系统可靠性预测方法

概述了系统可靠性预测的主要方法，对它们各自的优缺点和适用范围进行了系统的介绍了评论。在此基础上，提出一些新的可靠性预测方法，并对新方法的合理性进行了论证。     

基于双层K近邻算法航站楼短时客流量预测

航站楼离港客流量在短时期内呈现准周期性规律变化,易受航班计划、天气等多种因素影响,表现出复杂的非线性特点。为了实现航站楼短时客流量的准确预测,在传统K近邻（KNN）算法基础上增加了航班计划状态模式匹配方法,以航班计划包含的多维属性作为特征选取相似历史运营日作为预测基准向量,建立基于航站楼短时客流量预测的双层K近邻模型。通过实例分析,与ARIMA模型和传统K近邻模型等进行比较,证明双层K近邻模型预测误差更小,精度更高,模型拟合度相对传统K近邻模型提高了8%~10%,为航站楼短时客流量精确预测提供了一种新的解决思路。      

基于平流层风场预测的浮空器轨迹控制

平流层风场环境对浮空器设计和轨迹控制具有重要影响。针对平流层风场建模,以长沙地区2005—2010年的风场数据为例,首先采用本征正交分解（POD）方法对风场数据进行降阶处理;然后分别采用Fourier级数与BP神经网络算法对平流层风场进行预测,并对2种模型的预测精度进行比较分析;最后通过建立临近空间浮空器的动力学模型和高度调控模型,分析2种风场预测模型对浮空器轨迹控制的影响。研究结果表明,相对于Fourier预测模型,基于BP神经网络预测模型的预测精度更高,可信度更强,能够更好地为浮空器飞行轨迹控制提供参考价值。      

基于降阶模型的翼型结冰冰形预测方法

翼型结冰冰形的数值模拟预测通常比较复杂耗时,为了更加快速准确地预测冰形以减少计算资源消耗,建立了基于本征正交分解（POD）和Kriging模型的冰形快速预测方法。利用CFD数值模拟结果来构建样本空间,以飞行迎角为例详述了降阶模型的冰形预测的实现手段,并结合试验设计方法,完成了多参数的结冰冰形快速预测,同时研究了先进的Blind-Kriging模型的相关方法以及对于预测结果的改进。结果表明,降阶模型预测翼型结冰冰形与CFD数值模拟结果吻合较好,表明降阶模型可以快速、精确地应用于翼型结冰冰形预测。      

基于区间二型模糊终端滑模控制的飞行器姿态控制

针对四旋翼飞行器姿态控制问题,提出区间二型模糊控制与非奇异终端滑模控制结合的算法.首先,采用非奇异终端滑模控制方法,根据滑模控制的强鲁棒性及快速响应特性,令四旋翼飞行器系统实现在有限时间内收敛并对外界干扰具有较强抵抗力;同时,采用区间二型模糊控制,将滑模面作为模糊控制的输入,趋近律作为模糊控制的输出,实现对滑模面增益的动态调节,增强对外界随机扰动的适应能力并提高系统收敛速度、削弱抖振.基于Lyapunov函数证明系统的稳定性.仿真结果显示,本文设计的控制器具有更加平稳的输出,同时对四旋翼姿态角度的跟踪更加迅速、精确.     

几何不确定性区间分析及鲁棒气动优化设计

不确定性因素会导致飞行器偏离预先设计的气动性能,造成气动性能下降甚至产生严重的后果。针对工程中无法给出准确的几何不确定性概率分布以及跨声速条件下非线性气动问题,对几何不确定性的非概率参数化建模进行了研究,并结合Kriging模型及最优化方法建立了快速非线性区间分析方法。采用该方法对对称翼型进行不确定性分析,获得了气动性能参数的定量变化区间。在区间不确定性分析基础上建立了鲁棒优化设计流程。基于区间序关系及区间可能度转换模型将单目标区间不确定性优化问题转化为多目标确定性优化问题,并采用基于Pareto熵的自适应多目标粒子群算法对优化问题进行寻优。考虑几何不确定性以及升力、力矩、面积约束,以阻力性能为目标对超临界翼型进行了鲁棒优化设计。与确定性优化设计结果对比表明,确定性优化设计在不确定性因素的影响下易失效,而鲁棒设计可得到更安全可靠的结果。      

一种基于曼哈顿距离的帧间加权预测算法

合并模式通过共享邻域块的运动矢量（MV）来节省编码运动信息比特数,有效提升了编码器率失真性能。然而,当前合并模式中的运动补偿预测（MCP）不够准确。为此,分析了合并模式中的预测残差分布特点,并提出了一种基于曼哈顿距离的加权预测算法作为合并模式的附加候选项。首先,采用邻域合并候选项的运动矢量进行运动补偿预测得到多个预测块;然后,根据候选块位置与像素点的曼哈顿距离对获得的多个预测块进行加权平均得到附加候选项;最后,通过率失真优化（RDO）从附加候选项和原有候选项中选择出最佳的合并模式。实验结果显示:在联合探索测试模型JEM 7.0平台上,所提算法在不同的编码器配置下均获得了率失真性能的提升,其中低延迟P帧下达到了平均1.34%的比特率节省。      

对数正态分布场合环境因子基于截尾样本的统计分析

本文导出了寿命分布为对数正态分布时基于截尾样本环境因子的点估计和近拟置信限,对所给近似置信区间作了模拟研究。     

基于PCC-LSTM模型的短期负荷预测方法

短期负荷预测是电网合理调度和平稳运行的基础。为提高短期负荷预测精度,提出了一种基于Pearson相关系数(PCC)和长短期记忆(LSTM)神经网络的短期负荷预测方法。该方法运用Pearson相关性分析对原始多维输入变量组成的时间序列进行相关性分析,选取与电力负荷数据相关性较大的影响因素作为输入量,实现原始数据的降维和选优;再通过LSTM神经网络结合Adam优化算法,对与电力负荷相关性较大的影响因素和负荷实际输出序列之间的非线性关系建立网络模型。以嘉捷BOX和重庆丽苑维景国际大酒店的负荷数据作为实际算例,并与Prophet、LSTNet、门控循环(GRU)神经网络模型方法进行对比。结果表明:所提PCC-LSTM模型预测精度均在91%以上,最高可达95.44%,有效提高了负荷预测的精度。