基于鸟击事故征候预测的通用航空安全研究

作为民航运输的两翼之一,通用航空安全水平直接影响民机系统的安全。目前,对通航以及鸟击事故征候进行预测的研究较少,本文根据收集到的美国从事通用航空活动发生鸟击事故征候安全状况数据,采用长短期记忆(long short-term memory, LSTM)神经网络模型对鸟击事故征候数据进行训练和预测。实验结果显示,与传统模型相比, LSTM模型具有更好的预测效果,精确度更高。基于此,提出了预测稳定性更好的LSMT-均方根误差(LSTM-root mean square error, LSTM-R)模型,为通用航空鸟击事故征候预测提供了手段和方法,加强了通用航空安全管理。     

基于改进LSTM模型的航空安全预测方法研究

精确的航空安全预测是科学开展安全预警的前提.航空事故不仅致因机理复杂,还存在迟滞效应,给安全样本时序信息的深度挖掘加大了难度.基于此,提出一种基于改进长短期记忆(long short-term memory,LSTM)模型的航空安全预测新方法.首先基于相关系数热图优选致因指标,再以步进搜索和Adam算法相结合的方式优化...     

基于随机森林的航空安全因果预测新方法

构建精确航空安全预测模型确定事故及其致因因素变化规律,对航空安全智能管理与主动决策具有重要意义。为此,提出一种基于Bow-tie模型组合的随机森林算法用于航空安全因果预测,完成安全预测模型参数优化、致因变量贡献排序。首先,基于Bow-tie模型开展航空安全致因因素的关联辨识,确定安全致因变量。其次,以某航空公司2017～2019年民航安全数据：管理因素、环境因素、飞机因素、人的因素、外在因素等为研究对象,基于随机森林构建航空安全因果预测模型,开展预测变量的重要性分析、模型构建和预测精度分析。结果表明,该方法能有效预测航空安全关键因素及航空安全态势的变化趋势。同时,该方法与相关向量机、神经网络做了性能对比,所提模型在预测性能和稳健性均占优。此外,变量重要性分析结果表明：环境因素对2017～2019年航空安全影响最大,需要重点管控;反之,管理因素对于航空安全影响最小,可忽略。     

基于控制参数估计的再入滑翔目标智能轨迹预测算法

再入滑翔目标的轨迹预测是一项困难且具有意义的技术, 现有利用简单函数拟合控制参数进行轨迹预测的方法, 拟合精度不高且对数据的关联性不强。针对该问题, 本文结合长短期时序网络提出了基于控制参数估计的智能轨迹预测算法。首先, 通过设计快速轨迹生成算法, 结合攻角走廊模型快速生成大量机动轨迹, 构建数据集。然后, 建立了包含末点修正网络、控制参数修正网络及预测网络的智能轨迹预测框架, 利用数据集对关键控制参数的变化规律进行学习。最后, 结合目标运动模型积分外推实现轨迹的准确预测。仿真结果表明, 所设计的预测算法在不同机动模式下的预测平均误差不超过1.4 km, 最大误差不超过2.5 km, 能够实现轨迹的快速预测, 且对大气扰动造成的模型不确定性具有一定的鲁棒性。     

基扩展模型下基于LSTM神经网络的时变信道预测方法

针对高速移动正交频分复用系统, 提出了一种基扩展模型(basis expansion model, BEM)下基于长短期记忆(long short-term memory, LSTM)神经网络的时变信道预测方法。为了降低传统BEM的建模误差, 根据高速移动环境中不同列车在相同位置处的无线信道具有强相关性的特点, 首先基于历史时刻的信道状态信息获取最优的基函数, 并利用该基函数对信道进行建模。然后, 通过LSTM神经网络对信道基系数进行线下训练与线上预测来获取未来时刻信道信息, 大大降低了计算复杂度。在线下训练中, 将网络的逼近目标设置为信道估计值, 而不是理想的信道信息, 以增强预测模型的实用性。仿真结果表明, 相比现有方法, 新方法的计算复杂度较低, 且预测精度较高。     

