基于DBN 的频率与相位编码信号快速调制识别方法

为提升低信噪比条件下雷达/ 通信频率、相位编码信号调制识别性能,降低特征提取复杂度,提出了基于深度信念网络DBN(Deep Belief Network, DBN)以及快速特征提取的调制识别方法。结合快速傅里叶累加算法FAM(FFT Accumulation Method)算法,提出了将循环谱估计图像转化为有效可识别特征向量的提取算法;设计了用于编码信号调制识别的DBN 网络训练与识别框架。仿真结果表明,文中方法较传统方法具有更低的特征提取与预处理复杂度,提取的特征在几种典型编码调制模式信号中具有明显区分,DBN 训练识别框架对雷达/ 通信编码信号调制识别均具有可行性与有效性,在低信噪比条件下对无线电编码信号有更高的识别正确率。     

基于自适应卡尔曼滤波的飞机气流角估计研究

迎角、侧滑角是飞机重要的飞行状态参数,而大气数据系统在恶劣天气、大迎角或机动飞行情况下是难以准确测量出气流角等数据的.基于飞行数据,研究了一种飞机气流角的估计方法.考虑到飞行数据可能受到外部干扰发生数据突变、各数据采样频率不同以及飞行数据之间的噪声统计特性均未知等情况,建立飞机系统状态方程和量测方程,将非等间隔理论与基于极大似然准则的自适应卡尔曼滤波算法进行融合,以飞机转弯和爬升飞行为实例,施加外部干扰,对飞机迎角、侧滑角进行估计.实验结果表明,该算法的估计精度和抗外部干扰的鲁棒性能均优于扩展卡尔曼滤波算法和无迹卡尔曼滤波算法.     

基于QAR数据的民航飞机侧滑角估算方法

侧滑角是一个重要的飞行状态参数。考虑飞机真实的飞行状态,选取快速存储记录器(QAR)中的磁航向、偏流角、风向、风速、地速和俯仰角等参数,提出一种基于QAR数据的民航飞机侧滑角估算方法。以飞机受西风影响为例,通过分析4种航向范围的航行速度三角形,再利用地面惯性坐标系、机体坐标系和气流坐标系之间的变换关系,推导了侧滑角估算步骤,最后选取一段QAR数据对侧滑角进行估算。结果表明该方法能够有效地利用QAR数据对飞机侧滑角进行估算。     

下降进近阶段飞行安全分析与建模

下降进近阶段,飞行姿态不当造成不稳定进近,容易引起飞行事故,准确控制飞机姿态变化能够避免事故的发生。通过分析飞机受力情况,确定了影响下降进近阶段飞行安全的因素,构架了包括飞行环境、飞行状态和飞行员操作等因素的"人-机-环"的综合分析环境,并对飞行环境进行了分类;在分类环境下,以QAR飞行数据为基础,建立了基于飞行状态与飞行员操作的神经网络"人-机"响应模型,优化了网络结构,并通过实验验证了模型能够有效预测飞机姿态变化。     

基于深度信念网络的铁路信号设备故障识别

针对现有铁路信号设备故障识别算法特征提取不准确导致正确率偏低的问题,提出了深度信念网络(DBN)的故障识别模型。该模型首先利用无监督训练方法对DBN的多个堆叠受限玻尔兹曼机(RBM)进行预训练,获得网络初始参数;然后,结合铁路信号设备识别问题,构建BP神经网络,利用有标签样本进行反向传播训练,实现网络参数微调。实验结果表明,该模型避免特征提取的人工操作,能够有效实现铁路信号设备故障的准确智能识别。     

基于改进的DBN的WLAN指纹定位数据库构建算法

提出了一种基于改进的深度置信网络(Deep Belief Network,DBN)的 WLAN指纹定位数据库构建算 法。首先,从需要实地测量的参考点中选取一部分参考点测量位置坐标和接收信号强度,并 将其作为训练数据输入改进的 DBN,经过训练不断改善DBN的性能;然后,将其他剩余参考点的位置坐标输入训练好的DBN 中,将DBN的输出数据作 为这些参考点的接收信号强度,从而对指纹定位数据库进行构建;最后,将实测的部分参考 点的数据与基于DBN预测出的 剩余参考点的数据共同组成构建后的指纹定位数据库,并使用KNN和WKNN定位算法对构建效 果进行评价。实验结果表 明,在使用相同的数据集时,改进的DBN算法训练用时更短,对指纹库的构建效果更好。     

