基于统计局部方法的模型适配检测与分离

提出一种新的过程模型失配检测方法,通过模型预测误差与外部激励信号的相关性分析获取初始残差函数,并利用统计局部方法分析残差函数。该方法可以分离扰动和过程模型的失配。相对于直接相关性分析方法,该方法能够通过单一的统计量指示过程模型是否失配,具有简单直观的特点,而且可以通过滑动窗口的办法,便于在线检测,同时,该方法能够提高检测灵敏度。仿真研究证实了该方法的有效性。     

舰载直升机在复杂流场环境中的着舰策略

针对直升机着舰过程中的下滑进场环节,从流场 环境对直升机飞行品质影响的角度出发,研究了直升机着舰策略。分析了下滑进场区域的流场分布,研究表明流场的分布与距离甲板的高度相关,高度越低,气流速度均值越大,且下洗气流主要集中在迎甲板风方向的路线区域,对直升机的飞行品质造成影响。分析了不同甲板风（Wind on deck,WOD）条件下直升机平衡状态量,分别从旋翼所需功率、操纵量和机体姿态等方面对进场方式进行了研究,表明合理的进场方式有利于着舰安全。     

条件均值对可靠性测度Bayes估计的应用(I)

本文讨论了条件均值对某些常见失效分布的参数与可靠性测度的Bayes估计的应用,这些分布包括,双参数指数分布,左截尾双参数指数分布,正态分布与对数正态分布。     

三维碎片拼合的轮廓提取和特征点检测

针对三维空间碎片的拼接,提出一种轮廓提取和特征点检测的方法。首先,采用一种简单、有效的方法来构建三维碎片数据的拓扑关系,并在此基础上提取碎片的轮廓曲线。对存在缺陷、拓扑关系难以建立的三维测量数据,中给出了相应的修改、调整方法。同时,提出了一种对轮廓进行重采样的方法来计算空间轮廓上每一点的曲率和挠率。将曲率和挠率相结合得出轮廓曲线上各点的全曲率,然后由全曲率值来检测碎片轮廓的特征点。轮廓曲线的描述就由其上每一点的曲率和挠率以及特征点来表征。实验表明了该算法的有效性和稳定性。     

贝叶斯正则化BP网络在机翼载荷分析中的应用

采用贝叶斯正则化与BP网络相结合的方法,构造了一个分析飞机机翼载荷的三层BP网络。贝叶斯正则化方法提高了BP神经网络的泛化能力,且能考虑非特征化的非线性影响。使用某型飞机对称机动和滚转机动的试飞实测数据作为载荷激励来训练神经网络,并用这个训练完的网络预测了该飞机机翼的飞行载荷。最后将神经网络预测结果与实测结果进行了比较,结果表明该方法能够准确地实现飞机机翼载荷预测,对新机研制和飞行试验有较高的参考价值。     

基于失效物理的动量轮贝叶斯可靠性评估

作为卫星姿态控制系统关键部件的动量轮,其可靠性关系到卫星发射的成败。但是由于有小子样、高可靠性和长寿命等特点,受技术、费用和时间等条件的限制,无法获得大样本失效寿命数据,因此利用传统的大样本寿命数据统计推断方法进行可靠性建模、分析与评估存在困难。为此,从失效物理分析的角度出发建立性能退化模型,用贝叶斯方法融合性能退化模型和寿命模型得到产品的可靠性评估模型,并基于该模型充分利用失效物理试验中的性能数据和少量的寿命数据来进行可靠性评估。实例分析表明,该方法与伪寿命方法相比更加符合工程实际,评估精度更高。     

发动机机匣低循环疲劳寿命的预测

本文介绍了一种基于局部应力应变法的发动机机匣低循环疲劳寿命预测方法。文中提出了确定机匣载荷谱的建议,论述了在多向应力状态下应如何确定等效应变,使在单向应力状态下确定的应变幅-疲劳寿命曲线可适用于多向应力状态。根据飞行的特点,提出了确定发动机机匣可靠性寿命的计算方法,最后通过实例,证明了所介绍的方法具有较好的精度。本方法比较简便,是一种很有前途的预测法。     

基于小波域贝叶斯估计模糊萎缩的SAR图像降斑算法

提出了基于小波域高斯混合模型贝叶斯估计模糊萎缩的SAR图像降斑算法.该算法分析了SAR图像在平稳小波变换(SWT)域中的统计模型,并用高斯混合模型对其进行描述,推导出基于贝叶斯估计的信号最小均方误差(MMSE)的模糊萎缩因子.籍此再根据小波域相邻尺度间小波系数的相关性,采用分区域模糊萎缩思想,很好地得到无斑点真实信号小波系数的估计值.仿真结果表明该算法在大大抑制斑点噪声的同时,有效地保持了边缘,其性能优于改进Lee滤波、小波软阈值和SWT萎缩降斑算法.     

临边昏暗在恒星角直径测量中的影响

讨论了恒星临力昏暗在恒星角直径测量中的影响。研究表明,相对于二项式近似而言,ＵＤ模型和线性模型均对恒星角直径测量有所低估,在线性临力昏暗系数较小时,这种影最大,ＵＤ和一近似与二项式近似的差别最多分别达２５．５％和１２．６％;而在线性系数值趋近于１时,其相互差别随之可以忽略。而新旧线性临边近似之间对于恒星角直径测量的影响似乎并不很大。最后我们认为非线性临边昏暗效应的影响不可忽略。     

Crater detection via genetic search methods to reduce image features

Recent approaches to crater detection have been inspired by face detection’s use of gray-scale texture features. Using gray-scale texture features for supervised machine learning crater detection algorithms provides better classification of craters in planetary images than previous methods. When using Haar features it is typical to generate thousands of numerical values from each candidate crater image. This magnitude of image features to extract and consider can spell disaster when the application is an entire planetary surface. One solution is to reduce the number of features extracted and considered in order to increase accuracy as well as speed. Feature subset selection provides the operational classifiers with a concise and denoised set of features by reducing irrelevant and redundant features. Feature subset selection is known to be NP-hard. To provide an efficient suboptimal solution, four genetic algorithms are proposed to use greedy selection, weighted random selection, and simulated annealing to distinguish discriminate features from indiscriminate features. Inspired by analysis regarding the relationship between subset size and accuracy, a squeezing algorithm is presented to shrink the genetic algorithm’s chromosome cardinality during the genetic iterations. A significant increase in the classification performance of a Bayesian classifier in crater detection using image texture features is observed.