基于飞参数据的飞机操纵系统故障评估方法

针对某型飞机的操纵系统故障评估问题,提出了一种基于飞参数据建立的差分进化极限学习机(DE-ELM)算法。该算法融合了差分进化(DE)和极限学习机(ELM)两种算法,通过对飞参数据进行训练,构建了飞机操纵系统的黑箱模型。由于极限学习机(ELM)的输入权值以及隐含层阈值是随机产生的,所以ELM的随机性较大,稳定性不高,故利用寻优能力较强的DE对ELM输入权值和隐含层阈值进行寻优,从而实现ELM的结构优化,提升ELM的稳定性和鲁棒性。仿真结果表明,DE-ELM算法的决定系数达到了97.6%,其均方误差相比于BP神经网络降低了约79%,相比于单纯的ELM降低了64%。所以说该法可以有效提高精确度,同时具有更加良好的泛化性能。     

基于飞参数据的航空发动机故障预报研究

为了充分挖掘飞参数据的应用价值,研究了利用飞参历史数据对发动机进行故障预报的方法.从理论上分析了飞参数据中的几组参数与发动机性能的内在关系,论述了利用飞参历史数据对发动机的4类故障进行预报的可行性以及具体的预报方法,并结合某型飞机飞参系统实际记录的数据研究了该方法的应用.研究结果对于保障飞行安全具有重要意义.     

基于飞参数据的监控算法研究

为了充分挖掘飞参数据在飞机监控及故障诊断中的应用价值,对利用飞参数据对飞机进行监控的算法进行了研究.分析了传统的监控算法存在的不足,提出了一种改进的监控算法,并介绍了新的监控算法的一个应用实例,证实了该算法的实用价值.该算法将在新开发的监控软件中得到应用.     

基于大数据的飞参数据融合集成与应用技术研究

通过介绍飞机飞参系统、飞参数据、大数据的基本概念,指出以飞参数据为基础开展数据挖掘和数据深化应用具备可行性。在当前国内外飞参数据融合集成和应用的技术现状基础上,总结当前飞参数据在解码分析、飞行品质监控、数据服务等领域的应用现状。结合大数据技术阐述飞参数据在清洗、集成和存储等各环节的技术途径,详细描述飞参数据在飞参判读、发动机综合监控和飞行训练评估等方面的应用,给出多机数据联合判读和对抗训练评估上的技术方案,探讨飞参数据应用的未来发展趋势。     

飞参过载数据预处理及其步骤优化

针对计算机程序编写质量欠佳可能对用于飞机结构疲劳寿命评定的飞参过载数据预处理产生不利影响的问题，有必要合理安排预处理步骤。预处理内容包括去除剧烈噪声、去除非峰非谷值、系统零点漂移修正、机体质量变化影响修正、去除首尾和中间平直段无效数据等，通过分析各步骤之间的相互影响，指出不同数据处理方法对步骤执行顺序的要求，并给出合理建议。研究结果表明，所提出的预处理步骤可以提高程序执行效率并保持处理结果的正确性。     

基于稀疏诱导特征选择神经网络的储层预测方法研究

常规储层预测方法对地震属性之间的隐含关系挖掘不充分、地震属性种类繁多难以选择.针对以上问题,为提高储层岩性的分类预测精度,提出一种结合特征选择与神经网络的储层预测方法.以DenseNet与SENet为基础,使用正则惩罚项进行网络输入层稀疏化,得到每个输入节点权重,进一步使用ReLU激活函数构建特征选择层,实现地震属性的...     

BP神经网络算法预测及其在飞参数据分析中的应用

针对飞机喘振参数受随机因素影响的特点,提出了用人工神经网络中BP网络对飞机发动机喘振预测.通过对喘振数据及机组实际振动数据的预测结果检验,证明该神经网络预测有利于飞机发动机喘振状态的预测精度.     

缺失飞参数据填补的组合方法研究

针对飞参数据的特点,将B样条曲线拟合和最小二乘支持向量机相互结合,提出了一种缺失飞参数据填补的组合方法。该方法将两者优势互补,对单一方法的填补结果进行加权平均,增强了算法的可靠性,提高了数据填补的精度。对比实验的结果表明了方法的可行性和适用性。     

基于BPSO的水下目标特征选择方法

为了提高水下目标识别的识别率,降低水下目标特征提取的代价,提出了基于二进制粒子群优化(Discrete Binary Parti-cle Swarm Optimization,BPSO)的水下目标特征选择算法,并结合k近邻分类算法,对三类实测水下目标数据进行了最优特征集的选择及分类实验.实验结果表明该特征选择方法能有效降低水下目标的特征维数,选择出利于分类的特征子集,提高了水下目标识别的分类效果.为了说明方法对于其他模式识别问题的效果,另外选择了UCI机器学习数据库中的四组标准数据进行仿真分析.     

