船用燃气轮机状态趋势预测算法研究

燃气轮机是船舶动力系统的重要组成部分,为了提高船舶性能,需对其进行状态趋势预测;首先研究了常用的几种预测算法,总结了各自优缺点和适用范围,对常见预测方法的技术特点进行了详细分析;为提高船用燃气轮机状态预测精度,提出了组合优选和虚拟预测的思想,通过研究组合预测方法实现了燃汽轮机状态的趋势预测,验证了组合优选和虚拟预测的可操作性和正确性,将预测结果同直接预测相比较,验证了其优越性。     

基于时间序列的航天器遥测数据预测算法

在航天器遥测数据预测领域,基于时间序列的预测方法有着广阔的应用前景;时间序列有一明显的特性就是记忆性,记忆性是指时间数列中的任一观测值的表现皆受到过去观测值影响;它的基本思想是根据观测数据的特点为数据建立尽可能合理的统计模型,利用模型的统计特性解释数据的统计规律,以期达到预报的目的;提出了采用模式识别和参数估计的方法,结合航天器遥测动态数据,建立关于航天器遥测数据的时序预测模型,对航天器遥测数据趋势进行检测和预报。     

时间序列的神经网络预测方法研究

本文利用动态神经网络可以逼近任意范函这一特性，提出利用此种动态神经网络对时间序列进行预测的方法，并利用设计的网络对某些典型的时间序列进行预测，结果表明利用神经网络对时间序列进行预测有较好的逼近效果。     

基于灰色预测的直升机齿轮箱状态预测方法

作为直升机上重要的关键部件,直升机齿轮箱能够将动力转换为动力输出形式,从而满足不同形式下动力的需要。针对直升机齿轮箱状态无法准确预测的技术难题,本文将灰色系统理论中的灰色预测方法运用到直升机齿轮箱中,有效解决了齿轮箱使用状态难以准确预测的技术难题。首先对采集到的直升机齿轮箱的不同的振动信号进行特征提取,然后采用信息融合技术,将不同振动信号的特征值进行融合,最后运用灰色预测方法对直升机齿轮箱的使用状态进行预测。文中对所提出的方法进行了试验验证,结果表明,所提出的基于灰色预测的直升机齿轮箱状态预测方法能够实现对直升机齿轮箱的状态准确预测的效能,并对其他航空设备以及机械设备的状态预测具有一定的借鉴意义。     

混沌时间序列多步自适应预测方法

针对混沌时间序列局域自适应预测方法在多步预测中预测器系数无法调节的问题,根据混沌时间序列的短期可预测性及自适应算法的自适应跟踪混沌运动轨迹的特点,提出了混沌时间序列多步自适应预测方法.仿真结果表明,此方法的多步预测性能明显好于局域自适应预测方法的多步预测性能.关键词：多步自适应预测方法局域自适应预测方法混沌时间序列     

基于遗传神经网络的旋转机械故障预测方法研究

许多大型旋转机械运行工况恶劣,非平稳、非线性特征明显,以及各种突发性、偶然性因素的影响,给基于振动信号处理的状态预测和状态维护分析带来困难。神经网络以其强大的处理非线性系统的能力在故障预测中得到广泛的应用,但由于其在追求高精度训练目标时易陷入局部极值,且收敛速度慢甚至发散。针对这个问题,提出了采用遗传算法对神经网络连接权值和阈值进行优化,这样不仅发挥了神经网络广泛的映射特性也使遗传算法的全局搜索优势尽显无疑。通过组合这两种算法,在提升网络学习的准确度方面,优点尤其突出,最终提高对旋转机械故障预测和寿命估计的性能,这在某环境模拟试验系统动力风机的轴承磨损故障预测中得到了验证。     

一种预测混沌时间序列的模糊神经网络方法

给出了一种预测混沌时间序列的模糊神经网络及其学习方法,给出的方法能直接从数据中提取模糊规则,经过优化得到最佳模糊规则库,并利用神经网络的自学习功能修改隶属函数的参数和网络的权值,减少了规则的匹配过程,加快了推理速度,增强了网络的自适应能力. 使用该神经网络及其学习方法对Lorenz混沌时间序列进行了预测仿真研究,试验结果表明给出的预测工具和方法是有效的.关键词：模糊神经网络模糊规则提取混沌时间序列预测     

基于一种新型聚类算法的RBF神经网络混沌时间序列预测

运用两阶段学习方法构建径向基函数(RBF)神经网络模型预测混沌时间序列.在利用非监督学习算法确定网络隐层中心时,提出了一种基于高斯基的距离度量,并联合输入输出聚类的策略.基于Fisher可分离率设计高斯基距离度量中的惩罚因子,可以提高聚类的性能.而输入输出聚类策略的引入,建立了聚类性能与网络预测性能之间的联系.因此,根据本文方法构建的网络模型,一方面可以加快网络训练的速度,另一方面可以提高预测性能.将该方法对Mackey-Glass, Lorenz和Logistic混沌时间序列进行了预测仿真研究,仿真结果表明了该方法的有效性.关键词：混沌时间序列预测径向基神经网络聚类     

