全部
图书
期刊
学位论文
会议论文
报纸
图片
视频
新闻
关键词
- 大型机场滑行道航空器交通流特性仿真
- 作者： 薛清文 陆键 姜雨 来源： 北京航空航天大学学报 年份： 2019 文献类型 ： 期刊 关键词： 元胞传输模型(CTM) 交通流 相态演变 滑行道 Net Logo
- 描述： 滑行道是连接跑道和停机坪的纽带,是大型机场航空器场面运行的关键资源。随着场面航空器数量的不断增加,航空器在滑行道区域涌现出特有的交通流特性。基于滑行道航空器运行规则,结合元胞传输模型(CTM),建立宏观的滑行道航空器交通流元胞传输模型,在NetLogo系统动力学仿真平台的基础上,以中国某大型机场滑行道航空器运行为例对模型进行验证,推理滑行道交通流基本参数之间的关系和相变特征。研究表明,滑行道交通流在自由流、同步流和阻塞流3种相态中演变,其中在同步流相态中,随着密度增加,流量从0.15降至0.10架次/min,速度从20降至7.64m/s,说明流量和速度参数对于密度的变化十分敏感。当离场率与进场率的比例从0.2降至0.15时,3种相态下的临界流量从0.15、0.10降至0.13、0.05架次/min;临界速度在自由流不变,同步流和阻塞流中依次从7.64、1.07降至0.88、0.25m/s;临界密度在自由流由0.50降至0.46架次/km,而在同步流阻塞流中依次从0.88、6.21增加至3.77、13.17架次/km。本研究揭示滑行道交通流拥堵演变机理,为制定科学合理的滑行道管理控制策略提供理论基础。
- 融合注意力和多尺度特征的航空发动机缺陷检测
- 作者： 赵崇林 朱江 胡永进 李祖泽 王鹏举 谢涛 来源： 北京航空航天大学学报 年份： 2023 文献类型 ： 期刊 关键词： 注意力机制 航空发动机 YOLOv5 深度学习 缺陷检测
- 描述： 航空发动机的结构完整性关乎飞行安全。目前基于孔探技术的航空发动机缺陷检测以人工操作为主。为提高检测精度和效率，提出了一种融合注意力和多尺度特征的航空发动机缺陷智能检测算法，以辅助孔探工作。首先，针对原始孔探图像中缺陷样本的类别不平衡问题，采用了一种基于几何变换和泊松图像编辑的多样本融合数据增强方法，丰富小样本图像并构建缺陷数据集。然后，在基准网络YOLOv5中融入协调注意力模块(CA)，以强调缺陷特征的提取，增强网络对缺陷目标和复杂背景的区分。在颈部网络中构建加权双向特征金字塔结构(BiFPN)，以完成更高层次的特征融合，提升对多尺度目标的表达能力。最后，将边界框回归损失函数定义为EIOU损失，实现对缺陷目标快速、准确地定位和识别。实验结果表明，本文算法检测缺陷的平均精确度达到了89.7％，较基准网络提升了6.3％，训练后的模型大小仅为14.0M。因此，所提方法可以有效地检测航空发动机的主要缺陷。
- 遥感图像飞机目标高效搜检深度学习优化算法
- 作者： 郭琳 秦世引 来源： 北京航空航天大学学报 年份： 2019 文献类型 ： 期刊 关键词： 停机坪与跑道分割 深度神经网络 深度学习 飞机目标检测 大幅面遥感图像
- 描述： 为了实现大幅面遥感图像中飞机目标的高效检测与准确定位,通过深度神经网络(DNN)的级联组合,提出了一种新颖的搜寻与检测相集成的飞机目标高效检测算法。首先,运用高性能的端到端DNN网络,进行停机坪与跑道区域的像素级高效精准分割,从而大幅度缩小飞机目标的搜索范围,以降低虚警发生概率,完成飞机目标候选检测区域的快速搜寻。然后,针对分割所得停机坪与跑道区域,借助手工数据集对YOLO网络模型进行迁移式强化训练,一方面可以弥补训练集在样本类型与数据规模上的不足,另一方面借助YOLO网络的强时效性优势对飞机目标的位置进行回归求解,可以显著提高飞机目标的检测效率。停机坪与跑道区域分割DNN网络在分割精度与时效性上具有显著优势,而迁移式强化训练YOLO网络不仅具有很高的检测效率,在检测精度上也能保持良好的性能。通过一系列综合实验与对比分析,验证了提出的搜寻与检测相集成的DNN级联组合式飞机目标高效检测算法的性能优势。
- 基于深度学习的航空发动机故障融合诊断
- 作者： 车畅畅 王华伟 倪晓梅 洪骥宇 来源： 北京航空航天大学学报 年份： 2018 文献类型 ： 期刊 关键词： 航空发动机 故障诊断 深度学习 抗干扰能力 决策融合
- 描述： 通过对航空发动机故障诊断,能够正确判断各部件工作状态,快速确定维修方案,保证飞行安全。在结合深度信念网络和决策融合理论的基础上,提出了基于深度学习的航空发动机故障融合诊断模型。该模型通过分析发动机
- 融合注意力和多尺度特征的航空发动机缺陷检测
- 作者： 赵崇林 朱江 胡永进 李祖泽 王鹏举 谢涛 来源： 北京航空航天大学学报 年份： 2023 文献类型 ： 期刊 关键词： 注意力机制 航空发动机 YOLOv5 深度学习 缺陷检测
- 描述： 航空发动机的结构完整性关乎飞行安全。目前基于孔探技术的航空发动机缺陷检测以人工操作为主。为提高检测精度和效率，提出了一种融合注意力和多尺度特征的航空发动机缺陷智能检测算法，以辅助孔探工作。首先，针对原始孔探图像中缺陷样本的类别不平衡问题，采用了一种基于几何变换和泊松图像编辑的多样本融合数据增强方法，丰富小样本图像并构建缺陷数据集。然后，在基准网络YOLOv5中融入协调注意力模块(CA)，以强调缺陷特征的提取，增强网络对缺陷目标和复杂背景的区分。在颈部网络中构建加权双向特征金字塔结构(BiFPN)，以完成更高层次的特征融合，提升对多尺度目标的表达能力。最后，将边界框回归损失函数定义为EIOU损失，实现对缺陷目标快速、准确地定位和识别。实验结果表明，本文算法检测缺陷的平均精确度达到了89.7％，较基准网络提升了6.3％，训练后的模型大小仅为14.0M。因此，所提方法可以有效地检测航空发动机的主要缺陷。