终端区4D飞行轨迹预测与冲突预警

为提升终端区飞行轨迹预测精度,实现航空器短时冲突预警,建立一种基于孪生支持向量回归的终端区4D飞行轨迹预测模型。对历史飞行轨迹应用重采样算法,降低轨迹数据规模;利用墨卡托投影将轨迹点经度、纬度与高度化为x-y-z坐标,采用孪生支持向量回归算法学习预测模型,实现短时航空器飞行轨迹动态预测;计算两架航空器水平、垂直距离,建立航空器冲突预警指示函数;对孪生支持向量回归算法进行超参数灵敏度分析,分析各超参数对模型预测效果的影响。根据机场真实数据进行仿真实验,证明：基于孪生支持向量回归的4D飞行轨迹预测模型能够准确捕捉航空器运动趋势,且泛化能力强;所提模型x-y-z坐标预测均方根误差是BP神经网络预测结果的32%,35%和61%,单次预测计算用时减少约0.13 s。     

基于智能算法优化BP的航空器滑出时间预测

滑出时间是评估大型机场场面运行效率的主要性能指标，科学准确地预测离港航空器的滑出时间，对于提升场面运行效率至关重要。首先，分析了航空器滑出时间影响因素及相关性，构建了基于BP神经网络的航空器滑出时间预测模型。针对BP神经网络存在对初始权值和阈值敏感、准确性和稳定性欠佳等缺点，分别采用粒子群算法和麻雀搜索算法获取BP神经网络的最优权值和阈值，并采用我国中南某枢纽机场2周的实际运行数据对智能算法优化后的预测模型进行了验证。结果表明：①滑出时间与半小时平均滑出时间、起飞队列长度、同时段滑行的离港航空器数量均有强相关性，与同时段滑入的进港航空器数量中度相关，与滑行距离和经过冲突热点区域个数相关性较弱；②考虑强相关和中度相关影响因素的4元组合预测模型的预测结果最佳；③智能优化算法通过获取神经网络的局部最优权重和阈值，可有效地提升航空器滑出时间预测结果的精度，但运算过程耗时也更长；④基于PSO优化后的BP神经网络预测结果较优化前的MAPE提升了1.13%，MAE减少了4.48s，RMSE减少了4.68s；基于SSA优化后的BP神经网络预测结果较优化前的MAPE提升了3.05%，MAE减少了16.55s，RMSE减少了14.32s。     

基于径向基函数网络的能源消费量预测模型

采用径向基函数(RBF)神经网络方法进行能源消费量预测,建立了基于RBF神经网络的能源消费量预测模型。以我国1978~1997年的实际数据作为学习样本,对网络进行训练,拟合效果良好;以1998~2002年的实际数据检验网络,预测精度较高。并通过实例与BP网络进行比较,表明RBF网络预测模型优于BP网络预测模型。     

基于ABC-BP的短期风速预测研究

针对短期风速预测问题,提出一种基于人工蜂群算法(Artificial Bee Colony Algorithm,ABC)和BP(BackPropagation)神经网络的预测模型。将温度、当地气压、海平面气压、风向、风切变、风速等气象数据作为原始样本数据,首先进行归一化处理,然后利用BP神经网络对归一化后的数据进行训练,并用ABC优化BP的权值阈值矩阵,建立短期风速预测模型。仿真结果表明,与BP神经网络、ABC-SVM等模型进行对比,该模型在短期风速预测方面的准确度更高。     

基于GA-ELM数控铣刀寿命预测模型研究

在加工过程中,刀具磨损状况对零件的加工质量具有重要影响,精确预测刀具寿命是智能制造系统必须具有的关键功能之一.在分析数控铣刀寿命影响因素的基础上,引入极限学习机(ELM)算法模型,建立数控铣刀寿命预测模型.在寿命预测过程中,采用遗传算法(GA)对ELM模型的输入权值和隐含层阈值进行优化,建立基于GA-ELM的数控铣刀寿命预测模型,同时将其与基本BP神经网络、优化BP神经网络和基于粒子群改进的BP神经网络的预测结果进行对比分析.结果表明,基于GA-ELM的刀具寿命预测模型相比较于其他3种算法更加优越,是一种行之有效且精度高的刀具寿命预测算法.     

一种基于决策树和遗传算法-BP神经网络的组合预测模型

设计了基于决策树和GA-BPNN(遗传算法-BP神经网络)组合预测模型,通过决策树分类贡献优先特征选择方法解决了BP神经网络的输入参数难选取的问题;利用改进遗传算法的全局择优能力,解决了BP神经网络由于随机选取初始权值导致易陷入局部极小值的缺陷。实验证明,组合预测模型能自学习专家经验,准确地对职业能力进行智能预测。     

基于BP神经网络分源预测综采面瓦斯涌出量研究

为了提高综采工作面瓦斯涌出量的预测精度,根据综采工作面瓦斯来源的分析,在瓦斯分源预测方法的基础上,融合神经网络预测技术,建立BP神经网络分源预测模型.结合某矿1242(1)工作面地质条件和开采技术条件,利用BP神经网络分源预测模型对工作面瓦斯涌出量进行了预测,结果表明,BP神经网络分源预测模型预测精度能满足现场需求,与...     

