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BO-LSTM的飞机机电系统可靠性预测与预警
- 作者： 佀庆民 李俊艳 来源： 山东航空学院学报 年份： 2025 文献类型 ： 期刊 关键词： 长短期记忆神经网络 预警模型 时间序列分析 贝叶斯优化 可靠性 航空安全
- 描述： 基于BO-LSTM的飞机机电系统可靠性预测与预警
- 基于机器学习的航空异常着陆事件检测
- 作者： 杨雄 苏志刚 杨金锋 张海刚 来源： 计算机工程与设计 年份： 2022 文献类型 ： 期刊 关键词： 机载快速存取记录器 特征选取 极限梯度提升树 贝叶斯优化 航空安全 异常检测
- 描述： 性能,使用贝叶斯优化训练出最佳异常检测模型。实验结果表明,与其它算法对比,该模型特征提取时间和训练时间短,准确率、F1分数、ROC和PR曲线面积表现出突出的性能。
- 考虑班机流量和场站距离的效率加权航空网络研究
- 作者： 吕伟 刘钰阁 汪京辉 来源： 中国安全生产科学技术 年份： 2023 文献类型 ： 期刊 关键词： 效率加权 关键节点选择 可靠性 航空安全 复杂网络
- 描述： 为了分析中国航空网络在遭受外部攻击时的可靠性，以机场以及机场之间的交互关系为研究对象，以班机流量和场站距离作为权重指标，运用复杂网络的分析方法，构建中国航空加权网络。在航空网络关键节点选取方面，提出
- 基于时序二维化的航空传感器故障检测
- 作者： 张达 高君宇 丁腾欢 谷士鹏 李学龙 来源： 西北工业大学学报 年份： 2023 文献类型 ： 期刊 关键词： 格拉姆角场 时间序列分析 分段聚合近似 航空传感器 故障检测
- 描述： 航空传感器故障检测在航空飞行任务中具有重要意义。然而传感器时序数据长度极长、时间跨度极广导致目前大多数方法检测性能较差。针对上述问题，提出基于时序二维化的航空传感器故障检测(time-series to 2D fault detection, T2D)方法。将信息熵应用到分段聚合近似算法中，充分保留时序特征的同时实现对数据的有效压缩；引入格拉姆角场将降维后的一维数据编码为二维图像，维持原始序列的长程依赖性；设计一种灵活的卷积映射模块并插入检测网络Vision Transformer的编码器中，提高模型的检测精度。实验结果表明，T2D模型在某民机试飞仿真时序数据集上，性能显著优于其他模型，验证了所提方法的有效性和优越性。
- 基于MIC特征提取与BO-CatBoost的航空发动机RUL预测
- 作者： 李东君 李亚 李东文 朱贵富 来源： 空军工程大学学报 年份： 2024 文献类型 ： 期刊 关键词： 航空发动机 MIC 贝叶斯优化 剩余使用寿命 Bo CatBoost
- 描述： 针对航空发动机传感器监测的退化参数提取困难，易受噪声干扰及发动机剩余使用寿命预测精度不足等问题，利用最大信息系数、贝叶斯优化算法和类别特征梯度提升算法，提出了一种新的发动机剩余使用寿命预测模型。首先
- 基于LSTM的航空发动机电气附件性能预测
- 作者： 罗贤峰 何宇 刘仲富 余振源 窦宇骁 孙兆荣 来源： 科技创新与应用 年份： 2022 文献类型 ： 期刊 关键词： 静态测试 长短期记忆神经网络 性能预测 发动机电气附件
- 描述： 。对此设计开发一套发动机电气附件性能预测系统，通过长短期记忆神经网络（Long Short-Term Memory Network,LSTM）构建基于数据驱动的电气附件静态性能预测模型，通过机器的训练与学习，预测分析电气附件的性能衰减状况，为发动机的维修提供有力的技术支持。
- 民航突发事件实体识别方法研究
- 作者： 王红 李浩飞 邸帅 来源： 计算机应用与软件 年份： 2020 文献类型 ： 期刊 关键词： 长短期记忆神经网络 条件随机场 实体识别 知识图谱 民航突发事件
- 描述： 针对民航突发事件实体自动获取的问题,提出一种将双向长短期记忆网络(BiLSTM)与条件随机场(CRF)结合的民航突发事件实体识别方法。利用领域词典对民航突发事件实体进行自动标注,并将已标注的数据转化为分布式字符向量;采用BiLSTM模型获取序列文本的上下文特征;通过CRF模型获得序列标注结果。实验结果表明,与传统的CRF方法相比,该方法的F值有明显的提升,有效解决了传统方法在识别民航突发事件文本信息中包含复合实体或混合实体方面效率低且大量使用人工定义特征模板的问题,为民航突发事件知识图谱的自动构建提供了更好的方法支撑。
- 民航突发事件实体识别方法研究
- 作者： 王红 李浩飞 邸帅 来源： 计算机应用与软件 年份： 2021 文献类型 ： 期刊 关键词： 长短期记忆神经网络 条件随机场 实体识别 知识图谱 民航突发事件
- 描述： 针对民航突发事件实体自动获取的问题,提出一种将双向长短期记忆网络(BiLSTM)与条件随机场(CRF)结合的民航突发事件实体识别方法。利用领域词典对民航突发事件实体进行自动标注,并将已标注的数据转化为分布式字符向量;采用BiLSTM模型获取序列文本的上下文特征;通过CRF模型获得序列标注结果。实验结果表明,与传统的CRF方法相比,该方法的F值有明显的提升,有效解决了传统方法在识别民航突发事件文本信息中包含复合实体或混合实体方面效率低且大量使用人工定义特征模板的问题,为民航突发事件知识图谱的自动构建提供了更好的方法支撑。