基于BP神经网络的飞机目标识别算法

作者： 夏海琴   彭章友   来源： 电子测量技术 年份： 2019 文献类型 ： 期刊 关键词： 小波变换   RCS   BP神经网络   飞机目标识别  

描述： 针对飞机目标识别中模板匹配等方法存在的识别率低的问题,提出一种基于多层BP神经网络的飞机目标识别算法。该算法首先利用CST电磁仿真软件精确仿真目标的全空域RCS数据,根据飞行的航迹获取动态RCS时间序列。其次,计算目标动态RCS时间序列的均值、极大值等统计特性以及对目标动态RCS时间序列进行多尺度小波分解和重构,计算每层近似信号重构能量和细节信号重构能量,之后提取目标RCS的时频特征。最后,构建多层BP神经网络模型来识别3种类型的目标。仿真结果表明,该目标识别算法能够有效的识别3种不同类型的飞机目标,识别率达到了90%。

航空伽玛能谱异常信息增强与重建技术

作者： 孙坤   来源： 成都理工大学 年份： 2019 文献类型 ： 学位论文 关键词： 小波变换   奇异值分解   航空伽玛能谱   异常信息  

描述： 航空伽玛能谱异常信息增强与重建技术

航空伽玛能谱异常信息增强与重建技术

作者： 孙坤   来源： 成都理工大学 年份： 2019 文献类型 ： 学位论文 关键词： 小波变换   奇异值分解   航空伽玛能谱   异常信息  

描述： 航空伽玛能谱异常信息增强与重建技术

基于序列工作点的航空发动机过渡态气路分析参数选择研究

作者： 杨锟   屠秋野   王纬   蔡元虎   来源： 推进技术 年份： 2019 文献类型 ： 期刊 关键词： 小波变换   航空发动机   奇异值分解   过渡态气路分析   序列工作点分析  

描述： 。该方法利用连续小波变换对时间信号的增强解析能力,提取待求健康参数在备选测量传感器上的参数特征,实现了在传感器安装受限条件下必要测量参数的选择。通过对SOPA子系统矩阵进行奇异值分解(SVD),获得了

航空发动机转子装配精度预测及堆叠

作者： 刘鑫   来源： 大连理工大学 年份： 2019 文献类型 ： 学位论文 关键词： 精度堆叠   装配精度预测   小波变换   齐次坐标变换   航空发动机转子  

描述： 航空发动机转子装配精度预测及堆叠

循环压力冲击载荷下环向裂纹飞机液压管路故障诊断研究

作者： 付旭鹏   来源： 燕山大学 年份： 2019 文献类型 ： 学位论文 关键词： 小波变换   负压波法   流固耦合振动   管路泄漏   环向裂纹管路  

描述： 循环压力冲击载荷下环向裂纹飞机液压管路故障诊断研究

航空发动机转子装配精度预测及堆叠

作者： 刘鑫   来源： 大连理工大学 年份： 2019 文献类型 ： 学位论文 关键词： 精度堆叠   装配精度预测   小波变换   齐次坐标变换   航空发动机转子  

描述： 航空发动机转子装配精度预测及堆叠

循环压力冲击载荷下环向裂纹飞机液压管路故障诊断研究

作者： 付旭鹏   来源： 燕山大学 年份： 2019 文献类型 ： 学位论文 关键词： 小波变换   负压波法   流固耦合振动   管路泄漏   环向裂纹管路  

描述： 循环压力冲击载荷下环向裂纹飞机液压管路故障诊断研究

基于广义模型约束的时间域航空电磁反演研究

作者： 苏扬   殷长春   刘云鹤   张博   任秀艳   来源： 地球物理学报 年份： 2019 文献类型 ： 期刊 关键词： 小波变换   时间域航空电磁   稀疏约束反演   Lp范数反演   聚焦反演   广义模型约束  

描述： 反演和聚焦反演,进而通过改变模型求解域构造出基于小波变换的稀疏约束反演.针对不同反演方法目标函数的构建方式,本文进一步从数学原理上分析不同反演方法的预期效果,并通过理论模型和实测数据进行验证.结果表明L0.8范数反演、聚焦反演和基于小波变换的稀疏约束反演可以得到更符合地下层状介质陡变界面的反演结果.

基于小波能量矩的航空交流串联电弧故障识别算法研究

作者： 崔芮华   李英男   王传宇   李锋锋   来源： 电工电能新技术 年份： 2019 文献类型 ： 期刊 关键词： 参数寻优   能量矩   小波变换   故障识别   K最近邻   航空电弧故障  

描述： 针对现有串联电弧故障识别方法会受到线路中串联的非线性负载、电感性负载影响导致工作状态误判的问题,提出了一种基于小波能量矩的串联电弧故障特征提取方法。对串联电弧故障发生试验采集到的电流数据进行多分辨率小波分解,将分解得到的小波能量矩作为回路电流信号的特征量,找出工作状态区分明显的特征向量。利用参数寻优后的K最近邻算法进行特征分类,进而识别出线路中发生的电弧故障。分类验证结果显示,该方法提取的回路电流特征明显,分类算法简单,对电弧故障的识别率较高。