动态多模型指数平滑法融合的在线预测方法

针对传统预测算法实时性差、难以适应多种数据变化情况、参数无法根据数据的实时变化进行在线调整等问题,提出了一种动态多模型指数平滑法融合的在线预测算法。该算法根据历史数据的预测误差,动态调整指数平滑法的平滑系数,以及1次、2次、3次指数平滑法的融合权值,实时得到对传感器测量参数的准确预测。仿真表明,该算法在多种数据变化情况下均优于单一采用指数平滑法。     

动态多模型指数平滑法融合的在线预测方法

针对传统预测算法实时性差、难以适应多种数据变化情况、参数无法根据数据的实时变化进行在线调整等问题,提出了一种动态多模型指数平滑法融合的在线预测算法。该算法根据历史数据的预测误差,动态调整指数平滑法的平滑系数,以及1次、2次、3次指数平滑法的融合权值,实时得到对传感器测量参数的准确预测。仿真表明,该算法在多种数据变化情况下均优于单一采用指数平滑法。     

电子设备健康状态评估与故障预测方法

针对电子设备的健康性能退化问题,提出一种改进流形学算法与隐半马尔可夫模型(hidden semi Markov model, HSMM)相结合的电子设备健康评估与故障预测方法。首先,在有监督邻域保持投影(supervised neighborhood preserving projection, SNPP)算法中引入非相关约束并加入核函数形成核有监督非相关邻域保持投影(kernel supervised uncorrelated neighborhood preserving projection,KSUNPP)算法,将其用于原始特征的提取,获得有效的特征集作为HSMM的输入进行训练|其次,建立了电子设备健康评估与故障预测模型,该模型用Kullback Leibler (KL)距离来衡量故障程度,实现设备退化程度的评估,又可根据各状态驻留时间,预测出设备故障发生的时间。最后,将该方法应用于某型导弹电子设备的健康评估与故障预测,验证其有效性。     

基于HMM的多维数据下扶贫对象状态预测

针对扶贫领域中贫困、脱贫和返贫状态预测不准确,影响状态变迁的关键因素难以识别的问题,从扶贫基础数据和多个行业数据中提取8个关键特征和22个观测状态,构建观察状态和隐含状态关联关系,建立扶贫对象状态预测隐马尔可夫模型(hidden markov model,HMM)。以某深度贫困县连续3年的数据为样本,进行参数训练、测试实验和结果验证,结果表明该方法对返贫、贫困和脱贫状态有较强的预测能力,误差率较低,且能准确识别出影响返贫的关键要素。该方法对指导精准扶贫工作具有非常重要的实际意义。     

基于隐马尔可夫模型的动态规划检测前跟踪算法

传统的动态规划检测前跟踪(dynamic programming track-before-detect, DP-TBD)算法能有效实现对匀速直线运动目标的检测跟踪,但其忽略了目标帧间状态转移概率,因此在对机动目标进行检测跟踪时容易受噪声干扰,产生错误的状态关联。对此提出了一种基于隐马尔可夫模型的DP-TBD算法。该算法利用隐马尔可夫模型对目标的运动过程建模,用一系列隐状态表示目标转弯速率并利用隐马尔可夫模型的隐状态估计理论实现对转弯速率的估计和预测,进而得到当前目标状态的预测值,根据此预测状态与下一时刻回波数据分辨单元间的距离来计算转移概率。然后将转移概率应用于DP-TBD算法的能量积累过程中以提高检测跟踪性能。仿真实验基于机动目标,给出了所提算法的检测跟踪性能,并与传统的DP-TBD算法、方向加权DP-TBD算法以及线性最小二乘DP-TBD算法进行了分析比较,验证了该算法的有效性。     

基于贝叶斯网络的复杂系统故障预测

针对复杂电子系统信号具有不确定性的特点,提出一种基于贝叶斯网络的故障预测模型。该模型通过对连续的信号特征进行量化处理,利用专家知识结合信号建立贝叶斯网络结构;对不同样本采用不同算法来进行网络学习,采用概率推理定量估计信号的区间预测概率,从而建立一个可推理的预测模型。将该方法应用于电源系统进行故障预测,针对不同数据样本进行实验,结果验证具有较高的区间预测率,为复杂系统的故障预测提供了新手段。     

基于RBF-HMM模型的时间序列在线预测

针对非线性非高斯时间序列,提出观测噪声服从隐马尔可夫模型(HMM)的径向基函数(RBF)神经网络预测模型—RBF-HMM模型,该模型具有如下两个特点:(1)用隐节点数可变的RBF神经网络对时间序列进行非线性建模;(2)用HMM对非高斯噪声进行建模.并采用序列蒙特卡罗(SMC)方法实现RBF-HMM模型参数的动态调整和时间序列的在线预测.最后采用南京禄口国际机场日旅客吞吐量数据进行实证研究,结果表明该模型的有效性.     

