基于混沌吸引子的压气机失速分析

采用基于混沌理论的非线性动力系统分析方法,进行压气机压力信号时间序列分析,重构了系统的相空间,从几何角度研究系统状态变化,计算出压气机系统的最大李雅普诺夫指数为正值,由此判断系统中存在混沌,基于某型发动机节流实验中压气机失速数据,将改进的混沌吸引子预测方法与局部线性化预测方法对比,分析表明新方法可减小误差9%。     

一类设备故障过程的故障趋势预测方法研究

研究了一类带有指数故障过程的故障趋势预测问题。在测量变量受到平稳噪声干扰的情况下,首先依据对测量数据的统计检验判断出故障过程,然后根据对故障过程的先验知识,利用强跟踪滤波器辨识指数趋势项的参数,同时对建模误差进行ARMA时序分析,最后结合趋势项和时序预测给出故障趋势的总体预测。仿真实验结果验证了该方法的有效性。     

基于时间函数的高寒矿区地表动态下沉规律研究

高寒地区因为其冻土的特殊性质导致其经历开采后随着季节变化易导致上覆岩层破坏,因此,为准确预测高寒地区矿区上覆岩层的动态沉降的发展趋势,本文选取高寒矿区地表富水区作为研究对象,基于Weibull时间函数与分段函数的思路,结合矿区地表InSAR监测数据建立高寒矿区地表动态沉降模型,讨论了该函数模型的适用性。结果表明:高寒矿区冻胀地表沉降的三个阶段沉降量与时间的关系曲线与Weibull时间函数模型对应曲线相符;对Weibull时间函数的双参数取值进行探讨并优化,最终确定当初始、加速阶段的λ取值2.5,η取值0.068,稳定阶段λ取值2.3,η取值0.048时误差处于限差范围内,能较为准确地模拟预测地表的动态沉降过程,该研究可为高寒矿区的防灾减灾及治理工程提供参考。     

小样本不平衡设备数据下的机器学习策略研究

针对小样本数据样本容量不足与分布不平衡的设备寿命预测问题,构建基于改进SMOTE算法与改进KNN(K-NearestNeighbor)算法联合优化模型。首先,设置噪声比例系数β排除样本数据中的噪声,随后通过类B-SMOTE(Borderline-SMOTE)算法与传统SOMTE算法结合构建改进SMOTE(ISMOTE)算法对存在分布问题的少数类样本进行新增优化,避免因为样本分布不平衡以及样本数量较少引起的偏差。其次,针对分类过程中边界模糊的样本点,通过利用粒子群算法寻求每个样本种类中心点并计算样本距离均值建立分隔阈值■,对阈值范围内的样本点利用“投票法”判断样本种类,规避KNN算法在处理数据时因为不同种类样本混合而出现误差的问题。最后,通过利用美国卡特彼勒公司液压泵状态数据以及凌津滩水电站水导轴承振动数据进行仿真,算例证明上述两种改进算法在面对小样本不平衡设备数据时可以准确分析设备运行状态以及预测设备未来健康发展趋势。     

基于BP神经网络的轴承套圈磨削误差的预报

提出一种基于BP(反向传播)神经网络磨削误差的预报方法,针对轴承套圈磨削误差序列的非线性特点,使用BP神经网络对其进行建模预测,为磨削自动线的监控调整提供准确的预报值,从而可有效地修正磨削过程中温度、变形及其他复杂因素对工件加工精度的影响,提高加工精度,降低轴承套圈磨削的尺寸分散度。     

改进粒子群算法优化 BP 神经网络的短时交通流预测

为提高 BP 神经网络预测模型的预测准确性, 提出了一种基于改进粒子群算法优化 BP 神经网络的预测方法. 引入自适应变异算子对陷入局部最优的粒子进行变异, 改进了粒子群算法的寻优性能, 利用改进粒子群算法优化 BP 神经网络的权值和阈值, 然后训练 BP 神经网络预测模型求得最优解. 将该预测方法应用到实测交通流的时间序列进行有效性验证, 结果表明了该方法对短时交通流具有更好的非线性拟合能力和更高的预测准确性.     

基于同伦(homotopy)关系的ARMAX模型的辨识算法

论述了采用同伦 (hom otopy)法辨识 ARMAX模型的问题 .在 ARMAX模型的辨识中 ,由于滑动平均(MA)噪音模型部分的存在 ,用以估计 ARMAX模型参数的误差函数不再是单峰的 ,因而常用的基于最优化的估计算法有被陷入局部最小点的危险 .本文提出一种基于同伦关系的算法来解决这个问题 ,其基本想法是建立 ARMAX模型参数的估计和 ARX模型参数的估计两者之间的同伦关系 .由于用以估计 ARX模型参数的误差函数是单峰的 ,因而没有局部最小点问题 ,这就使得有可能利用它们之间的同伦关系来解决 ARMAX模型参数的估计中的局部最小点问题 .详细描述了基于同伦关系的新辨识算法 ,并利用蒙特卡罗 (Monte Car-lo)仿真试验说明了新算法的有效性     

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。     

基于快速网络模拟的安全态势预测

为提升网络安全态势预测的准确性,提出基于网络模拟的态势预测方法。该方法依靠网络模拟技术,详细推演网络安全行为的未来状态,并通过对状态数据进行分析与归纳,实现对网络安全态势的预测。为提升预测的时效性,研究核心节点路由静态存储以及动态连续计算等快速网络模拟技术。通过具有1720个节点的网络拓扑进行了实验验证:依靠快速网络模拟技术,整个态势预测所需的时间减少了51.7%,实现能提前获知未来的安全态势值;对所获得的安全态势曲线与实际安全行为进行对照分析,验证了安全态势预测的准确性。     

分布式虚拟环境中的碰撞一致性

讨论了分布式虚拟环境中的碰撞一致性问题，分析了其表现形式及产生原因。提出了一种基于预测的可以保障分布式虚拟环境中碰撞一致性的控制方法。最后讨论了该方法在分布式虚拟环境DVNE中的应用。