基于Kriging方法的动态地形反向多级细化研究

针对层次细节模型（LOD）只能实现数据精度低于原始DEM数据的动态地形建模过程,提出了基于Kriging方法的动态地形反向细化方法（Levels Of Backward Detail,LOBD）。该方法提取出需反向细化区域,判断多级细化级别,分析区域的空间属性相关性,根据最优条件拟合变异函数,根据Kriging方法对目标区域进行插值,生成精度高于原始DEM数据精度的区域数据。设计了按独立树结构的插值数据动态存储方式。建模实验表明,新的动态建模方法的细节层次可以比LOD方法至少增加两级,并且保持渲染效率基本不变。     

基于功能实例推理的敏捷夹具设计

为提高夹具设计的敏捷性,提出了一种基于夹具功能分解的实例推理方法。该方法根据元件的不同功能和装配特征,建立了一种基于层次的敏捷夹具设计模型。采用基于实例推理方法,通过对产品信息的相似性计算,获取有相似产品信息的夹具实例,再通过几何冲突裁决法和功能冲突裁决法来解决相似实例与实际要求之间的冲突,最后修改夹具实例以满足设计要求。以轴类工件为研究对象进行了应用验证,显示该设计方法可以使敏捷夹具很容易修改,实现重用。     

基于时空特征融合的网络流量预测模型

随着网络规模的日益增大，实时准确的网络流量预测对流量调度、路由设计等工作至关重要。由于网络流量数据的非线性和不确定性，一些传统方法无法取得较好的预测精度。针对网络流量复杂的时空特征，本文提出一种基于时空特征融合的神经网络(ST-Fusion)进行流量预测。该模型采用编码器-解码器结构。首先，编码器具有时间和空间两个并行的特征通道，联合门限循环网络和自注意力机制提取流量的时序特征，采用图卷积神经网络提取流量的空间特征；然后，将编码器提取的时空特征使用双边门限机制进行特征融合；最后，将融合的结果输入到基于门限循环网络的解码器中依次生成预测结果。本文在3个公开的网络流量数据集(GEANT、ABILENE、CERNET)上进行实验，其评价指标选用MAE、RMSE、ACCURACY、VAR。实验结果表明ST-Fusion方法能够取得更好的预测效果。     

RWPSO与马尔科夫链的无人机航路规划

粒子群算法(PSO)是基于种群的全局搜索算法,具有原理简单,搜索稳定高效等特性,在航路规划领域被普遍运用,但是其在陷入局部最优以及收敛速度方面都存在一定的缺陷.本文针对无人机的任务权重值与生存权重值引入随机游走策略,按照一定规律改变粒子的惯性权重值,可以有效的避免上述情况发生,提升无人机在航路规划中找到最优路径的效率.另一方面,为了能够给规划的路径提供优劣性的判断标准或参考依据,需要构建适用于评估无人机飞行路径点上的生存状态概率模型,本文将随机游走粒子群算法(RWPSO)的航路规划模型与马尔科夫链生存状态随机性模型相结合,得到一个可以用来评估路径点生存概率的航路规划问题模型.仿真结果表明,基于任务权重、生存权重、任务生存权重随机游走的RWPSO算法在寻优时比PSO、量子粒子群算法(QPSO)效率更高,并成功结合马尔科夫链得到一个可以描述出无人机生存概率变化的模型.此模型框架还能够扩展应用于有辐射源、武器、电磁干扰等复杂场景中的航路与任务规划.     

基于遗传算法选优的集成手段与时序卷积网络的涡扇发动机剩余寿命预测

涡扇发动机作为航空航天领域的核心设备之一,其健康状况决定了航空器能否稳定可靠地运行。而对涡扇发动机的剩余寿命（RUL）进行判断,是设备监测与维护的重要一环。针对涡扇发动机监测过程中存在的工况复杂、监测数据多样、时间跨度长等特点,提出了一种遗传算法优选时序卷积网络（TCN）基模型的集成方法（GASEN-TCN）的涡扇发动机剩余寿命预测模型。首先,利用TCN捕获长跨度下的数据内在关系,从而对RUL作出预测;然后,应用GASEN集成多个独立的TCN,以增强模型的泛化性能;最后,在通用的商用模块化航空推进系统模拟模型（C-MAPSS）数据集上,对所提模型与当下流行的机器学习方法和其他的深度神经网络进行了比较。实验结果表明,在多种不同的运行模式和故障条件下,与流行的双向长短期记忆（Bi-LSTM）网络相比,所提模型都有着更高的预测准确率与更低的预测误差。以FD001数据集为例,在该数据集上所提模型的均方根误差（RMSE）相较Bi-LSTM低17.08%,相对准确率（Accuracy）相较Bi-LSTM高12.16%。所提模型在设备的智能检修与维护方面有着较好的应用前景。     