基于多源信息融合与HMM的剩余寿命预测

针对设备剩余使用寿命预测问题, 提出一种基于多源信息融合与隐马尔可夫模型的预测方法。首先, 针对发动机结构复杂、监控数据参数多等问题, 提出一种基于传感器信噪比和主成分分析(principal component analysis, PCA)降维的多源传感器数据融合方法。在此基础上, 利用样本数据训练高斯混合隐马尔可夫模型, 同时为降低模型偏差并避免过拟合风险, 提出一种“定制”策略训练方法, 训练后的模型可用于系统健康状态识别和剩余使用寿命预测。最后, 通过美国国家航空航天局公开的航空发动机仿真数据集对所提方法进行了验证, 并与几种具有代表性且预测精度较高的文献方法进行了比较分析, 验证了方法的有效性。     

基于HMM的移动预测模型与仿真

提出了一种基于隐马尔柯夫模型的移动预测模型,并给出增强模型预测能力和提高预测精度的方法。该模型用于预测移动IP网络中移动节点的运动方向和将要连接的接入路由器,为避免或减小由于移动造成的通信中断和时延赢得准备时间。仿真结果说明,模型的预测准确率较高,在适当选择状态数的条件下,模型对移动的随机性具有较好的适应能力。     

基于ARMA模型的故障率预测方法研究

在对比多种时间序列模型的基础上,结合故障率预测的特点,得出了自回归一移动平均混合模型(简称ARMA模型)是其中最适用于使用阶段故障率预测的方法这一结论.给出了基于ARMA模型的故障率预测的基本思想、预测模型、实施步骤,并按此法对某航空公司波音飞机故障率进行了预测,说明ARMA模型适用于故障率预测,且预测结果准确性较高.     

基于系统异常概率模型的故障分离自动化方法

研究了发动机状态参数异常对发动机整体性能的影响,利用多元统计分析方法建立了状态变量对发动机性能影响的概率模型,用于发动机性能监控过程中的故障分离。根据模型能够计算出发动机性能出现异常时各个状态变量导致此时刻性能异常的概率,据此初步判断哪些状态变量导致发动机性能出现异常,并根据概率的大小对相应部件进行检查,以此来寻找故障源。在某型涡扇发动机性能监控中的应用表明,通过计算异常样本点上各监测参数对样本点异常的影响概率,并结合发动机故障机理分析,能够有效地确定故障源。     

基于隐马尔可夫模型的动态跳频信道接入算法

针对认知无线电信道接入中存在主用户和次级用户相互干扰、吞吐量下降的问题,提出基于隐马尔可夫模型的动态跳频信道接入算法。由于长时段的数据传输造成次级用户无法及时切换信道,将数据传输时段分为多个跳频时段,构建隐马尔可夫模型预测可用信道,建立跳频信道集合,设计动态跳频序列,使信道接入的效率更高。理论分析与仿真结果表明,该算法能够有效降低各级用户之间干扰概率并显著改善系统吞吐量,增加系统可靠性和信道利用率。     

基于SDG和灰色聚类的系统故障风险评估方法

开展风险评估研究对于提高民航安全具有重要意义.传统的系统故障风险评估的分析对象是故障模式,在实际中一个故障模式往往可作为另一故障模式的原因或者影响,故障影响是一个逐渐变化的过程.为更准确、客观地评估系统故障风险,本文把故障模式的传播过程描述为一故障链,运用SDG模型推理得出故障模式导致的各种故障序列,将故障模式及其各种后续故障序列看作灰色系统,将风险评估过程视为一灰色系统工程,用灰色聚类决策对这些序列进行风险评估,解决了风险评估过程中评价指标和属性值难以确定和量化,风险分析和评估缺乏系统性和一致性的问题.应用实例表明,基于SDG和灰色聚类决策的风险评估方法能有效地应用于民机系统故障风险评估.本论文研究结果对于复杂系统的故障风险分析具有重要的参考价值.     

