基于小波重构与SVM-BPNN的动态过程在线智能监控

为了提高动态过程运行状态在线监控效率,提出了基于小波重构与支持向量(support vector machine,SVM)-反向传播神经网络(back propagation neural network,BPNN)相结合的在线智能监控方法.首先,运用离散小波变换对动态过程实测数据流进行重构,并提取其形状特征.其次,利用训练好的小波重构特征的SVM、均值特征的BPNN及重构后形状特征的SVM,对"监控窗口"内实测数据流进行异常模式识别.最后,应用该方法对某精密轴加工过程进行在线智能监控.结果表明:所提模型识别精度高、训练耗时少,其整体性能明显优于小波重构的BPNN模型与基于统计和形状特征的多分类支持向量机(multi-class support vector machine,MSVM)模型,是一种更为有效的动态过程在线智能监控方法.     

基于PH分布的n中取k系统可靠性模型研究

本文以n中取k系统为研究对象,采用Phase-type(PH)分布代替指数分布等典型分布,假设部件在工作状态、储备状态和维修状态停留时间均为连续时间PH分布;建立了一种描述能力更强的系统可靠性解析模型,利用矩阵解析方法获得了系统稳态概率,推导出系统稳态可用度、工作时间、平均故障间隔时间和维修台故障件到达率的解析表达式;并通过算例验证了模型的正确性和适用性,演示了给定n值后,k值变化对系统可靠性规律的影响.     

基于PH分布的n中取κ系统可靠性模型研究

本文以n中取k系统为研究对象,采用Phase-type(PH)分布代替指数分布等典型分布,假设部件在工作状态、储备状态和维修状态停留时间均为连续时间PH分布;建立了一种描述能力更强的系统可靠性解析模型,利用矩阵解析方法获得了系统稳态概率,推导出系统稳态可用度、工作时间、平均故障间隔时间和维修台故障件到达率的解析表达式;并通过算例验证了模型的正确性和适用性,演示了给定n值后,k值变化对系统可靠性规律的影响.     

基于小波重构的动态过程LSSVM-BPNN在线智能监控模型

为实时监控动态过程的运行状态,提出基于提升小波变换和最小二乘支持向量机(LSSVM)及BP神经网络(BPNN)相结合的在线智能监控模型。采用提升小波变换提取原始数据的重构特征,并分别抽取重构后数据序列的均值、形状特征。利用基于提升小波重构特征的LSSVM判定动态过程是否异常,基于重构后均值特征的BPNN将5种异常模式划分为3个类别。通过基于重构后形状特征的LSSVM对3类异常模式进一步识别。最后,应用该模型对某精密轴加工过程进行在线智能监控。结果表明,与基于离散小波重构的BPNN模型、基于统计和形状特征的支持向量机模型相比,所提模型不仅识别精度高且训练耗时少。     

非等间隔GM(1,1)幂模型及应用

GM(1,1)幂模型是灰色Verhulst模型的推广.在灰色Verhulst模型和等间隔GM(1,1)幂模型基础上提出了非等间隔GM(1,1)幂模型,并对模型进行求解.同时讨论了GM(1,1)幂模型曲线形状和幂指数以及发展系数之间的关系,研究了非等间隔GM(1,1)幂模型的参数空间.将平均相对误差看成幂指数的函数,根据序列形状判断幂指数的范围,利用粒子群算法求解幂指数,克服了灰色Verhulst模型的缺陷.最后实例表明:GM(1,1)幂模型建模精度高于灰色Verhulst模型,该方法具有重要的理论意义.     

高超声速飞行器自抗扰姿态控制器设计

针对高超声速飞行器无动力再入过程中具有强耦合、气动参数摄动及不确定性的非线性姿态模型,结合自抗扰控制中的扩张状态观测器(extended state observer, ESO)及非线性状态误差反馈律(nonlinear law state error feedback, NLSEF),分别设计了高超声速飞行器内环和外环自抗扰姿态控制器。将不确定性、耦合及参数摄动等干扰作为“总和干扰”利用扩张状态观测器进行估计并动态反馈补偿,再利用NLSEF抑制补偿残差。自抗扰控制器(active disturbance rejection control, ADRC)设计无需精确的飞行器被控模型,也无需精确的气动参数及摄动界限。仿真结果表明,控制系统能够克服干扰及气动参数大范围摄动的影响,在获取良好的动态品质和跟踪性能的同时,具有较强的鲁棒性。     

