对此作了介绍.     

应用加权中值滤波法检测薄壁梁式挠性器件下摆量

应用加权中值滤波法对薄壁梁式挠性器件下摆量进行高准确度CCD检测。薄壁梁式挠性器件在测量过程中测量图像存在高频抖动现象,因此测量准确度不高,运用加权中值滤波后使用最小二乘法细分技术,可以在实现提高测量准确度的同时,消除高频抖动带来的误差,从而可以有效提高CCD测量薄壁梁式挠性器件下摆量的准确度。实验表明,该方法比传统测量方法准确度提高20倍以上。     

考虑高斯能量分布的复杂表面航天器激光雷达散射特性分析

针对复杂表面航天器在激光雷达照射下散射特性模拟不准的问题,通过表面建模和激光特性修正进行了解决。该方法首先通过高斯能量分布法对激光光束模型进行修正;然后基于有限元的思想,针对航天器复杂表面非光滑、非连续以及多材质等特性,利用改进Z-buffer的消隐算法解决了复杂航天器表面建模问题;最后建立了面向激光雷达的复杂表面航天器激光雷达散射截面的计算方法。仿真分析表明:航天器不同姿态下的激光雷达散射截面精度提升了14.58%,为后续面向激光雷达的隐身设计奠定了基础。     

基于相关与小波变换相结合的弱信号检测

针对强噪声背景中的弱信号检测问题,在传统的相关检测方法的基础上,利用小波良好的去噪性能,提出了相关检测与小波变换相结合的弱信号检测方法。仿真结果表明,该方法优于传统的相关检测方法,无须知道有用信号的先验知识和同步信号便可以有效的检测周期性弱信号,并获得更高的输出信噪比。     

R/S方法求解网络流量自相似参数的实现与应用

基于网络流量具有统计自相似性的理论,通过计算自相似参数Hurst值来检验流量的自相似程度。采用R/S方法对流量数据进行分析,给出了R/S方法详细的实现算法,通过实验的分析与比较,验证了自相似性的存在。自相似性是正常网络流量具备的特征,当流量发生异常时,Hurst值会出现明显的变化,本文将这一变化应用于DDoS攻击检测做了初步的探讨。基于自相似理论的网络流量异常检测技术与传统的基于统计异常技术和数据包特征匹配等方法相比,具有更高的准确性和可靠性。     

难加工材料纵扭超声振动辅助铣削加工研究进展

纵扭复合超声振动辅助铣削（LTUVAM）是在刀具轴向与扭转方向上施加高频微幅振动的一种辅助铣削技术,具有降低切削力与切削热、提高工件表面质量、提高表面残余压应力、减少刀具磨损等诸多优点。本文围绕难加工材料的铣削加工进行了系统综述。在设备制造方面,阐述了纵扭复合超声振动系统的结构设计方法与工作原理;在工艺开发方面,从LTUVAM的切削刃运动轨迹及切削特性入手,分析各类材料的切削加工性能,并总结了LTUVAM的优势及应用。最后,本文对LTUVAM的未来发展趋势进行展望。     

基于深度学习的发动机叶片故障检测技术

为了解决航空发动机叶片故障检测中存在的检测精度欠佳、检测效率不高的问题,提出了一种基于深度学习的目标检测方法。针对小样本数据集检测精度低、模型训练速度慢等问题,对Faster R-CNN目标检测算法进行结构优化,引入Res2Net结构,通过分割串联的策略强化残差模块的卷积学习能力,搭建了细粒级的多尺度残差模型Res2Net-50,以提升模型的特征提取能力。同时,在网络的训练过程中,采用多次余弦退火衰减法对学习率进行调整,以加快模型的训练速度,提升模型的训练质量。针对航空发动机叶片裂纹和缺损2种故障类型进行网络训练与检测试验,试验结果表明：优化后的模型识别准确率提高了0.7%,模型的平均检测精度提高了1.8%,训练时间缩短了5.56%,取得了比较好的检测效果。