首页>
根据【关键词:极限学习机,经验小波变换,时频分析,多特征融合,航空电弧故障,经验模态分解 】搜索到相关结果 56 条
飞机紊流激励下的模态分析和颤振边界预测方法研究
作者:
卞超
来源:
南京航空航天大学
年份:
2021
文献类型 :
学位论文
关键词:
矩阵束法
自然激励技术
颤振边界预测
小波降噪
经验小波变换
颤振裕度
描述:
飞机紊流激励下的模态分析和颤振边界预测方法研究
基于改进EMD的排气温度裕度预测
作者:
戴邵武
陈强强
丁宇
来源:
兵器装备工程学报
年份:
2019
文献类型 :
期刊
关键词:
支持向量机
排气温度裕度
预测
经验模态分解
回归
描述:
排气温度裕度(Exhaust gas temperature margin,EGTM)是表征发动机运行状态的重要性能参数之一,通过对连续多个飞行架次的EGTM进行预测分析,能够有效预测发动机的工作性能,从而为后续预防性维护提供理论依据。针对EGTM数据的非线性、非平稳特征,提出了基于改进经验模态分解(Empirical Mode Decomposition,EMD)与支持向量回归(Support vector regression,SVR)相结合的预测方法。首先通过改进的EMD方法对EGTM数据进行分解以降低时间序列的复杂程度;其次根据EMD得到的各本征模态函数及趋势序列,构建基于支持向量机的预测模型;最后将所得的各分量的预测结果综合以得到EGTM的预测结果。以某航空发动机EGTM数据验证来所提方法的有效性,结果表明,相比于传统的预测方法,RMSE与MAE降低至2.024、1.603,有效提高了回归精度。
基于经验模态分解和ARMA模型的国际航空油价实证分析——以港湾石油航空燃油价格数据为例
作者:
高伦
张心成
来源:
金陵科技学院学报(社会科学版)
年份:
2020
文献类型 :
期刊
关键词:
聚类
组合预测
过度分解
经验模态分解
ARMA
描述:
基于经验模态分解和ARMA模型的国际航空油价实证分析——以港湾石油航空燃油价格数据为例
基于AR模型延拓的EMD与切片谱在航空齿轮诊断中的应用
作者:
徐红波
高婕
李家宇
叶宝玉
刘熊
来源:
科技经济导刊
年份:
2020
文献类型 :
期刊
关键词:
AR模型
切片谱
航空齿轮
延拓
经验模态分解
描述:
针对经验模态分解(EMD)过程中存在的边界效应问题,利用自回归(AR)模型对给定模拟信号进行延拓,较好地处理了信号边界问题,实现了准确的EMD分解。且使之与切片双谱有效结合,提取精确的故障特征。通过对航空齿轮裂纹试验结果分析表明,基于AR模型延拓的EMD与切片谱能够获得齿轮的特征分量,具有较高的精度和计算效率,对于故障诊断是一种有效的方法。
基于经验模态分解与独立成分分析的航空瞬变电磁去噪方法研究
作者:
李杰
来源:
长安大学
年份:
2020
文献类型 :
学位论文
关键词:
去噪
经验模态分解
噪声
航空瞬变电磁法
独立成分分析
描述:
基于经验模态分解与独立成分分析的航空瞬变电磁去噪方法研究
基于振动分析的航空发动机转子系统故障诊断研究
作者:
刘佳杭
来源:
中国民航大学
年份:
2020
文献类型 :
学位论文
关键词:
转子系统
支持向量机
航空发动机
卷积神经网络
经验模态分解
描述:
基于振动分析的航空发动机转子系统故障诊断研究
基于EMD和PSO-SVM的通用航空飞机燃油流量预测
作者:
马玉猛
来源:
滨州学院学报
年份:
2022
文献类型 :
期刊
关键词:
支持向量机
预测
燃油流量
粒子群算法
经验模态分解
描述:
提出了一种EMD与SVM的组合预测模型,对通用航空飞机燃油流量进行预测。首先对数据缺失值与异常值进行处理,应用经验模态分解算法对燃油流量数据进行分解,得到各分量IMF,然后采用支持向量机对每一个分量进行预测。在预测过程中,采用PSO算法对支持向量机的参数进行优化,最后叠加各分量得到预测数据。采用通航飞机实际飞行数据进行验证,结果表明:该组合模型可以有效地预测燃油流量,准确率较高,其MSE可以达到0.254,高于传统的单一预测模型。
民航与铁路客运需求预测以及疫情的影响
作者:
王景荣
来源:
江西财经大学
年份:
2021
文献类型 :
学位论文
关键词:
支持向量机
分解集成预测
客运量
经验模态分解
新冠肺炎疫情
描述:
民航与铁路客运需求预测以及疫情的影响
航母甲板运动预报算法研究
作者:
金书羽
来源:
哈尔滨工程大学
年份:
2021
文献类型 :
学位论文
关键词:
时间序列
极大似然估计
经验模态分解
自回归
最小二乘算法
描述:
航母甲板运动预报算法研究
基于飞参数据的飞机操纵系统故障评估方法
作者:
吴祯涛
李学仁
杜军
丁超
来源:
计算机测量与控制
年份:
2019
文献类型 :
期刊
关键词:
极限学习机
飞参数据
差分进化
故障评估
描述:
针对某型飞机的操纵系统故障评估问题,提出了一种基于飞参数据建立的差分进化极限学习机(DE-ELM)算法;该算法融合了差分进化(DE)和极限学习机(ELM)两种算法,通过对飞参数据进行训练,构建了飞机操纵系统的黑箱模型;由于极限学习机(ELM)的输入权值以及隐含层阈值是随机产生的,所以ELM的随机性较大,稳定性不高,故利用寻优能力较强的DE对ELM输入权值和隐含层阈值进行寻优,从而实现ELM的结构优化,提升ELM的稳定性和鲁棒性;仿真结果表明,DE-ELM算法的决定系数达到了97.6%,其均方误差相比于BP神经网络降低了约79%,相比于单纯的ELM降低了64%;所以说该法可以有效提高精确度,同时具有更加良好的泛化性能。