状态空间方程在基于效果作战建模中的应用

基于效果作战(EBO)是军事思想的创新成果,但目前这种军事思想仍缺乏具体的应用手段。提出了利用状态空间方程对EBO进行定量描述的方法。首先描述了EBO的状态向量和状态空间,其次确定了系统状态评估模型;然后对状态空间和评估模型进行了离散化和线性化;最后建立了状态最优估计计算模型和最优控制向量计算模型。从而利用状态空间方程完整地描述了EBO的定量计算过程,为EBO的建模与仿真提供了支持。     

基于RBF网络和ARX模型的液压系统故障诊断方法

提出了基于径向基函数(Radial Basis Function,RBF)网络和有源自回归(Auto-Regressive with Extra Inputs,ARX)模型的液压系统的故障诊断方法.作为一种性能优越的网络分类器,RBF网络比传统的反向传播(Back Propagation,BP)网络表现出更好的分类效果,非常适合于故障特征识别.故障诊断方法首先针对目标故障状态建立 ARX模型,提取 ARX 模型的自回归系数作为故障特征向量.然后将故障特征向量作为RBF网络训练样本,建立RBF网络故障分类器,进一步根据RBF网络的输出结果来判断故障的类型.通过建立挖掘机铲斗部分液压系统仿真模型,验证了于基于RBF网络和 ARX 模型的故障诊断方法的有效性.     

舰载雷达天线测角误差分析

为了分析舰船姿态角对雷达测角误差的影响,根据舰船姿态角与目标空间位置的三维立体关系,建立误差模型的量化公式.利用坐标系中Z轴指向的变化分析测角误差变化的新思路,得出偏航角不影响误差的变化,俯仰角与方位角误差曲线变化的趋势相反,测角误差的最大值可以预测的结论.计算机仿真结果验证了结论的正确性.     

成像侦察卫星识别目标能力分析

为分析成像侦察卫星的作战效能,针对光学成像侦察卫星和SAR卫星,建立了卫星识别目标的概率模型。在光学成像侦察卫星识别目标能力的模型中,引入效用函数确定由于光照、对比度、气象、卫星姿态稳定度等因素对其识别目标概率的影响。在SAR卫星识别目标能力的模型中,利用等效分辨率,并考虑了其识别目标的效用。仿真结果表明利用所建模型得到的结果与侦察实践的结果基本一致。     

部分形体识别研究

本文给出识别部分遮挡形体的新算法。这里采用阿达玛描绘子（Ｈｄ）提取形体的局部特征矢量，并用自组织特征映射（ＳＯＦＭ）矢量量化法对局部特征矢量归类形成形体的局部特征类别序列。采用两步法进行参考形体与被识别形体局部特征类别序列的对齐与还配。计算模拟结果表明该算法能得到相当高的识别率。     

样本不平衡下的空中群组意图识别方法

针对样本不平衡情况下空中群组意图识别问题, 提出了一种基于注意力机制的双向门控循环单元网络空中群组意图识别方法。将空中群组的状态信息编码成时序特征, 利用先验信息封装成样本标签, 提出一种改进的边界合成少数过采样方法对少数类样本边界进行处理, 以生成合适的样本集。通过双向循环机制提取空中群组目标时序特征的深层信息, 并利用注意力机制为深层信息分配权值, 以提高网络捕捉更具区分度特征的能力。实验仿真结果表明, 所提方法在样本不平衡情况下空中群组的意图识别问题上有更好的分类效果和更高的训练效率。     

基于改进CLDNN的辐射源信号识别

传统辐射源信号识别方法往往需要人工提取特征,不仅对专业知识要求较高,而且人为选择的特征不能够保证适用于大多数类型信号的识别,识别精度和识别速度也不能兼顾。针对上述问题,将语音处理领域常用的深度学习模型——卷积长短时深度神经网络(convolutional long short-term deep neural network, CLDNN)引入到辐射源信号的识别中,并将该模型中的长短时记忆层改为双向门控循环单元层。模型的输入为原始时间序列数据,特征提取和分类识别过程均在网络中进行,避免了人工选择特征的不完备性。实验结果表明,所提模型在低信噪比情况下也能够有效识别信号类型,同时与其他模型相比,实现了识别精度和识别速度之间的平衡。     

军事目标红外图像的形状识别系统

随着目标自动跟踪、识别技术的发展,对目标特征提取技术的要求变得愈来愈高,基于目标形状的跟踪、识别系统的发展非常迅速。本文针对目标红外图像的特点,提出了一种新的目标形状分类、识别系统,该系统包括目标图像预处理、目标分割提取、目标边界探测以及目标形状分类、识别。系统中,我们采用一种均值——中值混合滤波方法来消除噪音的影响,利用峰谷法分割提取目标,进而提取目标的边界,在目标边界提取的基础上,提出了边距离分布特征的概念用于目标的分类、识别。     

