可靠性仿真在模糊故障诊断中的应用

针对模糊故障诊断中传统模糊关系矩阵确定方法不能动态适应具体设备运行状态变化等缺点,提出了基于故障树的可靠性仿真方法,用于确定模糊关系矩阵。该方法首先利用元器件的失效分布数据和设备深层原理性知识建立故障树,进行可靠性仿真,然后根据仿真结果和具体设备的历史故障信息动态计算模糊关系矩阵。给出了该方法的具体应用步骤。实际诊断结果表明,该方法可以有效地提高模糊故障诊断的准确性与针对性。     

基于粗糙集和D-S证据理论的设备技术状态评估

针对设备技术状态评估中存在着不确定性,建立了基于粗糙集理论和D-S证据理论的设备技术状态评估模型,以提高评估的准确度,降低不确定性。首先利用粗糙集理论的知识约简功能来优化设备技术状态评估指标,其次采用D-S证据理论来组合优化过的指标,最后采用基于基本可信度分配的决策来获得设备的技术状态类别。以汽轮鼓风机为研究对象,详细描述了基于粗糙集理论和D-S证据理论的设备技术状态评估方法,并进行实例计算。实例表明采用粗糙集理论,优化了评估指标,减少了数据收集;采用D-S证据理论,进一步综合各指标,并能计算出评估结果可能存在的不确定性量。     

基于集成学习与特征降维的小样本调制识别方法

针对有标签样本较少条件下的通信信号调制识别问题, 提出一种基于集成学习与特征降维的小样本调制方式分类模型。首先,通过集成人工特征与深度学习自动提取特征构成特征集合。然后,设计特征选择算法对特征合集进行优选生成高效特征子集。最后, 利用可快速收敛的高性能分类器对信号进行区分, 实现在少量有标签样本和大量无标签样本条件下的调制方式分类。仿真结果表明, 通过对8种数字信号进行调制识别, 在信噪比为20 dB时, 所提算法可将信号最高识别率提升至96%, 同时该算法设计简单, 具有较大应用价值。     

基于SMC-RS-LSSVM的电子商务客户流失预测模型

为提高个体层次上客户流失预测的精度,建立了基于SMC-粗糙集-最小二乘支持向量机的电子商务客户流失预测模型.该模型首先利用SMC模型计算出客户活跃度,以0.5为阈值判断出客户流失状态,识别出正判客户和错判客户;其次应用粗糙集理论约简出重要的客户流失预测指标体系,然后将训练样本送入最小二乘支持向量机进行学习和训练,进而对测试样本的客户流失状态进行判别.利用某网上商场的2525名客户样本进行电子商务客户流失预测实证研究,结果表明:与SMC模型、BP神经网络模型、最小二乘支持向量机模型相比,该模型对测试样本预测精度更高,是一种更为有效和实用的客户流失预测方法.     

多阶段随机退化设备剩余寿命预测方法

剩余寿命预测是系统视情维护和健康管理的重要基础.针对设备退化过程中表现出的阶段性差异,提出了一种基于累加和检验变点分析与漂移布朗运动的剩余寿命预测方法.该方法首先对获取的状态检测信息进行累加和检验,获得退化过程的最新显著变点;然后利用最新变点之后的状态检测数据对漂移布朗运动模型的参数进行极大似然估计;最后利用失效阈值的首达时间分布预测设备的剩余寿命.连续搅动水箱式反应堆仿真试验说明了所提方法的有效性.试验结果表明,所提方法能够准确地检测出退化过程的显著变化点,预测设备的剩余寿命,且预测结果波动较小,具有更好的鲁棒性.     

融入个体活跃度的电子商务客户流失预测模型

为提高个体层次上客户流失预测的精确度, 建立了融入个体活跃度的电子商务客户流失预测模型H-ULSSVM. 该模型首先利用融入地域因素的启发式算法计算出最优阈值, 并求出个体的活跃度, 识别出正判客户和错判客户; 在此基础上, 考虑电子商务客户流失预测影响因素众多, 提出了一种粗糙等价类属性约简方法提取出重要的客户流失预测指标, 然后将降维后的正判客户样本送到非平衡最小二乘支持向量机进行学习和训练, 进而利用得到的分类器对错判客户样本的客户流失状态进行判别. 在某B2C电子商务平台客户样本的实证研究表明, 该模型与其他方法相比, 具有更好的效率和精确度.     

