飞行事故调查时缺失飞行参数的综合估计方法

分析了飞行事故时导致飞行参数缺失的几种因素,在介绍传统的基于参数变化率特性和基于参数间函数关系估计缺失飞行参数的方法后,重点研究了一种基于样本学习(神经网络和支持向量机)的缺失飞行参数的估计方法。仿真结果表明,当飞行参数间不存在确定的函数关系时,采用基于样本学习的飞行参数估计方法可行、有效。     

分析参数相关和时序特征的飞行动作识别方法

利用飞行训练过程中记录的飞行参数数据,可以识别飞行员操作的飞行动作类型。飞行参数数据的各参数子序列具有时序性、相关性、各参数量纲不同、数据量大的特点,所以该方法考虑利用主成分分析提取其参数相关度统计特征,使用欧氏距离判别分析进行粗分类;然后提取相关度较大参数数据的时序趋势变化特征,利用动态时间弯曲距离匹配细分类,进一步识别动作区段归属的飞行动作类型。该方法能够在保证识别率的前提下,提高飞行动作识别的效率。     

一种基于数据挖掘的HIFU温度估计方法

高强度聚焦超声(HIFU)是一种无创、低费用的新型肿瘤治疗手段。但是目前仍无一种有效的HIFU无损温度监控及检测治疗方法可应用于临床。该文采用数据挖掘中的回归分析模型,挖掘HIFU焦域处超声剪影图像中可用于温度估计的信息。结果表明在70℃以下的温度范围,采用该回归方程进行温度估计的精度为3℃。     

一种时间序列分解的卫星周期性参数预测方法

卫星遥测参数预测对卫星故障发现有着重要的指导作用。针对周期性参数难以预测的问题,提出了一种基于时间序列分解的卫星周期性参数的预测方法。该方法首先在频域上使用小波分析对参数序列进行降噪并提取参数的周期;然后,在时域上对参数的时间序列进行分解,进一步得到参数的趋势项和随机项,并根据各项特点分别使用灰色模型和ARMA模型进行预测;最后,重组各部分的预测值,得到最终预测结果。通过对我国某卫星遥测数据的对比实验分析,验证了该方法的正确性和有效性。     

三种数据降维方法的分析比较

数据降维主要是为了解决维数灾害问题。该论文主要分析了三种数据降维方法,并对算法优缺点进行了分析和比较。     

基于核方法的非线性时间序列预测建模

提出了一种基于核的非线性时间序列预测建模方法。对非线性时间序列的相空间进行重构以确定其嵌入维数,并提出一种基于核主成分分析的非线性时间序列相空间重构方法,针对时间序列的时序特征,采用一种加权的支持向量回归模型对时间序列预测建模。在不同基准数据集上的实验结果表明,与通常的基于普通支持向量回归的建模方法相比,该文所提出的预测建模方法具有较高的精度,说明所提方法对非线性时间序列的预测建模是有效的。     

一种飞行参数记录系统数据停漏记解决方法

飞行参数记录系统是一种用于监测飞机及其系统工作状态以及飞行员操纵飞机情况的机载设备,但由于缺少储能供电设计,不具备延时记录功能,当供电电源中断时,导致飞参系统数据停漏记;为了解决这种数据停漏记的问题,文中从系统供电延时、改进电源监控电路的角度提供了一种可行的新方法,改进电源监控电路设置,同时增加储能供电电路系统,从而有效解决了某型飞参系统数据停漏记问题,保证了数据记录的完整性;该方法在实际工作中得到了应用,具有一定的实用性和推广价值.     

一种新的时变参数递推估计方法

本文在极大似然估计与检测方法的基础上提出了一种新的时变参数推估计方法，该方法能快速跟踪参数的突变，仿真结果表明用该方法来估时时变参数能得到较好的的结果。     

一种面向智能车联网的缺失数据估计新方法

数据丢失是面对智能车联网中的一个常见问题。鉴于此,考虑了大型和多样化车联网中的缺失数据问题。通过在智能车联网中提取公共交通模式,比较了函数估计和张量分解等方法来估计这些缺失值的优劣后,提出了张量低秩近似估计新方法,该方法在缺失数据的情况下获得流量模式,得到大规模车联路网的低秩表示。通过不同的道路车联网实验测试,表明该新方法的估计精度、数据集的偏差达到了较好的效果。     

基于主元的多元时间序列聚类分析方法研究

为提高多元时间序列聚类算法的效率,采用基于主元分析的多元时间序列聚类方法,将原始多元时间序列元素划分成一系列互不相关的簇,根据各簇的代表元素和剩余元素的主元素之间的扩展欧几里德范数对多元时间序列进行聚类分析.理论分析和实验结果表明该算法聚类质量结果和运行时间明显优于直接利用K-means法时的聚类结果.     

