飞行试验大数据技术及展望

现代航空武器装备综合化和信息化程度越来越高,飞行试验测试数据的种类增多,测试数据量剧增,飞行试验进入了大数据时代。试飞大数据的来临,对试验数据的获取、记录、传输和处理等传统技术及模式产生了强大的冲击,也提出了严峻的挑战。本文在简要介绍大数据概念及国外研究应用现状的基础上,通过总结分析飞行试验数据的新特征、新需求,提出了“试飞大数据”的概念,得出飞行试验数据是典型大数据的结论;按照试飞测试流程和大数据技术范畴,重点分析了试飞大数据技术中的数据获取、交换、记录、传输、监控、处理、存储等关键技术,最后,对试飞大数据技术的应用前景进行了展望。     

试飞数据分析结果的可视化输出软件设计与实现

针对试飞数据分析结果进行可视化输出可以提高试飞科目的评判效率。将试飞数据分析结果进行结构化存储,采用列模式内存对齐方式,提高单个参数的检索查询及图形输出操作效率;对C+ builder标准组件类属性及方法进行扩充,实现对常规和特殊定制结果曲线图的绘制导出;利用进程调用方式,融合Matlab平台GUI应用程序和算法库,扩展软件交互功能。以实现对试飞数据分析结果的可视化输出。     

基于CAN总线的遥测数据处理模块软件设计

随着飞行器电子综合化技术的发展,数据总线在飞行器中得到大量应用。为满足某飞行器总线系统测量的需求,本文设计了一种基于CAN总线的遥测数据处理模块。硬件部分主要由CAN总线驱动器模块、DSP数字信号处理模块、FPGA逻辑处理模块组成。软件设计包括TMS320F28335的初始化,CAN总线数据处理和外部中断处理三部分。该模块用于某飞行器双路CAN总线数据的采集及处理,并经过了多次飞行试验验证。该模块简化了系统设计,实现了高速、可靠的CAN总线遥测数据处理。     

基于G/S模式的空间信息云服务架构研究

针对多系统间的数据交换、共享问题,尤其在大数据时代,海量的数据增长给数据的管理带来的挑战,提出了一种基于G/S(General-Browser/ Service-Cloud,G/S)模式的空间信息云服务架构——面向数据的架构(Data Oriented Architecture,DOA)。以数据为核心,以数据标识为主线,通过数据注册中心和数据交换规范XXML(Specific Industry Markup Language),对海量异构数据进行存储、计算和管理,实现多系统间的数据共享、访问和协同。通过在地质灾害监测预警方面的应用,证明了该架构作为信息技术的系统构建方法在大数据时代独特的优势。     

基于Matlab数据库工具箱的实验数据自动抽取及应用

矩阵计算和多领域的算法库是Malab科学计算软件的核心,它所提供的大量函数库为科研工作者进行专业领域实验提供了巨大的方便。Matlab数据库工具箱虽然开启了自动化调用数据的功能,但是并不是每位科学实验的研究者均具备数据库编程和书写SQL语句的技能,而大规模参数赋值却是科学实验的基础。因此通过介绍工具箱中Query Builder的使用,建立ODBC/JDBC兼容数据源,对大规模实验数据进行自动抽取数据、变量赋值及图形化表示、函数测试及调用。实现不书写任何计算机语句,完成大规模数据的调用赋值以及函数调用的功能,旨在帮助实验者快速完成物理数据的计算工作。     

体全息存储系统读出图像的放大率的补偿算法研究

在1∶1体全息存储系统的读出过程中,保证图像的不失真和降低误码率是最关键的问题。提出了一种新颖的放大率补偿算法,定量分析了放大率偏移误差对图像的影响,并通过理论推导和实验模拟证明了这一算法的可行性。     

基于红外/毫米波双模融合的目标识别方法

在数据融合的基础上,以红外/毫米波双模传感器的智能融合结构为模型,将模糊神经网络与D-S证据理论相结合,提出了一种新的目标识别方法.该算法根据红外/毫米波传感器的性能及工作范围,构造模糊变量作为神经网络的输入,根据神经网络的不同输出判别目标的真伪,并利用D-S证据理论进行目标身份识别.仿真结果证明了该算法的可行性.     

基于L1正则化的随机梁式结构静力损伤识别方法

提出了一种结合摄动法和L1正则化方法的随机梁式结构静力损伤识别方法。考虑初始模型误差和测量误差的影响,建立了关于随机损伤指数的控制方程,并将摄动法和L1正则化方法相结合,对随机损伤指数的控制方程进行求解,进而从概率的角度对结构的损伤进行识别。损伤试验结果表明,和传统的最小二乘求解法相比,本文方法能够更为准确地识别多处局部损伤的位置及大小,对实际结构损伤检测具有较好的参考价值。     

Adaptive Neuro-Fuzzy Inference System and a Multilayer Perceptron Model Trained with Grey Wolf Optimizer for Predicting Solar Diffuse Fraction

The accurate prediction of the solar diffuse fraction (DF), sometimes called the diffuse ratio, is an important topic for solar energy research. In the present study, the current state of Diffuse irradiance research is discussed and then three robust, machine learning (ML) models are examined using a large dataset (almost eight years) of hourly readings from Almeria, Spain. The ML models used herein, are a hybrid adaptive network-based fuzzy inference system (ANFIS), a single multi-layer perceptron (MLP) and a hybrid multi-layer perceptron grey wolf optimizer (MLP-GWO). These models were evaluated for their predictive precision, using various solar and DF irradiance data, from Spain. The results were then evaluated using frequently used evaluation criteria, the mean absolute error (MAE), mean error (ME) and the root mean square error (RMSE). The results showed that the MLP-GWO model, followed by the ANFIS model, provided a higher performance in both the training and the testing procedures.     

Introduction and Analysis of a Method for the Investigation of QCD-like Tree Data

The properties of decays that take place during jet formation cannot be easily deduced from the final distribution of particles in a detector. In this work, we first simulate a system of particles with well-defined masses, decay channels, and decay probabilities. This presents the “true system” for which we want to reproduce the decay probability distributions. Assuming we only have the data that this system produces in the detector, we decided to employ an iterative method which uses a neural network as a classifier between events produced in the detector by the “true system” and some arbitrary “test system”. In the end, we compare the distributions obtained with the iterative method to the “true” distributions.