基于正则化与遗忘因子的极限学习机及其在故障预测中的应用

为了解决在线贯序极限学习机(OS-ELM)算法容易产生奇异矩阵、算法贯序更新过程中没有考虑训练样本时效性的问题,提出基于l2-正则化和自适应遗忘因子的OS-ELM(RFOS-ELM)算法。RFOS-ELM在初始阶段加入正则化机制,克服因矩阵奇异而降低OS-ELM泛化能力的缺点。在贯序更新阶段,RFOS-ELM通过引入自适应遗忘因子实时调整新旧训练样本所占比重,推导正则化条件下带遗忘因子RFOS-ELM的递推更新算法,提高其对动态变化系统的跟踪能力。某型无人机机载发射机故障预测实例表明,相比于传统OS-ELM和正则化OS-ELM算法,本文提出方法具有更高的预测精度。     

改进的灵敏度剪枝极限学习机

针对极限学习机(ELM) 网络结构优化问题, 提出一种改进的灵敏度剪枝ELM(ImSAP-ELM). ImSAP-ELM 将??₂ 正则化因子引入SAP-ELM 中, 采用留一准则确定最优隐节点数. 推导基于奇异值分解的输出权重计算公式, 避免矩阵奇异导致求解无效的问题. 将ImSAP-ELM 用于故障预测, 利用多组同类型故障数据建立多个ImSAP-ELM 模型, 基于加权思想融合不同ImSAP-ELM 的预测值. 某型无人机发射机实例表明, 相比于ELM、OP-ELM (最优剪枝ELM) 和SAP-ELM, ImSAP-ELM 耗时最高, 但是ImSAP-ELM 的预测误差小于其他3 种方法.

     

基于多渐消因子强跟踪UKF 和约束AR模型的故障估计与预测

针对非线性系统中不可观测故障参数估计和预测问题, 提出一种基于多重渐消因子强跟踪无迹卡尔曼滤波(MSTUKF) 的状态和参数联合估计法, 通过引入多重渐消因子增强了对变化函数未知的故障参数的跟踪能力. 对于得到的故障参数估计值, 利用递推最小二乘法更新约束AR预测模型, 从而实现故障参数的在线估计与预测. 仿真结果表明, MSTUKF方法在故障参数估计精度上优于UKF 和单渐消因子强跟踪UKF, 约束AR模型的预测精度高于无约束条件下的预测精度.

     

基于QFD的装备体系使命任务需求满足度评估方法

为评估作战试验中装备体系的使命任务需求满足度,提高装备体系短板弱项的分析能力,提出一种基于质量功能展开(Quality Function Deployment,QFD)的评估方法。在简要介绍QFD原理的基础上,根据使命任务需求满足度评估特点,梳理明确QFD质量屋中各组成结构与评估所需内容的对应关系;按照“使命任务-待检验作战能力-检验指标”的映射关系,提出确定映射域指标集、确定需求重要度、确定关系矩阵、计算使命任务满足度等评估步骤,并给出需求满足度计算公式;以某合成部队装备体系检验评估任务为例,说明使命任务需求满足度的具体求解过程,评估结果与实际情况相符,并根据评估结果分析装备体系中存在的不足,为后续装备体系改进升级提供检验结论支撑。     

有界变化时滞和联合连通拓扑条件下的分布式无人机编队飞行控制策略

针对具有非线性动力学特性的多无人机系统通信时滞在有界区间内变化和网络拓扑联合连通情况下的编队控制问题,提出一种基于一致性理论的分布式编队控制策略。利用Lyapunov-Krasovskii函数分析编队的稳定性,推导编队稳定的充分条件。该策略不强调时滞的导数特征,并且可将通信拓扑的高维矩阵求解问题转化为若干个连通部分的低维矩阵求解问题,因此适用性广、计算量小、实时性好。通过仿真验证了非线性快变时滞和随机跳变时滞情况下策略的有效性。结果表明,该方法可指导无人机编队快速聚集和收敛至任意对称或非对称目标队形和以目标速度保持飞行。     

基于混沌遗传算法的SVM特征和参数优化

为解决支持向量机(SVM)分类器的样本特征选择和参数优化问题,提出一种将特征选择和参数选择进行联合优化的方法。基于变尺度的混沌遗传算法,联合优化染色体编、译码,利用混沌的遍历性产生初始种群,改进遗传算法中的交叉算子,动态缩减寻优区间。将该方法应用于短波通信控制器的诊断分类器中,以实现分类器特征子集选取和参数的联合优化,结果表明该方法具有较强的寻优能力。     

自动测试系统软件平台的设计与实现

为了满足自动测试系统(ATS,automatic test system)软件平台通用化和标准化的要求,建立了基于ABBET的ATS软件体系结构。结合基于数据库的自动测试系统软件开发模式,应用面向信号的方法实现仪器无关性。该软件系统已经在某新型通用装备自动测试诊断系统中得到了应用。     

基于STSCKF和改进型X2检验的模拟电路故障辨识

针对模拟电路中不可直接测量故障元件定位和参数估计问题,提出一种基于强跟踪平方根容积卡尔曼滤波(STSCKF)和X2验的故障辨识算法.根据强跟踪滤波理论,将X2验引入到强跟踪SCKF的残差异常检测中,解决了强跟踪SCKF缺乏故障定位能力的问题.改进传统的X2验法,增强其对缓变故障的检测灵敏性.首先利用改进型X2验法检测不同故障模型的STSCKF残差输出,确定故障元件,然后采用STSCKF对故障元件参数进行估计.有源滤波电路仿真模型和某型无人机发射机实际故障数据的实验结果表明,相比于传统的X2验法,改进型X2验能更早地定位故障参数,STSCKF估计误差分别低于强跟踪无迹卡尔曼滤波(STUKF)估计误差的90％和普通SCKF估计误差的5％.     

强跟踪平方根容积卡尔曼滤波和 自回归模型融合的故障预测

为了解决非线性系统中不可测量参数的预测问题,提出一种带有次优渐消因子的强跟踪平方根容积卡尔曼滤波(STSCKF)和自回归(AR)模型相结合的故障预测方法.利用AR模型时间序列预测法预测未来时刻的测量值,将预测的测量值作为STSCKF的测量变量,从而将预测问题转化为滤波估计问题.STSCKF通过在预测误差方差阵的均方根中引入渐消因子调节滤波过程中的增益矩阵,克服了故障参数变化函数未知情况下普通SCKF跟踪故障参数缓慢甚至失效的局限性,使得STSCKF能较好地预测故障参数的发展趋势.连续搅拌反应釜(CSTR)仿真结果表明,STSCKF的预测精度高于普通SCKF和强跟踪无迹卡尔曼滤波(STUKF),验证了方法的有效性.     

基于AD9954的信号源设计与实现

采用基于DDS芯片AD9954的信号源设计方法,详细说明了信号源中椭圆函数低通滤波器的设计步骤,进行信号源硬件部分的调试完成了高性能正弦信号源的设计与实现.该信号源可以工作在单频和扫频两种输出模式,输出频率范围100 Hz～110 MHz,频率分辨率为0.1 Hz,频率转换间隔为1.5 ms.