基于D-S证据理论的雷达故障诊断方法

新型雷达装备故障具有明显的复杂性和相关性,难以准确确定故障部位。在分析雷达故障特点和专家诊断系统不足的基础上,把信息融合技术引入故障诊断,提出了一种基于D-S证据推理的诊断方法,构建了故障诊断模型,介绍了D-S证据推理的故障诊断算法和诊断过程,并用实例进行了验证。结果证明,该方法较好地解决了故障诊断中的不确定性问题,弥补了当前诊断系统中存在的缺陷。     

一种新型汉字音节整体向量模型的识别研究

通过对hiddenmarkovmodel(HMM)和segmentmodel(SM)模型的简要分析,指出了它们的某些缺陷,提出了一种新的基于汉字音节整体的Melfrequencycepstrumcoefficients(MFCC)向量模型。该模型能够根据各个音节的持续时间动态地调整帧长,进而比较完整地表现了语音时频信息的演化过程。实验数据显示,在同样的测试条件下,对于上下文相同的同性语音,帧数固定比帧长固定的识别率改善3.0%以上。还分析了几个主要影响汉字语音识别率的参数。研究表明,参数设置是否得当对于识别率有一定的影响。     

基于路径约束的动态时间规整方法研究

针对某些领域应用动态时间规整(dynamictimewarping,DTW)存在的计算复杂性问题,提出了基于路径约束的DTW算法。首先通过建立原始模式的分段线性模型,生成该模型的初始规整路径,然后构造原始模式规整路径的全局约束。实验结果表明,这种算法能够保证匹配精度,有效地提高运算速度,适于解决动态多变量复杂系统和过程的故障诊断问题。     

基于证据理论的信息融合故障诊断方法

从证据理论的基本概念和证据的融合推理方法出发,建立了多故障特征信息融合诊断框架,并提出一种符合故障诊断特点的基本可信度分配构造方法。该方法把诊断对象看作一个信息系统,运行过程中不断产生各种信息,并将信息加工成故障特征,通过特定的诊断决策规则,得出诊断结论。给出了一个多故障信息进行故障诊断的实例,结果表明该方法能够有效的提高诊断可信度,减小诊断的不确定性。     

非线性系统故障诊断的Volterra模型方法

针对非线性系统的故障诊断问题,系统地总结了基于Volterra级数模型的故障诊断的理论与方法。由于Volterra级数模型可以完全描述非线性系统的传递特性,因而可将其应用于系统的故障诊断,即在系统工作过程中,通过分析故障发生前后Volterra模型中非线性因素的变化来判知系统的故障。在介绍了这一新的故障诊断理论的基本思想后,结合减震弹簧的疲劳诊断,总结了当前的两种主要研究方法,即基于非线性谱分析的故障诊断方法和基于多重预设Volterra模型的故障诊断方法。阐述了这两种方法的工作原理和实现方法,指出了今后在这一方向上需要进一步研究解决的问题。     

动态系统故障的混杂传播特征及建模方法

动态系统的故障传播过程是由离散事件、连续特性及其相互作用共同驱动的,具有显著的混杂特征,为故障规律认知与建模带来了较大的难度。现有研究将故障视为离散随机事件,分析由单元随机故障发生到系统失效的离散故障过程,却忽略了连续特性对故障传播的影响,本质上是对故障混杂传播的工程简化处理,不能真实地描述动态系统的故障规律。首先在分析动态系统故障规律的基础上,给出了离散与连续双维度下的动态系统故障混杂传播的定义,分析了其混杂影响要素以及混杂传播特征;其次,为了完整准确描述混杂特征,借鉴混杂理论在描述离散事件与连续参数相互作用方面的优势,提出了基于随机混杂自动机(stochastic hybrid automata,SHA)的故障混杂传播建模方法;最后通过对某温度控制系统的故障混杂传播过程进行建模和仿真,验证了动态系统故障传播过程中的混杂特征,以及建模方法的可行性。     

基于动态博弈的武器装备体系发展规划论证方法

武器装备是作战能力生成的重要物质基础, 针对现代战争武器装备成体系对抗的特征, 从对抗博弈的视角分析武器装备体系发展规划问题。首先, 基于作战环构建武器装备体系对抗网络模型, 描述不同功能类型装备之间的影响关系。基于动态博弈的思想, 构建武器装备体系发展规划的博弈脉络, 评估发展规划方案在不同博弈场景下的威胁能力。最后进行了示例分析, 为武器装备体系发展规划论证提供一种新的定量评估方法。