PCA+CHMM在设备性能退化状态识别中的应用研究

为了准确识别机械设备当前所处的退化状态,研究了一种基于PCA（主成分分析）和CHMM（连续型隐马尔可夫模型）结合的性能退化状态识别方法。首先提取设备振动信号全寿命周期的时域、频域、时频域的特征,经过初步筛选后组成新的特征集,使用PCA方法对其进行降维处理;然后利用降维后的数据,训练一个全寿命周期CHMM用来确定退化状态数目,再针对每个退化状态训练一个CHMM,通过比较观测序列处于各个模型下的似然概率值判断设备当前所处的退化状态;最后通过实验对比了PCA+CHMM和PCA+SVM、PCA+KNN、PCA+CART方法的各退化状态识别准确率,结果表明PCA+CHMM的平均识别准确率最高、识别效果较好,适用于设备退化状态的识别。     

基于遗传算法选优的集成手段与时序卷积网络的涡扇发动机剩余寿命预测

涡扇发动机作为航空航天领域的核心设备之一，其健康状况决定了航空器能否稳定可靠地运行。而对涡扇发动机的剩余寿命（RUL）进行判断，是设备监测与维护的重要一环。针对涡扇发动机监测过程中存在的工况复杂、监测数据多样、时间跨度长等特点，提出了一种遗传算法优选时序卷积网络（TCN）基模型的集成方法（GASEN-TCN）的涡扇发动机剩余寿命预测模型。首先，利用TCN捕获长跨度下的数据内在关系，从而对RUL作出预测；然后，应用GASEN集成多个独立的TCN，以增强模型的泛化性能；最后，在通用的商用模块化航空推进系统模拟模型（C-MAPSS）数据集上，对所提模型与当下流行的机器学习方法和其他的深度神经网络进行了比较。实验结果表明，在多种不同的运行模式和故障条件下，与流行的双向长短期记忆（Bi-LSTM）网络相比，所提模型都有着更高的预测准确率与更低的预测误差。以FD001数据集为例，在该数据集上所提模型的均方根误差（RMSE）相较Bi-LSTM低17.08%，相对准确率（Accuracy）相较Bi-LSTM高12.16%。所提模型在设备的智能检修与维护方面有着较好的应用前景。     

基于Hadoop的GA-BP网络在山洪预测中的研究

研究了山洪灾害监测预警系统中雨情数据的分布式存储和分布式预测;针对采集到的水文数据急剧增长和对预测精度和预报时效的要求不断提高,分别应用Hadoop分布式文件系统对数据进行分布式存储和 MapReduce框架结合遗传算法优化神经网络的权值和阈值进行分布式预测;采用基于BP神经网络的多因子山洪灾害雨量预测模型,结合遗传算法能够实现全局优化特点来优化神经网络的权值和阈值,并在数据并行处理过程中,采用了批处理和MapReduce工作流的方式,以误差和准确率来评估预测模型,解决了神经网络在处理海量数据时训练时间长等问题;实验表明,该方法可以在不影响准确度的前提下,大大缩短运行时间,提高预测效率。     

基于粒子群算法的最小二乘支持向量机参数优化——以都江堰灌区联合调度为例

针对都江堰内江缺少渠道的相关信息,无法建立准确水力学模型的问题,采用粒子群算法（PSO）优化最小二乘支持向量机（LS-SVM）参数的方法,确定流量与闸门开度之间单输入多输出的非线性关系,并以此为基础,利用决策原则及实际情况确定相应决策逻辑,建立都江堰内江联合调度模型。模型采用MATLAB和C#语言实现。分析结果表明,与其他算法相比,PSO优化LS-SVM具有一定的优越性,结果达到实际工程要求。     

机床夹具设计资源库构建方法研究

分解夹具设计过程中涉及的信息,分析机床夹具设计信息的数据结构,采用以夹具为主题的基于关系数据库的事实表/维表的多维数据组织结构,提出一种将知识和实例结合在一起的混合知识表达模型,建立了由工件信息库、制造信息库、夹具设计知识库以及参数化三维图库组成的夹具设计资源库。