基于贝叶斯估计的漏磁缺陷轮廓重构方法研究

漏磁缺陷轮廓重构是指由检测到的漏磁信号重构缺陷轮廓及参数,是实现漏磁反演的关键。目前常用的反演方法包括神经网络法和优化法,但神经网络法的计算精度受噪声影响严重,优化法计算量大。针对这些问题,提出基于递推贝叶斯估计的漏磁缺陷重构算法。建立缺陷轮廓与漏磁信号的状态空间模型,将反演问题描述为基于状态和观测方程的典型的离散时间跟踪问题,对漏磁信号进行了反演,并在不同信噪比下对神经网络法和所提方法进行了反演效果的比较。结果表明：基于递推贝叶斯估计方法的漏磁信号反演算法精度高,同时对噪声具有鲁棒性,是一种有效可行的漏磁反演新方法。     

双小波神经网络迭代的漏磁缺陷轮廓重构技术

在二维漏磁缺陷重构中,建立基于径向基小波神经网络(RWBF)的正演和反演模型,提出了一个反馈形式的双小波神经网络迭代模型,通过迭代使目标函数最小化,实现对缺陷轮廓的快速逼近。用仿真和实验获取的训练样本分别对正演和反演模型的RWBF进行训练。为了提高径向基神经网络的适应性和精度,提出了一种新的训练算法。首先确定最优分解层数,然后利用梯度下降法修正网络的权值。对不同分辨率和不同信噪比下的漏磁信号进行了重构,并与其他方法进行了比较。结果表明,双小波神经网络迭代模型能够实现漏磁缺陷的精确逼近,具有良好的鲁棒性,是有效的二维轮廓重构方法。     

基于LS-SVM的飞机部件故障率预测

支持向量机具有完备的统计学习理论基础和学习功能。它用核函数建立预测模型,再用已知数据为学习样本训练学习机,用检验样本进行验证、预测系统未来故障。最小二乘支持向量机(LS-SVM)采用最小二乘线性系统作为损失函数,函数估计精度高、收敛速度快。基于支持向量机的多层参数寻优、等维信息一步预测和不等维信息多步预测,可用于飞机状态评估、故障诊断和参数预测以及故障率分析。     

基于LS-SVM的装备研制费用建模与分析

应用最小二乘支持向量机原理建立基于最小二乘支持向量机的装备研制费用预测模型,利用LS—SVM方法对装备研制费进行预测步骤包括样本数据准备、模型训练学习、训练结果评估等循环过程,然后应用实例进行预测与分析。结果表明采用最小二乘支持向量机进行装备研制费用预测,所需样本量少、预测精度高、泛化能力强。     

火炮身管缺陷漏磁信号的识别

在对火炮身管缺陷进行漏磁检测时,由于内表面膛线的存在,漏磁信号中除缺陷信号外,还有系统噪声和膛线干扰信号。说明了自适应滤波方法和小波变换分别去除膛线干扰信号和系统噪声的原理。在仿真试验中,自适应滤波的权值学习算法采用最小均方算法,自适应滤波的原始输入和参考输入信号来自于不同的两个传感器;选取二阶样条小波为小波函数,选用硬阈值函数和固定阈值的方法处理小波系数。结果表明,自适应滤波方法和小波变换很好地去除了膛线干扰信号和系统噪声,提取出了缺陷信号。     

基于LS-SVM 的新机备件需求预测

为解决因新机备件历史消耗数据相对较少而给备件预测工作带来的困难,提出应用最小二乘支持向量机(least squares support vector machine,LS-SVM)回归算法来实现新机备件需求的预测.阐述了最小二乘支持向量机的基本原理,建立了新机备件需求的预测模型,选取核函数,采用LS-SVM对训练样本进行学习,对其网格结构参数进行训练,通过十字交叉验证(cross-validation)和网格搜索(grid-search)确定最优参数,利用训练后的LS-SVM对新机备件需求进行预测,并进行算例仿真.结果表明,LS-SVM在新机备件需求预测上表现优秀.     

基于改进的LS-SVM地空导弹生存能力的预测

针对最小二乘支持向量机(LS-SVM)缺失的鲁棒性以及参数难以选择的问题,提出了改进的LS-SVM预测建模方法。该方法首先从样本特征重要程度的角度出发构造特征加权矩阵,然后利用该特征加权矩阵对LS-SVM进行加权,最后采用了人工鱼群优化算法选择模型参数。通过对基准数据集的仿真验证了该方法的有效性和可行性,并将其预测地空导弹生存能力,获得了满意的结果。     

基于三维有限元法的漏磁场分析

针对磁偶极子模型和二维有限元法在分析漏磁场过程中存在的不足,采用三维有限元分析漏磁场。根据麦克斯韦方程组和三维有限元分析原理建立了数学模型。利用数学模型对漏磁信号进行了仿真分析,得到了三维磁通密度矢量图和它的径向分量曲面图,直观地显示了缺陷附近漏磁场的特点。同时研究讨论了缺陷长度、检测路径位置和提离值对漏磁信号峰峰值的影响。为进一步对漏磁场的研究打下基础。     