基于LSTM与1DCNN的导弹轨迹预测方法

针对弹道导弹等超远程攻击目标的轨迹难以预测的问题,提出一种基于长短期记忆(long short-term memory, LSTM)网络与一维卷积神经网络(1-dimensional convolutional neural network, 1DCNN)的目标轨迹预测方法。首先,建立三自由度导弹运动模型,依据再入类型设计3种目标轨迹数据,构建机动数据库,解决轨迹数据的来源问题。其次,采用重复分割与滑动窗口的方法对轨迹数据进行预处理。然后,基于LSTM与1DCNN设计了一种目标类型分类网络,对目标进行初步分类。最后,基于1DCNN设计轨迹预测网络,对目标轨迹进行预测。仿真结果表明,提出的轨迹预测网络能够完成轨迹预测任务,预测误差在合理范围内。     

基于FCM的UAV事故成因预测方法

无人机安全问题已经成为航空领域一个亟待解决的难题,坠机事故不但会造成装备和财产损失,而且也会给高技术安全带来巨大风险.在分析相关坠机事故统计的基础上,提出了一种影响无人机安全的事故因素划分原则和方法,建立了无人机事故成因预测的FCM模型.利用FCM的知识表示和推理可以预测出系统达到稳定状态时各因素的状态值,通过关联度计算对事故的影响因素进行排序,得到诱发无人机事故的主要因素.实例验证和分析证明该方法对于无人机事故成因的预测是可行的.     

基于TCN-BiLSTM的网络安全态势预测

针对现有网络安全态势预测模型预测精确度低和收敛速度慢的问题,提出一种基于时域卷积网络(temporal convolution network, TCN)和双向长短期记忆(bi-directional long short-term memory, BiLSTM)网络的预测方法。首先,将TCN处理时间序列问题的优势应用到态势预测上学习态势值的序列特征;随后,引入注意力机制动态调整属性的权值;然后,利用BiLSTM模型学习态势值的前后状况,以提取序列中更多的信息进行预测;利用粒子群优化(particle swarm optimization, PSO)算法进行超参数寻优,提升预测能力。实验结果表明,所提预测方法的拟合度可达0.999 5,其拟合效果和收敛速度均优于其他模型。     

基于多尺度LSTM预测模型研究

航空发动机剩余寿命（remaining useful life,RUL）预测是设备故障预测与健康管理（prognostics and health management,PHM）的核心问题。针对发动机数据维度高、滞后性强和复杂度高等挑战,提出了一种基于自训练权重的多尺度注意力双向长短期记忆神经网络模型。通过不同尺度的双向长短期记忆神经网络（bidirectional long short-term memory neural network,BiLSTM）提取多尺度特征;提出一种基于自训练权重的融合算法,通过引入注意力机制进行不同尺度的特征筛选,以提高预测精度。将各模型在NASA的C-MAPSS数据集上进行实验对比,结果证明,所提出预测模型在准确率和均方根误差指标上均有所提升。     

基于改进PSO优化LSTM网络的短期电力负荷预测

为了提高短期电力负荷预测的精度,提出一种基于自适应柯西变异粒子群(ACMPSO)算法优化长短期记忆(LSTM)神经网络的短期电力负荷预测模型(ACMPSO-LSTM).针对LSTM模型参数较难选取的问题,采用ACMPSO算法进行LSTM模型参数寻优,利用非线性变化惯性权重来提高PSO算法的全局寻优能力和收敛速度,并在寻...     

对降维STAP机载雷达的延时混叠转发干扰方法分析

针对降维空时自适应处理(space-time adaptive processing, STAP)在不满足独立同分布(independent identical distribution, IID)训练样本的需求时性能严重下降的问题,提出了一种改进的延时混叠转发干扰方法。该方法主要是通过延时混叠协同频率调制,产生多个距离单元分布可控的假目标,成为STAP前向滤波阶段选取的训练样本的一部分,从而破坏训练样本IID的条件,导致形成的空时自适应权产生主瓣畸变,最终无法获得真实的目标信息。仿真结果表明,该方法产生的假目标数目多且距离单元分布可控,降维STAP系统处理性能严重下降。     