采用BP和RBF神经网络的厦门市工程造价预测模型

收集55个厦门市典型工程造价指标,利用SPSS软件对数据进行预处理,选取11个工程特征作为造价的主要影响因素,分别建立基于多层前馈(BP)和径向基函数(RBF)神经网络的工程估价模型.从55个案例中随机抽取10个作为预测样本,剩下的45个作为训练样本,进行BP,RBF神经网络预测模型的训练和测试.结果表明:通过参数优选的RBF神经网络工程造价预测模型,预测误差在5%以内,网络泛化能力更优越,可用于实际工程造价的辅助估算.     

熵在空气质量指数(AQI)预测中的应用

为了更准确地找出影响空气质量指数的气象因子与提高其预测精度,提出了基于熵、BP神经网络和时间序列模型的组合预测模型。该方法利用增加了特征变量的转移熵方法,得到影响AQI的气象因子及其影响度,将得到的气象因子与AQI实测值作为BP神经网络的输入因子和时间序列分析模型的特征因子,影响度作为BP神经网络输入因子的初始权重,构建BP神经网络预测模型和时间序列分析预测模型,最后用熵值法组合各个预测模型的预测结果。实验表明利用该方法对空气质量指数进行预测可提高其预测精度。     

基于 KPCA-AGRU 神经网络的火电机组 NO x排放预测

针对火电机组锅炉燃烧过程中预测 NOx 排放过程存在的非线性和时序性特点,提出一种基于核主成分分析 (KPCA)和注意力机制(AM)的门控循环神经网络(GRU)氮氧化物预测模型。 首先选用 KPCA 对模型的输入变量 进行降维,消除冗余变量;其次,将筛选的变量数据作为 GRU 的输入,并采用网格搜索优化 GRU 的超参数;最后, 引入 AM 计算权值,实现区分输入特征功能,提高 NOx 预测模型精度。 通过某 330 MW 电站锅炉实际数据对 AGRU 预测模型仿真验证,并将 AGRU 模型、GRU 模型和 BP 神经网络模型的预测结果进行对比。 结果表明:基于 AGRU 的 NOx 预测模型的均方根误差和平均绝对误差较 BP 神经网络和 GRU 模型均有减少,可精准预测非线性时序燃 烧过程的 NO x 排放。     

基于熵权法的飞机燃油流量全航程组合预测

在复杂的航班运行中,影响各飞行阶段的主要因素不尽相同。以当前使用范围较广的B737NG飞机所使用的快速存取记录器(Quick Access Recorder,QAR)的大量数据进行研究,将航段划分为巡航、爬升、下降等阶段,利用熵权法确定不同预测模型的权系数,建立全航程组合预测模型。利用Pearson相关性系数分析筛选建模数据,以平稳小波Rigorous SURE的方法对数据进行预处理、滤波去噪。针对BP神经网络(误差反向传播网络)在飞行状态复杂的下降及地面阶段预测效果不理想,引入回归模型进行修正。以熵值法确定动态权系数,即结合飞行阶段进行分段预测,以飞行参数为基础建立燃油流量(FF)的全航程组合预测模型。通过仿真分析,并选取航班中普遍且具代表性的情况验证预测模型的精确度,误差范围均在±3.5%内,证明该模型合理且具有较广的适用范围。     

离港航班滑出时间的支持向量机预测模型

为解决BP神经网络在离港航班滑出时间预测精度欠佳的问题,构建了基于支持向量机(Support Vector Mac, SVM)的离港航班滑出时间预测模型。首先,分析了影响离港航班滑出时间的可量化因素,构建了基于相关性分析的离港航班滑出时间预测模型；并对比分析了基于SVM和BP神经网络的滑出时间预测结果。结论表明：(1)离港航班滑出时间与同时段推出航班数量、同时段起飞航班数量、同时段落地航班数量、1小时平均滑出时间呈现强相关性,与滑行距离、转弯个数、延误时间相关但不显著,与起飞时刻所在时段不相关。(2)基于SVM和BP神经网络的预测结果趋势是一致的,考虑强相关和中度相关影响因素的七元组预测结果准确率达到最佳；引入不相关因素后模型的预测精度会下降。(3)基于SVM的滑出时间预测模型精度显著高于BP神经网络预测模型,滑出时间误差范围在内的预测准确率可达98%。     

基于航迹特征的飞行程序噪声预测研究

针对目前飞行程序减噪设计的需要,研究了民机的航迹特征,选取了声暴露级（SEL）作为单个事件的飞机噪声评价指标,并在研究飞行程序特点的基础上,结合飞机噪声性能（ANP）数据库和NPD噪声计算方法,建立了一套基于航迹特征的离场飞行程序噪声预测方法。以某民用机场的离场程序为例,绘制出噪声等值线图,验证了方法的可行性。实例证明,该方法可以量化预测飞行程序的噪声影响,规范了飞行程序噪声预测的方法,可以为减噪飞行程序设计提供参考。     