基于混沌算子网络的时间序列多步预测研究

结合相空间重构理论和时间序列分析理论,提出一种用于时间序列多步预测的网络模型.网络采用多个混沌算子加权求和的形式构成.网络各层单元采用固定权值连接,混沌算子的控制参数利用混沌优化算法进行训练调节,从而控制预测网络的动力学行为.利用已知时间序列数据构造出训练样本,训练样本在网络训练过程中仅使用一次,促使网络的动力学特性随时间的推移而变化,并逐渐逼近被预测系统的动力学特性,最终完成对未来时刻数据的预测.在对理论数据进行预测分析时,通过计算预测序列的Lyapunov指数验证了预测网络的有效性.在对实际时间序列的预测过程中,该网络表现出了良好的预测性能.仿真结果表明,该预测网络可对多种时间序列在一定的预测步长范围内实现有效的预测.     

基于Cholesky分解的增量式RELM及其在时间序列预测中的应用

针对应用于混沌时间序列预测的正则极端学习机(RELM)网络结构设计问题,提出一种基于Cholesky分解的增量式RELM训练算法.该算法通过逐次增加隐层神经元的方式自动确定最佳的RELM网络结构,并以Cholesky分解方式计算其输出权值,有效减小了隐层神经元递增过程的计算代价.混沌时间序列预测实例表明,该算法可有效实现最佳RELM网络结构的自动确定,且计算效率高.利用该算法训练后的RELM预测模型具有预测精度高的优点,适用于混沌时间序列预测.关键词：神经网络极端学习机混沌时间序列时间序列预测     

基于区域特性量测的图像融合方法

在图像融合过程中,融合规则及融合算子的选择对于融合的质量至关重要,也是图像融合中至今尚未很好解决的难点问题。本文给出了一种新的融合规则——基于区域特性量测的融合规则,即在对某一分解层图像进行融合处理时,为了确定融合后的像素不仅要考虑参加融合图像中对应的各像素,而且要考虑参加融合像素的局部领域。     

非接触式虹膜图像获取及特征提取方法的研究

报道了一种由使用者自行瞄准来实现虹膜图像非接触式获取的新方法,对获得的图像数据进行了虹膜纹理特征提取试验,验证了方法的可行性和有效性。通过设计几何光照明来辅助使用者定位瞄准,使眼睛处于前后合适的位置;并在摄像机镜头前面放置一片半透半反镜,帮助使用者观察自己眼睛的像来判断眼睛是否偏出摄像机的视场范围。通过该方法可以得到虹膜特征识别的图像数据。采用二维伽博小波对虹膜纹理进行特征提取,并计算两个虹膜特征码值中数值相等的特征位个数,对采集到的虹膜图像进行了特征匹配实验,得到的实验数据证实了该系统完全满足虹膜特征识别的要求。     

基于对照区设置的结化霜曲线去除雾噪声的方法实现

以空调结霜、化霜的视频为研究对象,基于画面灰度特征变化,获取结化霜过程的时序监控数据;然后,重点研究了含雾气噪声时序数据的平滑问题;提出一种通过设置同步采样的对照区的方法,监测雾气出现与消退的动态变化,用以识别定位雾气的存在区间;再基于线性内插值方法,对结化霜时序曲线的相关区间数据进行差值重构,实现滤除雾气噪声同时不影响无噪声数据质量的目标;最后给出本方法适用的一些条件;实验表明,基于对照区设置的方法能够对雾气干扰取得很好的曲线平滑效果;且这个方法的实现原理简单,对数据曲线的消噪平滑效果比较好,在曲线平滑应用领域可以有一定的应用空间。     

一种自适应的Gabor图像特征抽取和权重选择的人脸识别方法

 为了克服光照、表情变化等因素对人脸识别的影响,本文提出了一种自适应的Gabor图像特征抽取和权重选择的人脸识别方法.该方法首先把每幅人脸图像经过Gabor小波变换后得到的40个不同尺度和方向下的图像都看作是独立的样本,再把不同人脸中的同一尺度和方向的变换结果进行特征重组,得到40个独立地新特征矩阵.为了增强对光照、表情变化的鲁棒性,每一新特征矩阵的识别贡献被本文所提出的自适应权重方法计算得到.其次,对每一新特征矩阵采用离散余弦变化进行降维,并采用了鉴别力量分析方法来选取最有鉴别力的离散余弦变换系数作为特征向量.最后,抽取线性鉴别分析特征进行识别.大量的实验证明了本文所提方法的有效性.     

基于Excel的海量有序实验数据处理方法研究

主要介绍Excel在处理连续测量的时间有序实验数据中的应用。根据测量得到的海量时间响应数据,实现利用excel处理指定条件下的数据,求取平均值、标准偏差、中间值以及百分位数等。