基于LSTM的弹道导弹主动段轨迹预报

弹道导弹主动段长周期轨迹预报能够为导弹防御系统提供早期预警信息。传统的轨迹预报方法大多集中在导弹的自由段与再入段,通过解析法、数值积分法或函数逼近法推断未来时刻目标的状态。由于弹道导弹在主动段会受到多个未知作用力的影响,其轨迹预报相比自由段与再入段更具挑战性。为此,本文提出了一种基于长短时记忆(long short-term memeory, LSTM)网络的弹道导弹主动段轨迹预报方法。首先,根据导弹主动段动力学模型与弹道参数典型取值生成用于网络训练的大规模轨迹样本;其次,设计了基于深度LSTM网络的弹道导弹主动段轨迹递归预报方法;最后,与基于数值积分法、多项式拟合及反向传播神经网络的轨迹预报方法的实验对比,表明了所提方法在主动段轨迹预报上的优越性。     

基于LSTM的LEO卫星链路自适应算法

低地球轨道(low earth orbit,LEO)卫星由于其传输损耗低、地面干扰小等优点成为空天地一体化网络的重要组成部分.由于星地传输链路的时延大,现有卫星通信过程无法实时地进行信息交互,导致系统无法适应信道的变化.针对这个问题,提出了基于长短期记忆(long short-term memory,LSTM)网络的信...     

基于LSTM-DBN的航空发动机剩余寿命预测

针对航空发动机剩余寿命(remaining useful life, RUL)预测中多传感器监测数据维度高、规模大以及时间序列信息考虑不充分等问题,提出一种融合长短时记忆(long short-term memory, LSTM)网络和深度置信网络(deep belief network, DBN)的RUL预测方法。首先,利用LSTM分别对单一传感器进行时间序列预测。其次,将预测结果整合输入到DBN进行健康指标提取。再次,结合健康指标预测曲线和失效阈值得到RUL预测结果。最后,利用商用模块化航空推进系统仿真数据集开展实验,并与已有方法进行对比分析,验证了该方法的可行性和有效性。     

基于LSTM和残差网络的雷达有源干扰识别

针对目前雷达干扰识别方法存在人工特征提取难、强噪声环境下识别率不高的问题,提出了一种基于长短时记忆(long short-term memory, LSTM)网络和残差网络相结合的雷达有源干扰识别方法。输入有源压制干扰原始时域序列数据,搭建深度学习网络模型对不同干噪比下的干扰信号进行分类识别。仿真结果表明：在干噪比为0 dB的情况下,该方法对4类雷达有源干扰信号的识别准确率均高于98.3%,与单纯的残差网络和卷积神经网络(convolutional neural networks, CNN)等其他深度学习算法相比,具有更佳的网络性能,验证了该算法的有效性。     

基于堆栈式LSTM网络的通信辐射源个体识别

针对现有通信辐射源个体识别方法预处理过程复杂及特征提取较难的问题,提出了一种基于堆栈式长短期记忆(long short-term memory, LSTM)网络的辐射源个体识别算法。该算法直接使用IQ时间序列信号训练LSTM网络,即可实现对通信辐射源个体的高效识别,避免了复杂的信号预处理过程。为使LSTM网络能更好地适用于通信辐射源个体识别,利用3层LSTM网络提取辐射源深层特征,并通过实验优化了网络参数。然后对该算法的实际应用泛化性进行了实验探究,结果表明该算法在其他辐射源数据集上也取得了较好的效果。最后,通过实验对算法进行了验证,结果表明相比于传统算法,在样本数较多时,该算法的识别准确率可以达到98%,而且简单快速智能,便于工程化与实用化。     

基于长短时记忆网络的雷达波形设计

针对单准则设计的波形难以满足雷达多工作模式和多任务问题,联合互信息(mutual information,MI)准则和信杂噪比(signal to clutter and noise ratio,SCNR)准则,提出一种基于长短时记忆(long short-term memory,LSTM)网络的雷达波形设计方法.首先...