基于飞参数据的飞行仿真模型验证方法研究

仿真模型验证已成为仿真研究的有机组成部分。为了更好地对飞行训练模拟器飞行仿真模型进行可信性评估,提高飞行训练模拟器飞行仿真模型的逼真性,将飞参数据应用于验证飞行训练模拟器飞行仿真模型的可信性。提出飞行仿真模型验证的验证方案,并对方案中的飞参解译、飞参数字滤波、飞行阶段识别及飞参数据插值处理等技术进行研究。介绍仿真模型验证量化评估的方法,包括时域分析法和频域分析法,并将这几种方法应用于某型飞行训练模拟器飞行仿真模型的验证,验证结果表明,利用飞参数据验证飞行仿真模型的方法完全可行。     

基于PSO神经网络的故障诊断方法研究

将粒子群优化算法和BP算法相结合,提出了一种基于粒子群神经网络的故障诊断方法.该方法分阶段实施神经网络的训练,有效地加强了算法的全局搜索能力,采用PSO优化了传播中的权值、阈值以及网络结构.这不仅弥补了BP算法的不足,而且删除了冗余连接,提高了故障模式识别的能力.仿真结果表明该方法加快了神经网络的学习收敛速度,提高了故障模式的识别正确率,可以有效地应用于设备的故障诊断.     

基于MPSO-BP神经网络方法的人体步态识别

为提高人体下肢步态相位识别准确率以实现外骨骼机器人控制,采用一种改进的粒子群优化MPSO-BP神经网络方法识别不同运动模式下的人体步态相位。通过自适应调整学习因子构造MPSO-BP神经网络分类器,以多种传感信息组成的特征向量样本集训练神经网络分类器,用于识别人体下肢在平地行走、上楼梯和起坐三种典型运动模式下的步态相位。实验结果表明,MPSO-BP神经网络分类器能有效识别三种不同运动模式的步态相位,识别准确率均达到96%以上,识别性能优于传统的BP神经网络模型和粒子群优化神经网络模型。     

基于并行二进制免疫量子粒子群优化的特征选择方法

为提高文本挖掘算法的运行速度,降低占用的内存空间,提出一种基于并行二进制免疫量子粒子群优化的特征选择方法．该方法采用二进制免疫量子粒子群优化搜索特征子集,利用并行算法来提高时间效率,从而较快地获得较具代表性的特征子集．实验结果表明该算法是有效的．     

改进动量粒子群优化神经网络的语音端点检测

为了提高语音端点检测率,提出一种改进动量粒子群优化神经网络的语音端点检测算法(WA-IMPSO-BP)。利用小波分析提取语音信号的特征量,将特征向量作为BP神经网络输入进行学习,并采用粒子群算法优化BP神经网络参数,建立语音端检测模型,在Matlab环境下进行仿真实验。仿真结果表明,WA-IMPSO-BP提高了语音端点检测率,有效降低了虚检率和漏检率,表示WA-IMPSO-BP是一种检测率高,抗噪性能强的语音检测算法。     

基于判别式分析和神经网络的特征选择方法

为了获得重要的特征集合,提出了一种基于判别式分析算法和神经网络的特征选择方法。通过最小化扩展互熵误差函数来训练神经网络,这一误差函数的使用减小了神经网络传输函数的导数,降低了输出敏感度。该方法首先利用判别式分析算法得到一个有序的特征队列,然后通过正则化神经网络进行特征的选择,特征选择过程是基于单个特征的移除带来验证数据集上分类误差变化这一原理。与其他基于不同原理的四种方法进行了比较,实验结果表明,利用该算法训练的网络能够获得较高分类准确率。     

一种改进的BP神经网络属性选择方法

提出一种改进的神经网络属性选择方法。该方法用敏感度分析法对初始属性集中的属性进行排序,剔除次要属性实现降维,用BP神经网络进行属性选择以找到最小属性集。仿真结果表明该方法效果良好。     

基于BP神经网络和特征选择的入侵检测模型

提出了一种基于后向传播神经网络和特征选择的入侵检测模型。通过使用该模型对经过特征提取后的攻击数据的训练学习,可以有效地识别各种入侵。在经典的KDD 1999数据集上的测试说明：该模型与传统的入侵检测模型相比,能够轻便、高效地对攻击模式进行训练学习,从而正确有效地检测网络攻击。     

基于离散粒子群和支持向量机的特征基因选择算法

基因芯片表达谱信息,为识别疾病相关基因及对癌症等疾病分型、诊断及病理学研究提供一新途径。在基因表达谱数据中选择特征基因可以提高疾病诊断、分类的准确率,并降低分类器的复杂度。本文研究了基于离散粒子群(binary particle swarm optimization,BPSO)和支持向量机(support vector machine,SVM)封装模式的BPSO-SVM特征基因选择方法,首先随机产生若干种群(特征子集),然后用BPSO算法优化随机产生的特征基因,并用SVM分类结果指导搜索,最后选出最佳适应度的特征基因子集以训练SVM。结果表明,基于BPSO-SVM的特征基因选择方法,的确是一种行之有效的特征基因选择方法。     

基于改进的QPSO训练BP网络的网络流量预测*

为了提高网络流量预测的精度,采用一种改进的QPSO算法训练BP神经网络对网络流量数据的时间序列进行建模预测。针对标准的QPSO算法不可避免地出现早熟的不足,提出一种新的基于参数自适应的QPSO算法,较好地避免了粒子群的早熟,提高了算法的全局收敛性能。仿真实验结果表明,与PSO训练的BP网络、QPSO训练的BP网络作为预测模型相比,该模型具有更高的预测精度及很好的稳定性。     

一种改进的基于神经网络的文本分类算法

提出并实现了一种结合前馈型神经网络和K最近邻的文本分类算法。其中,在选取特征项时考虑到Web文本不同标签组所代表的意义和权重有所区别,采用了一种改进的TFIDF特征选择法。最后对设计的分类器进行了开放性测试,实验结果表明该分类器显著地提高了文本分类的查全率和查准率。