基于光电开关法的雷达零位记忆装置设计

零位记忆装置是船载雷达用来检验雷达角度零位是否发生变化,为重新确定编码器零位提供依据的装置。针对目前零位记忆装置结构设计和人工读数带来误差较大的现象,提出了一种基于光电开关法的零位记忆装置设计方案,通过软件自适应处理,不仅提高了精度,减小了误差,而且能够自动监测零位记忆装置变化。     

一座城市的双甲子——青岛

一个甲子是60年,双甲子就是2个60年,即120年。青岛自1891年建制至今已有120年历史。曾经,这里承载着历史的重量,而今,她的美是否变了模样?宜居之城"面朝大海,春暖花开"。海子的这句形容对于青岛应该算是再贴切不过了。在许多人心目中,青岛是中国最美丽、最浪漫的地方。有海的城市,在"宜居"二字面前,总是容易讨人喜的。尤其像青岛这样有着绵长旖旎海岸线,有     

基于长短期记忆神经网络的太阳耀斑短期预报

提出了一个基于长短期记忆神经网络的耀斑预报模型,利用过去24 h太阳活动区的磁场变化时序构建样本,通过长短期记忆神经网络对磁场特征时序演化进行分析,预报未来48 h内是否发生≥M级别耀斑事件。使用的数据集为2010年5月到2017年5月所有活动区样本,选取了SDO/HMI SHARP的10个磁场特征参量。在建模过程中通过XGBoost方法选取权重、增益率和覆盖率均较高的6个特征参量作为输入参数。通过测试对比,模型的虚报率和准确率与传统机器学习模型相近,报准率和临界成功指数分别为0.7483和0.7402,优于传统机器学习模型。模型总体效果优于传统机器学习模型。      

基于因果卷积与LSTM网络的电离层总电子含量预报

电离层总电子含量（TEC）不仅是分析电离层形态的关键参数之一,同时为导航及定位等空间应用系统消除电离层附加时延提供重要支撑。由于电离层TEC的时空变化特征,本文融合因果卷积和长短时记忆网络,以太阳活动指数F_10.7、地磁活动指数Dst和电离层TEC历史数据作为特征输入,构建深度学习模型,实现提前24 h预报电离层TEC。进一步利用2005－2013年连续9年的CODE TEC数据,全面评估了模型在北京站（40°N,115°E）、武汉站（30.53°N,114.36°E）和海口站（20.02°N,110.38°E）的预报性能。结果显示不同太阳活动条件下三个站的TEC值与真实测量值的相关系数都大于0.87,均方根误差大都集中在0～1 TECU以内,且模型预报精度与纬度、太阳、地磁活动程度、季节变化相关。与仅由长短时记忆网络构成的预报模型相比,本实验模型均方根误差降低了15%,为电离层TEC预报模型的实际应用提供了参考。      

西藏 梦境中的旅行

在许多人的心目中,西藏是个遥远的梦幻,而拉萨更是圣化之地。9月,青藏高原比其它地方更早地进入五彩缤纷的秋天,我们终于有机会来到这片向往已久的雪域圣地。虽是走马观花,但却印象深刻,尤其是高原阳光铺张出来的那种浓墨重彩的灿烂,铭刻于记忆深处怎么也挥不去。     

梦在水乡

沿着海河的流向,寻着梦境。河岸的钓鱼人梦在水里,站成亮丽的风景。水乡的晨韵彰显在烟柳小径来来往往的人中,石榴花以火炬般的热情接纳每个来客。渲染着春意的老柳树以自己的个性挻立于天地间,长长的柳槾,挂满儿时的记忆,挥手,挥手,你的笑,我的欢。太阳破雾而出,挂在心空,温暖日子。油菜花辉煌在前方,感招着我们,敞开心扉,放声而歌。你搀扶着我,我拥着你,去找我们的光点。     

基于深度长短期记忆网络的发动机叶片剩余寿命预测

为了研究航空发动机转子叶片的剩余寿命预测问题,提出了一种基于多传感器信号融合的深度长短期记忆网络(DLSTM)预测模型。首先利用深度学习和长短期记忆的组合来构造DLSTM网络。然后,将多个传感器信号数据进行融合处理,从而通过深度学习发现各个传感器时序信号之间隐藏的长期依赖关系。进一步在给定网格搜索策略的情况下,通过自适应矩估计算法调整DLSTM的网络结构和参数,并且在DLSTM模型中引入了一种随机丢失策略,以缓解过度拟合问题并使预测模型规范化。最后利用CMAPSS涡扇发动机进行了实验验证,在一种故障模式和两种故障模式条件下,DLSTM网络预测模型相对于其他传统方法的评价指标Score分别下降了17.19%和14.37%,其他两个评价指标相对来说也较优,结果表明本文提出的方法具有更高的准确性以及稳定性。     

基于融合神经网络的航空发动机剩余寿命预测

航空发动机的性能退化是影响飞机飞行安全的重要因素。准确预测发动机的退化过程,对于飞机安全飞行具有重要意义。针对航空发动机剩余寿命预测问题,本文提出了一种将卷积神经网络和长短期记忆网络相融合的数据驱动模型。与常规使用单一的神经网络不同,所提出的融合模型结合了两种神经网络的优点,利用卷积神经网络提取数据中的空间特征并采用长短期记忆网络提取时间特征。实验结果证实,在寿命预测中,所提出的数据驱动模型与已有的方法相比,评分和均方根误差分别下降了32%和6.4%,因此,所提出的数据驱动模型可对数据中所包含的信息进行充分挖掘,其对航空发动机寿命预测精度较高,并具有良好的稳定性。     

面向问题的稀疏分布式记忆模型

在Kanerva所提出的稀疏分布式记忆(SDM)或存贮模型的基础上,为实现对特定类问题的大维数输入空间的模式识别,如汉字识别,脸谱辩认等,根据问题的具体情况,诸如汉字的频率分布等,提出了一个面向问题的稀疏分布式记忆模型。改进后的模型更符合实际应用,其中的学习规则采用了指数型记忆规则,使模型具有更高的信噪比,存贮容量亦大大提高。计算机模拟表明了这一点。     

基于CNN和LSTM的航天用涂层型自润滑关节轴承寿命预测及可靠性评估

为探索适用于涂层型自润滑关节轴承的寿命预测和可靠性评估方法,提出一种基于卷积神经网络（CNN）和长短期记忆（LSTM）神经网络的轴承剩余寿命预测模型。首先利用CNN对关节轴承的摩擦扭矩信号进行失效特征提取,然后将通过主成分分析（PCA）和滤波处理后的扭矩信号输入LSTM神经网络中进行训练,得到涂层型自润滑关节轴承寿命预测模型,可实现对轴承剩余寿命的准确预测。最后,基于加速寿命试验数据,采用两参数Weibull分布模型对涂层型自润滑关节轴承的服役可靠性进行评估,结果表明涂层型自润滑关节轴承在轻载低频工况下能够维持在高可靠性水平（90%）下进行长时间稳定服役。