链式推力机构工作过程的计算机仿真

对链式推力机构的工作过程进行了详细研究，建立了数学模型和工于Ｍｏｎｔｅ Ｃａｒｌｏ随机抽样的仿真数学模型，求出机构工作时间的可靠度，其研究方法可为类似系统的分析，设计提价借鉴和参考。     

提弹机构性能可靠性分析

本文对提弹机构性能可靠性进行了详细分析，建立了提弹机构性能可靠性分析的仿真数学模型，给出了系统性可靠度的计算方法，通过实例说明了性能可靠性分析的方法和步骤，指出了性能可靠性在系统可靠性中的重要地位。     

复杂系统动作可靠性分析

本文介绍了复杂系统动作可靠性分析的一般方法，建立了系统动作可靠性的数学模型；给出系统动作性能指标仿真运行结果的统计处理方法和不同要求类型动作性能指标动作可靠度的计算公式。     

基于着色随机时间Petri网的维修性建模方法

产品的维修性是决定其维修品质与寿命周期费用的关键因素,维修性建模是维修性设计的重要环节,对产品的维修性水平有重要影响.对维修性建模方法进行深入研究:利用着色随机时间Petri网的库所与颜色标记等基本要素描述维修对象、维修资源等维修实体及其状态,基于库所、颜色标记、随机时间变迁等基本要素给出维修实体状态与维修作业关系以及维修作业逻辑关系的描述方法,并以此为基础构建基于着色随机时间Petri网的维修过程模型.根据该模型提出基于蒙特卡罗法的维修时间仿真算法以及维修资源需求量计算方法.结合某型飞机前起落架系统给出维修过程建模与维修时间仿真、维修资源需求量计算实例,表明模型与方法的优越性.     

基于负荷均衡的飞机驾驶舱动态功能分配

为了提高动态复杂环境下飞机驾驶舱人机系统的安全性,提出一种基于负荷均衡的动态功能分配方法。结合飞行任务和飞行员生理特征预测飞行员的工作负荷,将预测结果作为动态功能分配的触发条件,基于模糊推理调整驾驶舱自动化等级,实现飞行任务在飞行员和自动化系统之间的协调分配。基于Simulink建立飞行任务需求、飞行员生理特征、飞行员工作负荷预测、模糊推理、任务分析与再分配模块,通过仿真测试对提出的方法进行分析和验证,结果表明该方法能够及时有效地调整任务分配,避免飞行员工作负荷过高或过低。     

面向显示界面工效研究的飞机座舱仿真系统

显示界面工效研究通常以时间和正确率为指标记录分析被试的操纵过程,显示界面需要一定的柔性,现有飞行模拟器无法满足上述需求. 将飞行员操纵飞机的过程分解为信息输入、信息处理、信息输出,记录信息输入、输出变化的时刻及事件,供后续分析研究. 为实现上述要求,明确仿真系统的功能需求、功能模块得出系统总体框架. 详细阐述系统仿真模块、虚拟仪表模块、视景模块、通信模块、数据管理模块的设计过程. 实现并测试仿真系统,结果表明该仿真系统能够记录被试的信息输入、输出变化的时间及状态,满足显示界面工效研究的需要. 为研究显示界面工效问题提供了一种新手段.     

基于多生理参数的飞行员任务负荷评估

目的 建立基于多生理参数的飞行员任务负荷评估模型，对飞行员任务负荷水平进行识别和评估方法 通过生理测量设备在模拟飞行实验中获取飞行员的心电和眼动数据，使用CRITIC法建立任务负荷量化模型，根据量化的客观综合评分建立样本数据集标签，避免了人为打标签的主观性，依据评分结果将任务负荷映射为六个等级(1-6),建立了1537个有效样本数据，构建随机森林模型进行训练测试。结果 模型的训练准确率达到了98.9%,测试准确率为94.3%,准确率均高于其他对比算法。使用该模型对飞行员的任务负荷进行预测，预测结果和主观NASA-TLX量表得分之间的相关系数值为0.836(P<0.01),呈现出较强的显著性。结论 基于随机森林模型的飞行员任务负荷评估模型具有较高的辨识精度，对减少飞行员任务负荷过高而引起飞行事故具有一定的现实意义。     

基于多样卷积单元高效人体姿态估计

设计兼具准确率和轻量化的人体姿态估计网络模型成为了人机交互领域的迫切需求。为了满足这一需求,结合HRNet模型的高分辨率设计模式,提出了一种多样化高效卷积单元的高分辨率网络模型DU-HRNet。为了探索并增强来自不同感受野大小层的多尺度信息,鼓励卷积层间信息更加多样化,模型允许并行分支中的每一分支拥有不同类型的高效卷积单元。为了改善模型的非线性,在高效卷积单元中使用通道注意力ECANet。在MS COCO关键点检测数据集和MPII数据集中验证了模型的有效性。模型在参数量等于7.6 M、GFLOPs为2.66,没有经过任何后期处理的条件下,在COCO val2017数据集上达到了71.1 mAP(mean Average Precision,平均精度均值)分数,在COCO test-dev2017数据集上达到71.8 mAP分数。通过消融实验验证了模型整体和组成部分的有效性。     

基于YOLOv5+DeepSORT检测数据的车头时距混合分布模型研究

为提高车头时距分布模型的准确性,提出一种基于YOLOv5+DeepSORT算法的样本采集方法,并拟合出一种双高斯-移位负指数混合分布模型。训练YOLOv5检测器模型和DeepSORT算法中的ReID模型对车头时距进行自动精确采集,建立双高斯-移位负指数混合分布模型来描述实际交通流中3种车辆驾驶状态:强跟驰、弱跟驰和自由流,对自动采集的车头时距样本进行拟合,利用最大期望算法对模型参数进行标定。经实例验证表明,基于YOLOv5+DeepSORT方法采集的车头时距样本与视频人工逐帧记录的样本之间的平均相对误差为1.94%,满足车头时距样本采集准确率的要求;所提出的双高斯-移位负指数混合模型对自动采集车头时距样本的拟合结果通过了K-S检验,且拟合结果优于三元混合分布、二元混合分布和威布尔分布模型。