电路板故障诊断中神经网络信息融合技术的应用

将信息融合技术应用到导弹电子设备的电路板故障诊断之中．提出了一种基于红外热成像实验的温度故障隶属度函数构造形式以及改进的BP神经网络算法。进行了BP神经网络信息融合故障诊断的实验研究．从结果看信息融合能较好地解决电路板元件故障诊断的不确定性问题。     

基于贝叶斯动态模型的某器件性能预测

在导弹武器系统当中,及时准确的故障预报对提高导弹的安全性具有极其重要的意义。本文根据导弹惯性器件故障预报系统的设计要求,利用贝叶斯动态线性模型对导弹某惯性器件的性能进行了预测研究。贝叶斯预测是利用历史信息和从样本获得的信息来获取后验分布的一种预测方法,该方法不需要平稳性的假设,而且充分利用了已有的信息,可以用来对电子设备的性能进行预测。实例研究表明,该方法具有比较好的预测效果。     

控制系统设计与分析中的潜通路分析技术

介绍了潜通路分析的有关概念和技术,着重讨论了计算机辅助潜通路分析的关键技术,包括网络树拓扑模式识别及线索表制作、定性仿真及基于人工智能的自动缺陷分析技术,最后简要介绍了潜通路分析技术在航空航天控制系统设计与分析中的应用。     

基于支持向量回归机的陀螺漂移预测模型

为了预测某导弹陀螺漂移趋势,以该陀螺漂移角速度时间序列为对象,建立了基于支持向量回归机的预测模型。针对该预测模型的特点,提出了支持向量预选取的模型优化方法。基于ε不敏感损失函数的支持向量回归机具有稀疏性,其结构由支持向量决定。因此从训练样本集中预选出有可能成为支持向量的样本,精简样本规模是提高该类支持向量回归机训练和预测效率的有效方法。针对该类支持向量回归机从分类和回归两个角度分析了支持向量的几何特征,提出了核函数空间免疫聚类的支持向量预选取方法并用于某导弹陀螺漂移预测模型的数据预处理。仿真结果表明优化后的预测模型运算量小、建模速度快,精度高。     

考虑多种贝叶斯神经网络分布形式组合的设备剩余寿命预测方法

基于dropout NN(dropout Neural Network)的设备剩余寿命(RUL)预测方法因使用具有固定分布形式的先验与近似后验的贝叶斯神经网络(BNN)导致预测精度较低.为解决该问题,提出基于高斯近似后验BNN的RUL预测方法和基于混合高斯-伯努利网络的设备RUL预测方法,前者引入混合高斯分布作为先验,通过对参数梯度进行无偏蒙特卡罗估计以优化BNN,后者引入一种离散化的高斯先验分布以正确地定义KL散度,进而可以优化BNN.在PHM 2012轴承数据集上的验证结果表明所构建的混合高斯-高斯网络效果好于dropout NN,证明了改变分布组合可以获得更好的预测效果.     

考虑不完全维护影响的随机退化设备剩余寿命预测

针对寿命周期中存在不完全维护影响的随机退化设备剩余寿命难以预测的问题,提出了一种考虑不完全维护影响的退化建模和剩余寿命预测方法.首先,在Wiener过程理论架下,建立了能够表征不完全维护影响的分阶段退化过程模型,然后从阶段时间服从的逆高斯分布出发,利用逆高斯分布的卷积特性,从理论上推导出存在不完全维护下寿命分布的解析解,并将维护效果的随机性和维护次数的影响传递到寿命分布中.进一步通过时间尺度变换,得到了考虑未来存在不完全维护影响下的剩余寿命分布解析解.通过极大似然估计和最小二乘法对模型未知参数进行了估计.最后将本文方法应用到陀螺仪的实际退化过程中,验证了所提方法的有效性.     

多状态影响下基于Bi⁃LSTM网络的锂电池剩余寿命预测方法

现有基于深度学习的锂电池剩余寿命(Remaining Useful Life,RUL)预测方法中,锂电池多个内部状态所蕴含的寿命信息未得到充分考虑.鉴于此,提出了一种融合电池容量、阻抗与温度三个内部状态的RUL预测模型.首先,引入双向长短时记忆(Bi?directional Long Short?Term Memory...     

基于非平稳时间序列的陀螺漂移性能建模与预测方法研究

研究了利用Kalman滤波和小波分析两种方法对陀螺漂移非平稳时间序列建模预测的基本思想和具体算法。实验证明,这两种方法较传统的差分法优越,可以很好地完成非平稳时间序列的建模预测,并且通过比较分析了它们各自的优缺点,为选用合理的建模方法提供了依据。     

一种广义主成分提取算法及其收敛性分析

广义主成分分析在现代信号处理的诸多领域发挥着重要的作用。目前,自适应广义主成分分析算法还并不多见。针对这一现状,该文提出一种快速收敛的广义主成分分析算法,并通过理论分析所提算法的确定性离散时间系统,导出了保证算法收敛的学习因子和初始权向量模值等边界条件。仿真实验和实际应用验证了所提算法的正确性和有用性。仿真结果还表明,所提算法比现有同类算法具有更快的收敛速度和更高的估计精度。