卫星导航的地位与作用

一、卫星导航系统是国家和军队安全的核心基础设施 1.IT网络心跳信号由卫星导航信号提供 当今社会已由工业化时代进入信息时代,互联网进入社会及人们的生活.     

基于滑坡区域颜色特征模型的SVM遥感检测

滑坡区域遥感检测与识别在灾情提取、救援决策和防灾减灾等方面都有着巨大的应用前景。针对滑坡遥感检测中目标颜色特征化模型不准确,对滑坡区域检测识别效果不够理想等问题,提出一种基于滑坡区域颜色特征模型的支持向量机(supportvectormachine,SVM)遥感检测方法。根据光谱学和色度学的基本理论,建立滑坡区域红绿蓝特征获取方法,以多光谱图像为基础,通过典型样本分析,确立目标/背景颜色特征化数字模型和有效边界。将该模型生成训练样本用于滑坡区域SVM检测模型训练,再将训练好的分类器用于滑坡区域的检测识别,在此基础上根据滑坡基础形状模型的轴向长宽比、面积参数和不变矩等典型形状特征指标对滑坡区域进行目标精确分类与识别。利用九寨沟地震后获取多光谱遥感图像进行了滑坡区域检测识别效果对比试验,试验结果表明,该方法能有效识别遥感图像中的滑坡样本点,对滑坡区域的识别精度由传统方法的90%左右提高到97.03%。     

基于试验的飞机结构疲劳优化设计研究

针对飞机全尺寸疲劳试验中结构局部出现裂纹的问题,以美国联邦航空局(FAA)咨询通报AC 23-13A中提供的指导性方法为基础,基于全尺寸试验的1g应力测量结果,对有限元分析模型进行验证,并对飞机结构薄弱部位进行疲劳优化设计研究。研究结果表明,基于试验,通过优化框缘结构尺寸,降低结构的附加弯曲应力和应力集中系数,提高了结构疲劳寿命,对飞机结构设计以及疲劳评定有直接参考价值。     

民用航空发动机运行支持体系架构设计

民用航空发动机运行支持体系是当前民用航空运输市场的准入条件,也是适航法规规定的强制要求。为构建中国民用航空发动机运行支持体系,通过剖析中国民用航空发动机运行支持体系建设所面临的问题与挑战和对国际主流标杆企业的案例,采用系统工程和流程建模的方法进行中国民用航空发动机运行支持体系总体架构设计。民用航空发动机运行支持体系包括流程架构、标准架构、信息化架构、技术研究架构等核心要素;其核心业务由客户支援、工程技术、技术出版物、航材支援、培训与大修/维修6个模块组成;系统工程方法可将运行支持体系与设计、制造保证体系有效地结合。     

基于支持向量机的航空发动机滑油监控分析

分析支持向量机用于时间序列预测的理论基础,针对某型发动机滑油金属含量的预测分别采用传统的AR模型和基于现代统计理论下的支持向量回归模型对滑油时间序列进行预测建模     

基于支持向量机改进SMO算法的直升机旋翼自转着陆过程建模

 为了建立高精度的直升机仿真模型,把支持向量机(SVM)引入到直升机智能化建模领域,建立了直升机自转着陆过程的旋翼转速模型。根据凸二次优化问题在对偶间隙为零时取得最优解的性质,对序列最小优化算法的停机准则进行改进,并用于所建模型的训练。仿真结果表明：与神经网络模型比较,这种SVM模型具有结构简单、运算速度快和泛化能力强等优点。     

航空运输业与国民经济关联性研究

讨论了航空运输业与国民经济之间的关联性。根据投入产出法建立了衡量航空运输业与国民经济之间关联性的相关模型,在2002年中国投入产出表的基础上,通过计算和比较航空运输业和其他重要产业部门的直接消耗系数、完全消耗系数、直接分配系数、影响力系数和感应度系数,得出了航空运输业在国民经济各部门中的相对位置,以及对其他产业部门的影响力和制约度。     

基于K-均值聚类和约简最小二乘支持向量回归机的推力估计器设计

提出了一种基K-均值聚类和约简最小二乘支持向量回归机的推力估计器设计方法.首先用K-均值聚类法将全包线范围内的数据进行聚类,然后在每一个类当中,用迭代约简最小二乘支持向量回归机设计一个子推力估计器.在用迭代约简最小二乘支持向量回归机设计子推力估计器的过程中,为了使计算数值更稳定,用Cholesky分解代替原来的迭代方法.最后仿真实验表明,此推力估计器能满足直接推力控制的需要,并和其它的方案比较起来,该方案存在一定的优势.      

嵌入维数自适应最小二乘支持向量机状态时间序列预测方法

针对航空发动机状态时间序列预测中嵌入维数难于有效选取的问题,提出一种基于嵌入维数自适应最小二乘支持向量机(LSSVM)的预测方法.该方法将嵌入维数作为影响状态时间序列预测精度的重要参数,以交叉验证误差为评价准则,利用粒子群优化(PSO)进化搜索LSSVM预测模型的最优超参数与嵌入维数,同时通过矩阵变换原理提高交叉验证过程的计算效率,并最终建立优化后的LSSVM预测模型.航空发动机排气温度(EGT)预测实例表明,该方法可自适应选取适用于状态时间序列预测的最优嵌入维数且预测精度高,适用于航空发动机状态时间序列预测.     

支持向量机用于液体火箭发动机的故障诊断

支持向量机（Support Vector Machine,简称SVM）是一种基于机器学习的模式分类算法,其在解决小样本、非线性及高维模式识别等问题中都表现出许多特有的优势。用SVM对液体火箭发动机的故障数据进行检测和诊断。通过对发动机仿真模型的9种故障数据的学习,能检测出18组故障数据中的17组,但有4组出现误报,对误报故障进行二次学习和再检测,能对这4种故障正确检测。经过对C75试车4种故障数据的学习,能正确检测其故障类型,进一步验证了该方法的正确性和可行性。