基于改进深度残差网络的旋转机械故障诊断

针对旋转机械工况复杂多变、有标签样本不足而导致的故障特征提取困难等问题,提出了一种用于旋转机械故障诊断的改进深度残差网络(improved deep residual network, IDRN)。首先,采集旋转机械一维振动信号进行数据预处理;然后,在深度残差网络的基础上引入了长短时记忆(long short-term memory, LSTM)网络,其中,LSTM网络可以有效捕捉故障的时序信息;在残差块中引入Dropout层提高了故障诊断的精度和收敛速度;最后在轴承与齿轮数据集上验证本文提出方法的有效性。实验结果表明,该方法在堆叠多层网络模型时,没有出现明显的网络退化现象,与当前广泛使用的几种诊断方法进行对比实验,表现出了较高的平均诊断精度和良好的适用性。     

基于数据深度的支撑向量估计

针对支撑向量机分类问题,提出了利用空间秩深度估计两类样本潜在支撑向量的方法。首先计算出样本在相对本类和相对于异类的深度,然后取其比值作为相对深度。注意到样本相对深度在交界面位置较大的特性,我们用相对深度估计样本中的潜在支撑向量。对非线性分类问题,我们给出了特征空间下的深度计算公式,拓宽了算法的适用范围。利用潜在支撑向量信息,我们不仅可以除去大量的计算冗余样本,而且可以利用边界信息通过修正核提高支撑向量机的分类性能。

Abstract：

A method was proposed to estimate the potential support vectors （SVs） in advance based on spatial rank depth （SRD） in binary classification by support vector machine （SVM）. Noting that the ratio of relative-class data depth to inner-class data depth is extra large in the interface of the two datasets,the relative depth was used to estimate the support vectors in the samples. According to the nonlinear classification,the spatial rank depth in the feature space was discussed. By estimating the SVs in advance,the computation not only could be reduced by removing the redundant data while keeping the precision,but also the performance of SVM could be improved by the revised kernel method using the interface information.     

基于图的半监督目标跟踪

针对目标跟踪方法中有限的目标样本对监督分类器的影响,提出一种基于图的在线半监督跟踪方法。首先,根据前几帧的跟踪结果分别提取反映目标当前状态和长期状态的特征以及背景的特征,共同组成标记样本集,再在当前帧通过运动模型采样候选区域作为未标记样本集。然后将每个样本分割成若干部件,以所有样本对应部件构成的集合为节点构建一张图,并独立在每张图上应用基于图的半监督分类方法给出判决分数,各部件的判决结果最终被融合并给出跟踪结果。最后,用新的跟踪结果更新标记样本集。实验证明该方法对目标和背景的动态变化有很强的鲁棒性,满足实时性要求。     

基于改进匹配网络的单样本学习

当前深度学习是基于大量标注数据样本通过多层网络实现模型自动识别。然而,在很多特殊场景下,难以获取大量标注样本数据,小样本物体识别仍是深度学习下关键性的难题。针对这一问题,首先利用4层深度卷积神经网络(deep convolution neural network,DCNN)提取训练样本和测试样本的高层语义特征,然后基于改进的匹配网络分别采用双向LSTM和attLSTM算法对训练样本和测试样本深入提取更加关键和有用特征并进行编码,最后在平方欧氏距离上利用softmax非线性分类器对测试样本进行分类识别。实验通过Omniglot数据集对提出的改进模型进行测试,取得了非常好的效果。改进的模型即使在最复杂的20 way 1 shot情况下,依然能够达到93.2%的识别率,Vinyals的原创匹配网络模型在20 way 1 shot的情况下只能达到88.2%的识别率,与原创匹配网络模型相比,改进的模型在类别数更多而样本数较少的复杂场景下具有更好的识别效果。     

