全部
图书
期刊
学位论文
会议论文
报纸
图片
视频
新闻
按文献类别分组
按栏目分组
关键词
- 基于集对分析和AFSA-SVM的军航空管安全评价
- 作者： 甘旭升 杨捷 刘飞 刘苹妮 来源： 安全与环境学报 年份： 2020 文献类型 ： 期刊 关键词： 集对分析 支持向量机 军航空管 安全系统学 人工鱼群算法 安全评价
- 描述： 基于集对分析和AFSA-SVM的军航空管安全评价
- 基于迁移学习的民航发动机小样本故障诊断
- 作者： 付松 钟诗胜 林琳 张永健 来源： 计算机集成制造系统 年份： 2020 文献类型 ： 期刊 关键词： 民航发动机 支持向量机 小样本 深度自编码器 故障诊断 迁移学习
- 描述： 为解决民航发动机故障诊断面临的故障样本不足问题，提出了一种基于深度自动编码器(deep auto-encoder, DAE)迁移学习的小样本故障诊断方法。在该方法中，首先利用大量的正常样本对DAE进行训练，建立发动机状态特征提取模型；然后将该特征提取模型迁移到具有少量数据的发动机故障样本中，并对这些故障样本进行特征提取；最后利用支持向量机（support vector machine, SVM）实现小样本分类。另外，为了使DAE能够学习到更具有代表性的深度特征，利用重构误差评估不同隐藏层神经元节点数下的单个自动编码器(Auto-Encoder, AE)特征提取能力，进而通过单个AE特征提取能力对DAE隐藏层的神经元节点数进行了优化。以某航空公司的CFM56-7B系列发动机的实际飞行历史数据验证了所提出的故障诊断方法的有效性。
- 基于多种预测算法的飞机故障预测效果研究
- 作者： 朱兴动 章思宇 宋建华 来源： 兵工自动化 年份： 2020 文献类型 ： 期刊 关键词： 支持向量机 Fisher判别法 随机森林 Kappa系数 逻辑回归 故障预测
- 描述： 为大幅提高飞机的维修故障预测精度,在充分研究Fisher判别法、逻辑回归、随机森林和支持向量机4种算法的基础上,使用某型飞机故障维修记录数据作为基础数据集,在R平台上实现这4种算法,以分析比较4种算法在故障预测上的效果差异。结果表明,支持向量机的预测效果最好。
- 基于航空正射影像的面向对象林隙识别
- 作者： 毛学刚 邢秀丽 李佳蕊 谭良全 范文义 来源： 林业科学 年份： 2019 文献类型 ： 期刊 关键词： 面向对象 支持向量机 航空正射影像 影像分割 对象特征 林隙
- 描述： 【目的】研究分割尺度及对象特征对航空正射影像面向对象林隙识别的影响,评价基于航空正射影像林隙识别适宜性。【方法】以真彩色航空正射影像为基础数据,采用面向对象分类方法,以东北典型天然次生林帽儿山实验林场东林施业区为试验区进行林隙识别。在面向对象分类过程中,对航空正射影像的3个分量(Blue、Green和Red)采用10种尺度(10～100,步长为10)进行分割,应用拓扑组合准确度(R_(A(or))和R_(A(os)))和位置准确度(D_(sr))评价分割结果。对每种尺度分割结果,应用航空正射影像的光谱及光谱+纹理结合特征,采用带有线性核的支持向量机(SVM)分类器进行林隙、非林隙和树冠分类,共获得20种分类结果。利用混淆矩阵计算的生产者精度、用户精度、分类总精度和Kappa系数4个评价指标对分类结果进行精度评价。【结果】对象特征(大小和形状)受尺度参数影响,小尺度分割产生小面积对象,大尺度分割产生大面积对象,但大尺度不能有效将明显的林隙从冠层中分离出来,存在明显分割不足的现象。拓扑组合准确度(R_(A(or))和R_(A(os)))和位置准确度(D_(sr))说明与参考对象最相似的分割对象结果是在尺度20时获得的分割结果(R_(A(or))和R_(A(os))较大且接近,D_(sr)较小)。光谱及光谱+纹理结合特征分类方案分类总精度具有相似的变化特征,即小尺度分类总精度较低,随着尺度增大,分类总精度也再提高并在某个尺度达到最大值,之后分类总精度随尺度增大而降低,并趋于平稳。光谱+纹理结合特征的分类总精度低于仅使用光谱特征的分类总精度,在中小尺度上尤其明显。在尺度参数为20时使用光谱+纹理结合特征分类总精度低19个百分点,在尺度参数为30时低13个百分点。基于航空正射影像分割最优尺度参数为20。【结论】基于航空正射影像进行林隙识别,最高精度仅为74%(Kappa=61%),林隙生产者和用户精度在60%以上,非林隙生产者和用户精度在90%左右。基于航空正射影像林隙识别纹理特征的加入还将继续降低识别精度。
- 航空电子设备故障预测特征参数提取方法研究
- 作者： 陈华坤 章卫国 史静平 何启志 占正勇 来源： 西北工业大学学报 年份： 2017 文献类型 ： 期刊 关键词： 故障预测和健康管理 维数估计 支持向量机 特征提取 综合模块化航电系统 极大似法 DC变换器 降噪自编码神经网络 DC
- 描述： 故障特征提取是航空电子设备故障预测的关键技术,对于少量测试点的电子设备可以采用小波变换、傅里叶变换、经验模态分解等方法提取故障特征,但是由于航空电子设备属于大规模集成电路,测试点比较多,采用上述方法提取的故障特征可能相互混叠并且数量比较大会严重影响故障预测精度及速度,因此如何从众多故障信息中提取故障特征是一个难题。文章提出基于极大似然和降噪自编码神经网络方法从大量故障信息中提取故障特征。首先,使用极大似然法分析由多个测试点提取的故障信息和历史退化过程的故障信息组成的高维数据集,估计需要提取故障特征的维数;然后使用降噪自编码神经网络方法将高维故障信息映射到指定维数的数据空间,从中提取关键的故障特征,去除冗余信息;最后,以航空电子系统电源模块为例,采用新方法提取故障特征,分别通过将故障特征可视化和使用故障特征进行健康评估来验证其有效性。