排序方式: 共有133条查询结果,搜索用时 187 毫秒
81.
82.
83.
机器学习和数据挖掘任务作为一种解决模糊规划和凸优化问题的实际工程技术,近年来依托互联网、大数据等领域的发展逐渐为人们所熟知.针对现行机器学习软件系统所存在的问题,提出一种三层式的加壳软件模型的建模的的方法,并以此实现了一个轻量化的通用机器学习建模平台. 相似文献
84.
机器学习方法在气动特性建模中的应用 总被引:1,自引:0,他引:1
气动数据建模是飞行性能仿真评估的基础。气动特性建模主要有机理建模方法和“黑箱”建模方法。本文对“黑箱”建模的三类机器学习方法——分类与回归树方法、浅层学习方法和深度学习方法,进行了算法说明与分析应用。将分类与回归树方法、浅层学习方法中的Kriging建模方法、RBF神经网络方法及SVM支持向量机方法分别应用于火箭气动特性建模、三角翼大迎角非定常气动特性建模、气动热试验数据融合,对这几类建模方法的优势和不足进行了比较分析。同时,将流动条件参数组成向量,再映射为图像,与翼型图像构成“合成图像”,建立了基于翼型几何图像、来流马赫数、迎角的翼型气动特性深度神经网络模型,得到了比较好的预测效果,拓展了气动特性深度学习建模方法的使用范围。 相似文献
85.
基于支持向量机的飞行器多余物信号识别 总被引:1,自引:0,他引:1
针对飞行器控制电路在生产制造过程中可能引入金属线头等微小多余物,从而留下短路等安全隐患的问题,提出了一种基于微粒碰撞噪声检测(PIND)的飞行器多余物材质识别方法。首先,利用短时自相关函数提取PIND信号的脉冲部分;然后,提取多种时频域统计特征,并与梅尔频率倒谱系数(MFCC)特征结合起来;最后,训练多分类支持向量机模型实现材质分类。为验证所提方法的有效性,采集了3种不同材质多余物的PIND信号进行模型训练及测试,实验结果表明,所提方法材质识别准确率达98%,优于同类方法的相关结果。 相似文献
86.
87.
针对混凝土类脆性材料高应变率下本构行为,结合ABAQUS有限元仿真与反向传播(Back propagation,BP)人工神经网络技术,对分离式霍普金森压杆(Split Hopkinson pressure bar,SHPB)实验过程中关键波形参数进行仿真和机器学习,建立了混凝土类材料SHPB高应变率下力学性能预测的机器学习模型,极大地提升了复杂脆性材料受冲击状态下变形行为与本构参数之间关联机制的计算效率。利用商业有限元软件ABAQUS的动态分析模块,通过在入射杆自由面设置4种不同的应力波,得到在不同应变率下材料应力-应变曲线,通过对比数值模拟结果和SHPB实验,验证了基于有限元分析的计算结果准确性。以20组ABAQUS仿真结果作为训练样本,其中入射波作为输入层,透射波和反射波作为输出层,建立相应的机器学习预测模型。研究结果表明:基于BP人工神经网络技术的机器学习预测模型具有良好的适用性,可代替量大且耗时的有限元仿真建模、分析及后处理流程,实现了高应变率下混凝土类材料应力-应变曲线形式本构行为的高效准确预测,同时可以预测给定训练样本以外更大应变率范围下材料应力-应变曲线。 相似文献
88.
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。 相似文献
89.
无人机属于机动目标,有时会集群出现,这对传统的目标检测与跟踪技术提出了更高的要求。如何提升目标检测与跟踪算法的性能一直是研究人员密切关注的问题。针对传统目标检测算法在低信噪比下无人机检测性能不佳的问题,提出了一种基于孪生支持向量机的无人机目标检测方法。利用仿真软件对雷达探测到的无人机回波数据进行仿真建模,得到不同信噪比下的回波数据。在此基础上,对回波数据进行预处理形成无人机目标检测数据集,并使用数据集对检测方法进行训练与测试。然后与恒虚警检测算法和基于支持向量机的雷达目标检测算法进行性能对比分析。实验结果表明,该方法不仅能保证传统算法在高信噪比下优越的检测性能,与此同时在低信噪比下也能实现精准目标检测,缓解了传统检测方法在低信噪比时的检测精度下降的问题。 相似文献
90.