脑力负荷与目标辨认

研究虚拟战斗机驾驶员飞行过程中涉及的监视、计算记忆、攻击和探测4项任务,通过改变工作的快慢节奏来影响脑力负荷,以正确反应率和反应时间来评价和分析被测试者在不同脑力负荷下对目标颜色、形状和位置的辨认情况,为人机界面设计目标编码及确定目标呈现时间提供科学依据;使用脑电图仪测量实验过程中被测试者的生理反应来评价脑力负荷与任务难度的关系.实验结果表明:在需要分配注意力的情况下,人对实验分别选取的3种颜色和形状的辨认不受脑力负荷大小的影响,脑力负荷大小影响人对不同位置的目标辨认;人的目标辨认显著受到目标呈现时间的影响,目标呈现时间越长,反应时间越长;脑电图在一定程度上波的频率和高振幅波能反应脑力负荷大小.     

基于支持向量机回归的电力负荷预测研究

不同于传统的基于经验风险最小化的回归方法,支持向量机回归方法基于结构风险最小化准则.与神经网络相比,该方法在解决学习精度和推广性之间的矛盾方面有明显的优势.本文以城市电力负荷预测为应用背景,对比研究了基于统计学习理论的支持向量机回归方法和神经网络方法.预测结果显示支持向量机可能是一种非常有前景的预测工具,其预测精度明显好于神经网络.     

深空测控通信技术发展趋势分析

为满足21世纪我国深空探测任务的需要，参考国外深空测控通信系统的先进技术，归纳和总结了未来相关技术发展的7个趋势，为我国深空测控通信技术的发展提供一些参考。     

2012年国际空间站科学研究与应用进展

概述2012年国际空间站科学研究的总体态势,介绍技术开发与验证、物理科学、人体研究、教育活动和推广、地球与空间科学及生物学与生物技术等6个领域的主要研究方向,重点分析各领域科学实验开展情况及其新变化,探讨国际空间站科学研究与应用的发展趋向.     

无人机双机编队攻击作战效能评估

针对无人机双机编队任务协同/非协同攻击作战情况,运用概率论及搜索理论,建立了目标搜索、识别、攻击作战的效能评估数学模型,在此数学模型基础上分析了任务协同和非协同条件下的攻击任务成功率及影响因素,结果得出双机协同、非协同在不同作战情况下有着各自的优势。分析结果对实际作战安排做出了指导性原则,对提高无人机集群作战效能具有实际意义。     

基于排列组合熵的转子振动信号故障诊断SVM方法研究

针对发动机转子的多种故障模式,提出了基于排列组合熵的SVM故障诊断方法。利用转子实验台,模拟了转子正常、转子不平衡、转子不对中、动静碰磨和基座松动5种典型振动模式,并使用振动传感器采集多路振动数据。计算振动数据的排列组合熵并将其作为故障特征向量,对特征向量样本集进行多级SVM分类诊断,并运用小波包能量特征提取方法提取信号特征。实例计算与结果对比表明,本文方法的正确率要高于基于小波包能量提取特征的SVM分类诊断方法,在提取转子振动信号的特征向量及在小样本下的故障分类诊断等方面,具有可行性和有效性。     

基于DSPN的航天测控系统任务可靠性仿真建模

提出了基于确定与随机Petri网（deterministic and stochastic Petri nets,DSPN）的航天测控系统（tracking,telemetry and command,TT&C）任务可靠性定量分析方法,旨在对相关航天测控方案进行可靠性预计.通过对TT&C系统任务剖面进行时序弧段划分,考虑实际系统中测控单元阶段依赖、单元故障可修以及各单元参与任务起止时间不同等其他建模方法难以处理的复杂因素,建立了“单元层-系统逻辑层-阶段层”3层相互关联的TT&C系统任务可靠性DSPN模型.通过对模型仿真运行,实现了对给定测控方案下TT&C系统任务可靠性定量化评估.分析表明:仿真结果随着仿真次数增加逐渐收敛,与Markov解析方法求得的精确值对比误差控制在1%以内.      

基于支持向量机的航空发动机性能衰退指标预测

针对航空发动机性能衰退状态的趋势预测问题,基于非线性支持向量机回归建立了发动机性能衰退指标的预测模型,给出了反映其性能衰退的综合指标。利用该模型对发动机的性能衰退指标进行了预测分析,并与神经网络模型预测结果进行了比较。结果表明:支持向量机回归预测模型能更准确地对发动机的未来状况进行预测。     

基于FSVM改进隶属度的发动机振动性能分析

为了更有效地掌握航空发动机振动性能的影响因素,提出了改进FSVM信息熵的融合定量分析方法.首先,对模糊支持向量机(FSVM)的模糊隶属度函数进行改进,建立多类模糊隶属度计算模型.再将该方法应用到航空发动机整机振动性能评估,计算出振动故障模式与故障原因之间的权值,建立了一个多参数的发动机振动性能分析模型;并对各类振动原因对发动机整体性能的影响进行定量分析,为发动机的振动抑制提供量化参考指标.最后,通过与实际经验作比较,验证了该方法是可行和有效的.     

基于PSO-SVM的民航发动机送修等级决策研究

为降低航空公司维修成本,增强送修等级决策科学性,保障飞行安全,提出基于PSO-SVM的民航发动机送修等级决策算法.首先利用改进的粒子群优化(Particle Swarm Optimization,PSO)算法对支持向量机(Support Vector Machine,SVM)参数进行寻优,并提出将交叉验证(Cross Validation,CV)的平均分类精度作为PSO的适应度值.对某型发动机送修等级的真实数据进行了决策对比研究,研究数据表明:与传统的Grid和GA算法相比,PSO的参数寻优效果要更优;在小样本分类时,PSO-SVM的分类精度要远高于常用的神经网络分类模型径向基函数(Radial Basis Function,RBF)模型和学习向量量化(Learning Vector Quantization)模型.