Elman网络在某型自动驾驶仪飞控盒多故障诊断中的仿真研究

目前采用传统故障诊断方法对复杂系统进行故障诊断时,还存在许多缺点,尤其在多故障同时发生的情况下,传统故障诊断方法难以准确定位故障点。为此,基于Elman神经网络,结合故障字典法,设计了一种基于Elman网络的综合故障诊断方法。为验证该方法的准确性,以某型飞机自动驾驶仪飞控盒的几种主要故障为诊断源,仿真研究了所设计的综合故障诊断方法。仿真结果表明,与传统故障诊断方法相比,所设计的基于Elman网络的综合故障诊断方法在进行多故障诊断中对故障的准确定位是有效的和快速的。     

大型字典“啤”字音义补释

"啤"字是现代的一个常用字,做"啤酒"使用,是源于德文bier的翻译,是一个音译兼意译."啤"这个字在历史上早巳存在,读音与意义与"啤酒"的"啤"不同."啤"字在大型字典中应该具有如下音义:(1)音bei,意义说人是非,说人坏话,是"諀"的俗字.(2)音bi,"啤"与"瘴"、"痹"同,意义是"喉病",指咽喉闭塞.(3)音pi,译音用字.     

基于故障字典的旋转整流器故障检测方法

以交流电为主要电源的飞机普遍采用无刷交流发电机作为发电装置,但由于半导体器件抗干扰、抗过载能力差,旋转整流器成为故障发生率较高的部件,文中介绍了利用快速傅里叶变换（FFT）通过对励磁电流的分析来检测可能出现的故障,并利用故障字典快速地判断出故障原因。     

嫦娥工程X射线谱仪的数据压缩研究

本文对嫦娥工程中的重要科学载荷X射线谱仪提出了一种有效的数据压缩方案。针对具体的数据特征,结合稀疏串编码、相关编码、前缀编码和字典编码等思想实现了无损和近无损压缩,使实验室理想环境下获得以及经嫦娥一号卫星下传的太阳能谱数据平均压缩比分别达到15和7,两种情况下的月球事例数据平均压缩比都为2,同时算法还具有一定的纠错能力,满足了X射线谱仪数据压缩的需求,为嫦娥三号卫星上粒子激发X射线谱仪的星载数据处理和后续工作提供了经验和准备。     

基于优化字典学习算法的压缩数据收集

为了提高压缩数据收集对多样化传感数据的适应能力,同时抑制环境噪声对数据收集精度的影响,提出了一种优化字典学习算法来构造压缩数据收集中的稀疏字典。理论分析表明在压缩数据收集中由环境噪声导致的数据收集误差和稀疏字典的自相干程度正相关。为此在字典学习的过程中引入了自相干惩罚项来抑制环境噪声对数据收集精度的影响。该惩罚项还能减少字典学习过程中对训练数据的过拟合,从而进一步提高了该算法的稀疏表示能力。实验表明,该算法的稀疏表示能力高于同类字典学习算法,而且能有效地抑制环境噪声对压缩数据收集精度的影响。      

民航非例行维修任务智能分配模型研究

为解决航空公司非例行维修工作快速增长带来的人力资源分配不合理问题,提出了故障字典的概念和人员维修资质评价体系,实现了非例行维修工作复杂度与人员资质的量化,在此基础上设计了一种维修任务智能分配模型,该模型能自动选择最优的维修团队,提高维修过程管理的安全性和可靠性。     

飞机电力起动系统故障在线检测仪的研制

结合某型飞机电力起动系统论述了检测点的选取,建立了故障原因及对应故障代码的故障字典,给出了基于MCS-51单片机电力起动系统故障在线检测的硬件电路设计框图及软件设计主程序流程框图.     

基于多层前向神经网络的模拟电路故障诊断

文中提出把一个神经网络应用到电路故障诊断的故障字典法中,以提高故障诊断的适应能力。这样,就使得字典法不仅适用于电路的故障情况,还提高了故障诊断的有效性。模拟结果显示这种方法是有效的。     

基于迁移学习的SAR目标超分辨重建

针对合成孔径雷达(SAR)目标超分辨重建问题,提出了一种基于迁移学习的超分辨方法。在光学图像梯度域中联合训练超完备字典与稀疏编码映射,利用半耦合字典联系SAR图像与光学图像,寻找SAR图像在半耦合字典下的稀疏编码,并在高分辨率字典下完成重建。结合SAR图像的先验信息,使用正则化方法对SAR目标进行特征增强。所提方法在TerraSAR-X数据和MSTAR数据上进行了仿真实验,重建结果表明,相比目前的插值方法和稀疏表示方法,所提方法空间分辨率可提高0.5~1.5个像素。正则化增强结果表明,引入稀疏先验的正则化增强能够进一步提高空间分辨率并抑制杂波比,最后分析了正则化参数的选取对图像质量的影响。     

基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法

杂波谱稀疏恢复空时自适应处理（STAP）是一种有效减少杂波样本数需求的机载雷达杂波抑制方法。然而,空时平面被离散地划分为若干个网格点来构建空时导向矢量字典,当字典在失配时,杂波脊不能准确落在预先离散化的网格点上,稀疏恢复STAP性能严重下降。提出了一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法,首先利用二维泰勒级数建立空时动态字典模型,然后将字典失配误差作为待估超参数构建贝叶斯稀疏恢复模型,并利用失配误差估计值对空时导向矢量字典进行修正,最后利用修正后的空时导向矢量字典重构杂波协方差矩阵,进而计算杂波空时谱。实验证明,该方法能够有效提高字典失配情况下的杂波谱稀疏恢复精度,杂波抑制性能优于已有字典预先离散化的稀疏贝叶斯学习STAP方法。