基于SVM 的作战效能灵敏度分析

从评估问题本身出发研究学习样本的构造方法,针对传统灵敏度分析方法的不足,提出基于支持向量机的作战效能灵敏度分析方法。分析基于最小二乘支持向量机（Least Square Support Vector Machine,LS—SVM）作战效能的原理与模型,提出一种新的基于属性效用函数估计的学习样本构造方法,提出基于PSO算法的LS—SVM参数的优化选择方法。总结基于支持向量机的作战效能灵敏度分析的实现算法,采用参考文献中的数据为例进行算例分析。结果表明,该方法无需考虑决策属性间的复杂关系,在灵活性和所提供的信息量上由于传统解析法,在计算速度上优于Monte Carlo法。     

基于小波神经网络的火炮裂纹形状重构

介绍了漏磁无损检测的原理和漏磁场数学模型,提出了用小波神经网络对裂纹形状重构。在仿真试验中,用训练样本对小波神经网络进行训练逼近裂纹形状,训练采用随机梯度下降算法。训练样本来自漏磁场数学模型数据和测量的火炮漏磁信号,用测量数据重构裂纹形状。小波神经网络是多分辨率逼近,通过改变网络的分辨率控制输出精度。结果表明,小波神经网络能够精确地重构裂纹。     

基于KPCA与LSSVM的惯性测量组合模拟电路故障诊断

针对惯性测量组合模拟电路因容差造成的软故障不易诊断的问题,将核主元分析与最小二乘支持向量机结合,应用于惯性测量组合模拟电路软故障的诊断．通过对电路频率响应的输出波形进行分析,选取不同频率下的电压值作为原始特征,利用核主元分析提取主要特征,然后利用最小二乘支持向量机对各种状态下的特征向量进行分类决策,实现惯性测量组合模拟电路的软故障诊断．仿真结果表明,该方法计算简单,能够准确诊断软故障,具有较高的识别率．     

基于D-S证据理论的导弹制导控制系统的联合最小二乘支持向量机预测模型

针对导弹制导控制系统电子设备密集、各性能特征参数间相互耦合关联性强、使用传统最小二乘支持向量机（LS-SVM）预测精度不高的问题,通过分析特征参数的时间相关性与空间相关性,对传统LS-SVM进行了改进,并利用D-S证据理论在数据融合中的优势,将传统与改进的LS-SVM进行融合,建立了联合最小二乘支持向量机（ULS-SVM）预测模型。以导弹制导控制系统为例,实现了关键参数预测。结果验证了模型的合理性与有效性。     

Temperature Drift Modeling of FOG Based on LS-WSVM

Large temperature drift is an important factor for improving the performance of FOG. A trend term of temperature drift of FOG is obtained using stationary wavelets transform, and an FOG drift algorithm with least squares wavelet support vector machine (LS-WSVM) is developed. The algorithm used Maxihat wavelet as a kernel function of LSWSVM to establish an FOG drift model. It has better modeling precise than LS-WSVM model with Gauss kernel. Results indicate the efficiency of this algorithm of LS-WSVM.     

基于IPSO_LS-SVM 的国防科研项目概算价格估算研究

为解决国内在估算方法选择和模型性能优化上存在的问题,利用改进的粒子群算法优化最小二乘支持向量机(least squares support vector machine,LS-SVM)的参数选择方法,对国防科研项目概算价格估算进行研究.依据最小二乘支持向量机原理,通过优化其参数选择方法,建立了IPSO_LS-SVM概算价格估算模型,并对其进行模型训练和结果验证.结果表明:IPSO_LS-SVM方法估算精度更高,参数寻优速度更快,其估算模型具有有效性和优越性.     

铁磁材料组合型裂纹的漏磁数学模型

实际的裂纹几何形状千差万别 ,使得漏磁场的分布与标准裂纹理论分析结果产生误差 ,造成定量检测的困难。本文对宽度在 5 0微米以下的 12 8条裂纹形状进行了统计分析 ,模拟了一种组合型裂纹 ,建立了裂纹漏磁数学模型。实验结果表明 ,组合雷丸漏磁模型较好地反映了漏磁与裂纹几何形状之间的关系 ,可作为漏磁信号定量分析的依据     

Depth Control for AUV Based on RS-LSSVM

Aimed at uncertainties and model’s impreciseness, nonlinearity and time-variability of depth control system in autonomous underwater vehicle (AUV), a depth predictive control method was put forward based on rough set (RS) and least squares support vector machine (LSSVM). By using RS theory, the monitor data attribute of AUV was reduced to eliminate the redundant information and to improve efficiency. Then, LSSVM model was trained by using the reduced rules, and its parameters were optimized by using chaos theory for the higher accurate control. Taken an AUV typed NPS Phoenix as an example, its depth step response, horizontal rudder and pitch change were simulated. The simulation results show that the method improves the model’s accuracy and has better real-time response, fault-tolerant ability, reliability and strong anti-interfere capability.