基于改进型BP神经网络的导引头测高性能评估

武器装备性能评估贯穿于装备发展的全寿命过程,对于装备定型与实战化运用具有重要意义。针对传统反向传播(back propagation, BP)神经网络模型易陷入局部最优、武器装备评估数据少等问题,提出了基于数据包络分析和Bootstrap法的改进型BP神经网络模型。利用数据包络分析处理原始指标得到3项优化参数,结合Bootstrap法对其进行扩充,再通过BP神经网络建立评估模型。实验表明,改进模型得到的合成孔径雷达(systemic aperture radar, SAR)导引头测高性能评估结果,其决定系数和误差系数均有明显改善。该模型不仅规避了模糊综合评判法主观性强、精确度不高等问题,同时有效解决了传统BP神经网络模型易陷入局部最优和武器装备评估数据少的两个问题。     

空战模式下航空集群射频隐身性能评估方法

为解决空战模式下航空集群射频(radio frequency, RF)隐身性能评估问题,提出一种基于正态波动犹豫模糊集(normal wiggly hesitant fuzzy set, NWHFS)的评估算法。首先,通过基于正态波动犹豫模糊信息的最优-最劣方法(best-worst method, BWM)构建权重确定模型,获得属性权重向量和一致性检验系数。其次,根据集群用频设备参数和具体空战场景提取RF隐身性能评估因子,并得到其计算公式。然后,组织专家根据评估因子结合主观经验构建评价矩阵,并利用属性权重向量聚合评价信息。最后,将NWHFS分数函数作为评估指标,对不同想定下的航空集群RF隐身性能定量评估。仿真算例和对比分析说明了所提方法的可行性和有效性。     

空战模式下航空集群射频隐身性能评估方法

为解决空战模式下航空集群射频(radio frequency, RF)隐身性能评估问题,提出一种基于正态波动犹豫模糊集(normal wiggly hesitant fuzzy set, NWHFS)的评估算法。首先，通过基于正态波动犹豫模糊信息的最优-最劣方法(best-worst method, BWM)构建权重确定模型,获得属性权重向量和一致性检验系数。其次，根据集群用频设备参数和具体空战场景提取RF隐身性能评估因子,并得到其计算公式。然后，组织专家根据评估因子结合主观经验构建评价矩阵,并利用属性权重向量聚合评价信息。最后，将NWHFS分数函数作为评估指标,对不同想定下的航空集群RF隐身性能定量评估。仿真算例和对比分析说明了所提方法的可行性和有效性。     

基于心理物理学的图象评价技术研究

用发现概率统计遥感图象中预先不能确定的目标被发现与否的情况，是从随机事件的角度出发，反映发现过程中，随机因素对图象效果的影响。尤其是对采取一定措施的遥感图象，目标更介于发现与未发现的临界状态，更难以用绝对肯定或绝对否定两种概念来界定。传统使用的目标效果概率统计评价方法，只反映了其中的随机因素，不能反映有很大影响的心理物理学因素，它们是一些难以确切描述和量化的模糊因素。利用模糊数学模型和概率统计的交叉融合，建立基于心理物理学的图象效果评价方法和计算机仿真模型，经实际检验证明实用有效、结果准确。技术途径可用于解决图象相似系统的效果评价问题。     

面向多任务的武器装备体系贡献度评估方法

在国防预算有限的前提下,武器装备体系贡献率评估应该考虑成本因素的影响。基于作战环理论提出了考虑成本因素的面向多任务的体系贡献率评估方法。首先,构建了武器装备的能力指标体系,给出了考虑成本的武器装备贡献率评估框架;其次,基于作战环建立武器装备体系作战能力评估模型,结合成本因素,引入区间数的概念,提出了面向多任务的体系贡献率评估方法;然后,利用区间数比较的方法,根据装备面向多任务的贡献率,对装备进行优先发展排序;最后,以海上作战装备体系为示例,应用本文提出的评估方法,为武器装备的优先发展规划提供决策支持。     