基于数据挖掘的快速记录存储器数据处理技术

针对目前国内缺少专门分析快速记录存储器(QAR)数据的有效手段的情况,研究了一种新的基于数据挖掘的QAR数据的分析方法。首先结合聚类和概率分析对k-means算法进行改进,解决了聚类数目难以确定的难题,形成了良好的聚类效果;然后,在此基础上结合加权最小距离分类器及概率分析的方法,对待分类的QAR数据的类别属性进行判断以确定异常数据;最后给出了仿真实验,验证了该方法的可行性和有效性。     

ACTS数据有效性检验算法仿真

为解决空战训练系统飞行数据在实时传输过程中的数据延时、丢失和错误等问题,搭建了一种空战训练系统(ACTS)数据有效性检验算法仿真实验环境,采用两台PC和两部电台来进行收发飞行数据的模拟,并利用某型飞机的试飞数据对设计的数据有效性检验算法进行了验证,实现了地面监控系统对空中态势的实时显示和评估.     

基于FlightGear飞行仿真软件数据的采集与处理

介绍了FlightGear飞行模拟软件的总体结构、各模块之间的关系和运行流程。通过FlightGear启动时载入预先设置好的XML配置文档,实现了对模拟飞行数据的读取和保存,并建立数据评价模块对采集的数据进行处理,按照一定规则计算出模拟飞行的成绩。通过采集到的飞行数据计算出的飞行成绩,可以帮组辅助评估飞行模拟训练的质量和飞行考核,具有实用价值。     

基于部分标记数据进行人脸图像特征提取

针对无监督特征提取的识别率低与监督特征提取需要大量标记的问题,提出一种基于部分标记数据的半监督判别分析(SSDPA)特征提取法。本文方法能实现图像数据降维,避免线性判别分析(LDA)存在的小样本问题,达到提高识别率的目的。算法对图像进行离散余弦变换(DCT)变换;根据DCT图像的频率分布,利用部分标记数据计算SSDP;优先搜索SSDP高的DCT图像信息。将本文方法与其它方法进行组合,在不同人脸数据库上进行了实验。实验证明了本文方法的有效性,用较低的代价获得了优于传统方法的识别率。     

VS2005下昆虫飞行磨数据分析软件设计

利用通信控件(MSComm)实现PC机与设备之间串行通信,应用图表控件(TeeChart)和表格控件(UltimateGrid72)实现显示、对比等分析功能,对昆虫飞行数据进行收集,设计了基于普通计算机的飞行磨软件.本软件也可用于其他数据的收集及控制.     

运动想象脑信号的深度置信网络分类优化

关于脑机接口（BCI）系统中的运动想象（MI）脑信号的特征提取一直是一个难题。相较于SSVEP、AEP和P300等其他BCI模式，MI的分类准确率相对较低，缺乏有效的识别方案。本文提出了一种结合深度置信网络（Deep Belief Network,DBN）和麻雀搜索算法（Sparrow search algorithm,SSA）的特征提取和分类识别算法SSA-DBN。融合SSA与DBN的优势，可以在保持较低计算复杂度的同时，提高特征提取和分类识别的准确率。本研究首先利用完全自适应噪声集合经验模态分解（CEEMDAN）方法提取信号的固有模态函数（IMF）特征。然后，将筛选出的适合分类识别的IMF分量与希尔伯特黄变换（HHT）方法相结合，提取出不同导联时频信号的特征空间向量，并进行叠加平均。最后，将特征向量输入到SSA-DBN算法进行分类处理。为确保公平性，在验证算法性能时，选取了具有代表性的BCI Competition IV Dataset 2a数据集，同时对比了其他算法的表现，并详细说明了调参方法。为了避免过拟合问题，可以考虑使用更大规模的数据集进行测试，如PhysioNet或BCI...     

采用局部二值模式与深度信念网络的人脸识别

针对人脸维度过高和人脸局部特征提取易忽略的问题,提出了一种将多尺度局部二值模式( LBP)算法与深度信念网络( DBN)算法相结合的人脸识别方法。首先采用多尺度LBP算法提取人脸纹理特征,进而将LBP提取的纹理特征作为深度信念网络的输入,最后通过逐层网络训练,得到网络的最优参数,并在ORL人脸库中进行测试,识别率可达95.2%,比使用Gabor小波和主成分分析(PCA)算法的人脸识别高2.6%,说明该算法具有很好的人脸识别能力。     