一个高效的多变量时间序列聚类算法

时间序列聚类分析是数据挖掘研究的一个重要内容。已有的聚类算法大多采用k均值对低维数据进行聚类,不能对高维多变量时间序列（MTS）数据进行有效聚类。提出一种高效的多变量时间序列聚类算法PCA-CLUSTER,首先利用主成分分析对MTS数据降维;选取MTS数据的主成分序列进行K近邻聚类分析。理论分析和实验结果表明算法可以有效解决MTS数据聚类问题。     

基于卡尔曼滤波的路径行程时间预测方法

为提高常规卡尔曼滤波预测模型的自适应性，本文研究一种基于卡尔曼滤波的实时路径行程时间预测方法。首先通过主成分分析法考察行程时间与其影响因素时间序列之间的相关性，从而选择影响路径行程时间的主要因素，并建立相应的多元回归方程;其次，构造行程时间的卡尔曼滤波状态方程;最后，由一组卡尔曼滤波递推式计算得到行程时间的预测值。将本文算法应用于广州市某交通干道上的行程时间预测，并将本文算法和常规卡尔曼滤波方法进行比较。结论表明本文算法有效，用于路径行程时间预测具有较好的综合性能。     

基于变量相关性的多元时间序列特征表示

针对高维特性对多元时间序列数据挖掘过程和结果的影响,以及传统主成分分析方法在多元时间序列数据特征表示上的局限性,提出一种基于变量相关性的多元时间序列数据特征表示方法。通过协方差矩阵描述每个多元时间序列的分布特征和变量相关关系,利用主成分分析方法对综合协方差矩阵进行主元分析,进而实现多元时间序列的数据降维和特征表示。实验结果表明,所提出的方法不仅能提高多元时间序列数据挖掘的质量,还可以对不等长多元时间序列进行快速有效的挖掘。     

基于共同主成分的多元时间序列降维方法

针对常见的降维方法难以有效保留多元时间序列主要特征的问题,分析了传统主成分分析(PCA)方法在多元时间序列降维中的局限性,提出一种基于共同主成分分析的多元时间序列降维方法,并通过仿真实验比较了两种方法的降维有效性和计算复杂度.实验结果表明,所提出的降维方法能够以相对较小的计算代价,更有效地对多元时间序列进行降维.     

主成分分析与神经网络的结合在多变量序列预测中的应用

目前预测方法的研究主要集中在单变量时间序列上,本文建立起一种针对多元变量非线性时间序列建模和预测的方法框架.首先,同时考虑序列状态间的线性相关性和非线性相关性,建立初始延迟窗以包含充分的预测信息;然后,利用主成分分析(PCA)方法寻找不同变量在数据空间中的最大方差方向,扩展PCA应用于提取多个变量的综合信息,重构多元变量输入状态相空间;最后,利用神经网络逼近不同变量之间以及当前状态和将来状态之间的函数映射关系,实现多元变量预测.对Ro¨ssler混沌方程和大连降雨、气温序列的预测仿真说明了本文方法的有效性,为多元变量时间序列分析提供了一条新的途径.     

基于计算机视觉的飞行器姿态快速估计方法

对无人飞行器编队中,队形保持阶段的飞行器姿态估计问题,进行了探索研究和仿真分析;基于计算机视觉中的弱透视投影理论,提出了一种快速的飞行器相对姿态估计方法;利用机载摄像头获得飞行器图像,提取、匹配飞行器图像的三个特征点,用图像中第四点决定姿态变化的方向,实现相对姿态的估计;通过仿真实验分析表明,提出的方法不依赖于特定的飞行器模型,不需要飞行器正面视图;且方法运算快速,计算简单,准确性较高,可以用于飞行器实时姿态估计。     

基于平稳小波变换的飞行数据去噪方法

为更有效地去除飞行数据中的噪声,分析了平稳小波变换的基本原理,将小波系数相关性与阈值收缩去噪方法相结合,提出一种基于系数相关性的改进阈值函数去噪方法。该方法采用平稳小波变换,先对小波系数进行相关性分析,而后使用改进的阈值函数对小波系数进行阈值处理,最后进行信号重构。实验结果表明:该方法不仅能够很好地保持信号的形状,而且信噪比较高、均方误差较小;在实际的飞行数据处理中能够获得较好的去噪效果。