基于RS-DBN的电子对抗目标清单生成方法

由于电子对抗作战目标类型和工作方式多样, 变化速度快, 有效信息难以充分获得, 且在不同作战阶段呈现出不同特点, 使用传统评估方法难以对其等级排序实施精确评估。对此, 提出一种基于随机集的动态贝叶斯网络电子对抗目标等级评估方法。首先，对电子对抗作战目标清单生成方式进行梳理, 确定了评价指标体系, 并根据作战阶段的变化特点，结合动态贝叶斯网络完善了评价体系。然后, 充分考虑作战过程中数据获取不完整的特点, 通过引入随机集方法将传统贝叶斯网络的节点参数求解方法进行拓展, 使用区间数学的思想得到了较为准确的动态贝叶斯网络节点参数。最后，进行了案例仿真计算和结果分析, 并对节点概率确定方法进行算法复杂度讨论。结果表明，所提方法更加适合样本不完整的军事评估问题, 评估结果与实际作战基本一致, 使用的算法具有高效性、适用性和推广性。     

考虑决策者偏好的洪水灾害模糊聚类迭代评估模型

决策者偏好对洪水灾害的评估结果有重要影响.传统的评估方法可能会出现次要指标权重过大的情况,难以有效体现决策者偏好对评估结果的影响,为此将模糊聚类迭代模型推广到考虑决策者偏好的情况,并给出单一偏好条件下的理论解,提出了基于决策者偏好模糊聚类迭代模型.在该模型中,通过增加一个松弛因子构造一个增广拉格朗日乘子添加到模糊聚类迭代模型的目标函数中,将体现决策者偏好的不等式约束转化为等式约束,并依此求出该偏好条件下权重向量的解析解,可为考虑决策者偏好评估方法的研究提供理论依据;再根据样本特征值矩阵与解得的最优权重向量求出各样本的灾情综合评价值,结合最优隶属度矩阵确定各样本所属洪灾等级,各等级内部样本依据灾情综合评价值排序.该模型直接利用样本特征值矩阵对洪灾样本灾情大小进行识别,降低对最优隶属度矩阵的依赖性,使得排序结果更准确合理.最后,将该模型应用于2013年四川省部分地区洪水资料,验证了考虑决策者偏好模糊聚类迭代模型的理论结果,灾情综合评价值法的排序结果比传统的类别特征值法更合理.     

基于ANP的武器装备体系能力有限层次评估方法

针对武器装备体系作战能力的综合评估问题,基于网络分析的思想提出了一种“有限层次”评估方法。考虑能力之间的相关性,建立了多级式网络化能力指标体系,基于能力需求设置了“等效处理”模块,实现了武器装备体系的装备性能向能力映射,建立了作战能力评估的“有限层次”模型,再利用网络分析法确定各指标权重。然后设计了综合能力图谱来直观、全面反映系统的作战能力。最后以某型装甲装备体系为例进行分析,验证所提算法的有效性。     

基于联系数的定量与定性分析方法在调车作业安全评价中的应用

针对现有评价实施框架内评价指标体系的不完善, 在充分借鉴前人研究成果的基础上, 综合考虑人员、设备、环境等主控因素, 构建了调车作业安全评价指标体系. 然后借鉴集对分析理论, 提出基于联系数的定量与定性评价方法, 该方法通过计算评价对象的综合联系数, 利用特征值公式计算综合评价特征值作为定量评判等级的依据, 再利用集对势对系统态势作出定性分析. 最后将构建的指标体系及选用的评价方法应用于车站实例中, 结果表明: 所构建的指标体系能较好的刻画车站调车作业安全状况, 完善了调车作业安全评价工作; 选用的评价方法能从定量和定 性层面综合判定系统的安全状态, 具有更普遍的意义, 为安全评价理论提供了一种新的研究方法与思路.     

基于FA-ER的装备保障资源供给能力评估方法

针对装备保障资源供给能力评估信息主观性和不确定性强、评估结果可信度低的问题,提出了一种基于萤火虫算法和证据推理(firefly algorithm-evidential reasoning, FA-ER)的评估方法。首先,通过直觉模糊熵处理不确定信息,确定初始权重范围。然后,基于后悔函数将证据推理方法的权重求解问题转化为非线性多目标优化问题。最后,采用萤火虫算法计算最优参数,确定最优评估模型并得到最终评估结果。算例分析结果表明,所提方法能够有效解决评估主观性强的问题,提高评估结果的准确度,对装备保障资源供给能力评估问题具有较好的适用性。