用自动模糊划分与改进Apriori算法生成QAR关联规则

针对属性粒度模糊划分需事先给定与Aprirori算法效率低的问题,提出基于自动模糊划分和改进Apriori算法的QAR关联规则生成方法。首先对QAR数据进行空缺值填补等预处理;然后给出最佳聚类准则并根据给出的最佳聚类准则得到最佳聚类,从而对QAR属性完成自动模糊划分及隶属函数的确定;之后通过记录数据项位置及简化连接与剪枝过程来提高Apriori算法的效率;并将其应用到QAR关联规则的生成过程;最后通过品质和性能度量两方面的实验,表明此方法在各方面的性能均优于经典方法。     

基于深度信念网络的K-means聚类算法研究

针对传统K-means聚类算法对高维非线性数据聚类效果不佳、聚类时间消耗大的问题,文中对高维数据的预处理进行研究,提出一种基于深度信念网络(DBN)的K-means聚类算法(DBNOK)。此算法首先使用多层受限玻尔兹曼机(RBM)对数据进行特征学习,并将学习到的隐含特征进行K-means相关参数和初始聚类中心进行交叉迭代优化。用DBNOK算法分别在低维数据集和高维数据集上进行实验,结果表明,DB-NOK算法聚类准确率优于标准的K-means算法和模糊均值聚类(FCM)算法。     

无人机飞行声特征与提取方法比较

目前,对无人机飞行声信号的分析主要是基于传统语音信号处理的手段,并未进行深入分析。文中针对无人机飞行声信号,结合无人机的气动特点深入研究分析得出无人机声信号的特征,分析比较傅里叶变换(FFT)、梅尔倒谱系数(MFCC)和基因周期3种特征提取算法并提取特征,应用支持向量机(SVM)分类算法,进行机型识别分类。实测与实验结果表明,FFT与MCC识别率相近,FFT运算复杂度低,基因周期不太适合单独进行特征识别,因此得出FFT适合作为无人机声特征提取方法。     

一种基于小波变换的监视飞行新方法

如何充分利用有限的信道带宽和实时有效地压缩数据,将更多飞机飞行参数实时传输给地面试验人员,是提高飞行安全和改进飞机设备的重要手段.基于小波变换提出了一种监视飞行状态的新方法,借助小波分析在时域和频域同时具有良好的局部化性质对飞行数据进行有损和无损压缩,并通过飞机现有的VHF信道传输飞行数据.仿真结果验证了本方法的可行性.     

基于RELAX算法的飞机油耗性能估计方法

飞机油耗性能直接关系到航空公司的运力调配与盈利程度。根据飞机实际飞行数据,建立了指数衰减型的飞机油耗性能模型。基于油耗性能函数中各分量随飞行距离衰减速度不同的特性,引入数据非一致性检测中的广义内积算法和RELAX信号分离迭代算法,实现油耗性能函数各分量的分离和参数估计。CRB分析验证了参数估计算法的性能;A330飞机的飞行数据实验结果验证了指数衰减型油耗性能模型和参数估计方法的有效性。该方法为运输飞机油耗性能评估提供了一种参考准则。     

基于图像协方差无关的增量特征提取方法研究

针对2维主成分分析(2DPCA)算法无法实现在线特征提取及无法体现完整数据结构信息等问题,该文提出一种基于图像协方差无关的增量式2DPCA(I2DPCA)算法。该算法无需对图像协方差矩阵进行特征值分解奇异值分解,复杂度将大为降低,提高了特征提取速度。针对I2DPCA仅提取了横向特征的问题,又提出一种增量式行列顺序2DPCA(IRC2DPCA)算法,该算法对I2DPCA的特征矩阵再次进行纵向特征提取,保留了图像的横向与纵向结构信息,实现了行列两个方向上的特征提取与数据降维。最后,以自建的物块数据集、通用的ORL和Yale人脸数据集分别进行对比实验,结果表明,该文算法在收敛率、分类率及复杂度等性能方面均得到了显著提高,其收敛率达到99%以上,分类率可达97.6%,平均处理速度为29 帧/s,能够满足增量特征提取的实时处理需求。     

基于UDP的特征提取算法研究

局部保持投影(LPP)算法在特征提取时仅考虑了对数据的局部信息的保持,鉴于此,本文提出无监督判别投影(UDP)算法。UDP算法通过定义局部和非局部散布度,建立一个类似Fisher的判别准则,最大化非局部散布度与局部散布度的比,选择出判别性最强的投影方向对目标数据信息进行特征提取,进而完成对目标的分类识别。实验结果证实了UDP算法的可行性。