基于机器学习的飞机起落架着陆载荷预测模型

随着物联网、大数据技术的深入发展，一型装备交付部队的同时，往往需同步提供数字孪生模型以优化视情维护过程。论文基于某型号飞机试飞数据，提出一种将机器学习技术用于飞机起落架着陆载荷预测模型构建的方法。以某型号飞机飞行参数为输入，以传感器实测的左起落架垂向载荷为输出，经数据清洗和特征降维后，分别建立极端梯度提升（extreme gradient boosting, XGBoost）、随机森林（Random Forest）和多层前馈（back propagation, BP）神经网络模型，并对所建模型进行调优。经对比和评估，XGBoost模型具有最高的预测精度，对起落架载荷绝大多数样本的预测误差均保持在6%以内，同时建模时间少，泛化能力强，为起落架载荷预测最优模型。     

基于BP神经网络的城市供水系统管网预测

针对城市供水系统的复杂性、非线性、时变化性以及多因素影响的特点，探讨了建立基于BP神经网络城市供水管网预测的原理，阐述了建立基于BP网络的城市供水时序预测模型方法．根据管网的节点压力历史数据纪录，建立基于神经网络的管网压力时序预测模型，对未来某一时段的节点压力进行预测．从预测过程和结果分析，基于BP神经网络城市供水管网预测方法操作简单，运行速度快，误差修正方便，精度高．图2，表1，参12．     

航空器爬升与下降阶段4D航迹预测

准确的4D航迹预测可以在冲突探测与解脱、航迹优化和空中交通流量管理等多个领域发挥重要作用。为提高预测的准确性，本文提出了基于机器学习的航空器4D航迹预测方法。首先，利用爬升阶段提取研究指标，构建循环神经网络（Recurrent Neural Network, RNN）和长短期记忆网络（Long Short-Term Memory, LSTM）两类模型；然后，下降阶段在此基础上进行数据维度拓展，构建RNN、LSTM模型进行航迹预测；最后，仿真结果表明，爬升阶段模型和下降阶段模型对于航空器位置预测准确性高，展现了航迹预测模型的良好鲁棒性。     

基于IPSO-BP神经网络的坝基扬压力预测方法研究

针对坝基扬压力预测的传统BP神经网络模型初始权值和阈值随机性强、易陷入局部最优等局限,采用惯性权重动态调整的改进粒子群算法对BP网络的初始权值和阈值进行优化,建立了基于IPSO的BP神经网络坝基扬压力预测模型．通过算例验证算法的优越性及程序的准确性,并以某大坝多年扬压力监测数据进行工程实例应用,结果表明,IPSO—BP扬压力预测模型与传统BP模型相比,拟合相关系数大,统计误差小,预测精度更高．     

离港航班可变滑出时间预测方法及应用

考虑离港航班可变滑行时间的可量化影响因素,构建了基于BP神经网络的离港航班可变滑出时间预测模型,然后采用遗传算法（Genetic Algorithm, GA）优化BP神经网络的权值和阈值,并提出基于可变滑出时间预测结果的航空器推出控制策略。最后,基于我国中南某枢纽机场2周的实际运行数据对预测模型及控制策略进行了验证。结果表明：①离港航班的可变滑出时间与机场场面交通流有强相关性,与平均滑出时间中度相关,与滑行距离相关性和转弯个数较弱;②基于GA优化后的BP神经网络预测结果误差在±60s、±180s、±300s内的准确率分别提升了14%、10%和5%;预测结果的平均绝对误差百分比提升了1.87%,平均绝对误差和均方根误差分别减少了3.58s、32.45s。③基于可变滑出时间预测的离港推出策略比实际推出时间平均晚68s。研究成果为提升大型枢纽机场场面运行效率和协同决策能力提供了新的思路。     

基于改进卷积网络的终端区4D航迹预测与冲突检测

随着不断扩大的旅客运输量和航线网络规模,采用飞行计划结合空中交通管制的空中管理办法已经不能与当前民航需求和空中交通流量相匹配,直接影响到航班正常率和运行安全。为解决这一问题,国际民航组织(International Civil Aviation Organization, ICAO)提出了基于航迹运行(trajectory based operation, TBO)的下一代空中交通管理运行理念,中国民航也提出了智慧民航的建设方案和目标。其中4D航迹是TBO运行的核心组成部分,也是中国建设智慧民航的重要技术指标,其可以对航空器的运行进行精确地管理和控制。因此,提高4D航迹预测的准确性成为了目前急需解决的核心问题。面向航空器的飞行任务实施阶段,从4D航迹预测和冲突检测两个问题进行了研究。在航迹预测方面,采用了基于卷积神经网络-双向门控循环单元(convolutional neural networks-bidirectional gated recurrent unit, CNN-BiGRU)的模型对航迹进行高精度预测;在冲突检测方面,引入了航迹距离检测函数以检验预测模型生成的两条航迹是否...