基于注意力机制的堆叠LSTM网络雷达HRRP序列目标识别方法

传统的雷达高分辨距离像(high resolution range profile, HRRP)序列识别方法依赖于人工特征提取, 并且现有的深度学习方法存在梯度消失问题, 导致收敛速度慢, 识别精度低。针对上述问题, 提出一种基于注意力机制的堆叠长短时记忆(attention-based stacked long short-term memory, Attention-SLSTM)网络模型, 该模型通过堆叠多个长短时记忆(long short-term memory, LSTM)网络层, 实现了HRRP序列更深层次抽象特征的提取; 通过替换模型的激活函数, 减缓了堆叠LSTM(stacked LSTM, SLSTM)模型梯度消失问题; 引入注意力机制计算特征序列的分配权重并用于分类识别步骤, 增强了隐藏层特征的非线性表达能力。模型在雷达目标识别标准数据集MSTAR上多种不同目的的实验结果表明, 所提方法具有更快的收敛速度和更好的识别性能, 与多种现有方法对比具有更高的识别率, 证明了所提方法的正确性和有效性。     

基于运动感知的VR体验舒适度研究

针对观众在进行虚拟现实(virtual reality,VR)体验后出现眩晕、恶心等不适的问题，建立一种基于运动感知的VR体验舒适度评估方法。通过对立体VR视频进行稠密光流估计，分析场景中的水平运动和垂直运动计算视频帧速度矩阵，提出了基于帧差法和基于时域的帧加速度特征提取方法，将提取的速度、加速度等运动特征结合支持向量回归算法建立VR体验舒适度评估模型。实验结果表明，基于时域帧加速度特征的评估模型优于基于帧差法的模型，且性能较现有其它模型更接近主观评价值，均方根误差减小到7.0,Pearson相关系数提高到0.955 3。     

基于DCNN的弹道中段目标HRRP图像识别

针对弹道中段目标识别问题,现有的基于高分辨距离像(high resolution range profile, HRRP)的识别方法直接提取一维HRRP(1-dimension HRRP, 1D-HRRP)的整体特征,对局部特征提取能力较弱,且由1D-HRRP数据提取的特征的表达能力有限,为此提出了一种基于深度卷积神经网络(deep convolutional neural network, DCNN)的弹道中段目标HRRP图像识别方法。首先,将1D-HRRP转化为0-1二值图像,从而把数值变化特征转化为图像结构特征;然后,构建DCNN逐层提取图像的局部特征和共性特征并进行识别;最后,结合Dropout和L2正则化双重机制缓解DCNN过拟合问题,利用AdaBound算法提高DCNN训练收敛速度和识别正确率。实验结果表明,所提出的基于HRRP图像的弹道中段目标识别方法比其他12种基于1D-HRRP或二维HRRP(2-dimension HRRP, 2D-HRRP)的识别方法正确率更高,在测试数据集上达到了96.28%,实验结果验证了该方法的有效性。     

基于DCNN的弹道中段目标HRRP图像识别

针对弹道中段目标识别问题,现有的基于高分辨距离像(high resolution range profile, HRRP)的识别方法直接提取一维HRRP(1-dimension HRRP, 1D-HRRP)的整体特征,对局部特征提取能力较弱,且由1D-HRRP数据提取的特征的表达能力有限,为此提出了一种基于深度卷积神经网络(deep convolutional neural network, DCNN)的弹道中段目标HRRP图像识别方法。首先,将1D-HRRP转化为0-1二值图像,从而把数值变化特征转化为图像结构特征;然后,构建DCNN逐层提取图像的局部特征和共性特征并进行识别;最后,结合Dropout和L2正则化双重机制缓解DCNN过拟合问题,利用AdaBound算法提高DCNN训练收敛速度和识别正确率。实验结果表明,所提出的基于HRRP图像的弹道中段目标识别方法比其他12种基于1D-HRRP或二维HRRP(2-dimension HRRP, 2D-HRRP)的识别方法正确率更高,在测试数据集上达到了96.28%,实验结果验证了该方法的有效性。     

基于神经网络的声场景数据声谱图提取方法

在复杂环境声场景识别任务中, 梅尔频谱作为输入的深度卷积神经网络有良好的识别能力, 然而梅尔滤波器组依据人耳生理特征设计, 对于声场景识别并非最优滤波器组。针对此问题提出声谱图提取神经网络取代传统梅尔频谱提取过程, 通过训练该网络使声谱图自动适应声场景数据集。声谱图提取神经网络连接ResNet50作为声场景识别架构, 在DCASE2019声场景数据集上进行训练与测试, 实验结果表明该架构比传统模型有更高的识别率, 能够有效调整频率曲线、滤波器幅值以及滤波器形状。