多尺度特征组合优化的航空液压管路故障诊断研究

作者： 薛政坤   来源： 辽宁科技大学 年份： 2022 文献类型 ： 学位论文 关键词： 特征提取   振动分析   故障诊断   航空液压管路   信号处理  

描述： 多尺度特征组合优化的航空液压管路故障诊断研究

航空发动机附件齿轮箱滚动轴承故障诊断方法研究

作者： 李业政   来源： 北京化工大学 年份： 2022 文献类型 ： 学位论文 关键词： 航空发动机   特征提取   齿轮箱滚动轴承   故障诊断   变工况  

描述： 航空发动机附件齿轮箱滚动轴承故障诊断方法研究

多尺度特征组合优化的航空液压管路故障诊断研究

作者： 薛政坤   来源： 辽宁科技大学 年份： 2022 文献类型 ： 学位论文 关键词： 特征提取   振动分析   故障诊断   航空液压管路   信号处理  

描述： 多尺度特征组合优化的航空液压管路故障诊断研究

基于CenterNet的航空遥感图像目标检测

作者： 杨曦中   高冠鸿   熊智   张玲   来源： 航空电子技术 年份： 2022 文献类型 ： 期刊 关键词： 目标检测   深度学习   神经网络   CenterNet  

描述： 为实现高精度的航空图像目标检测，将Anchor free的目标检测算法CenterNet应用到检测中，同时使用Resnet50主干网络，并引入CIoU损失替代原有损失函数对网络模型做出了改进。改进后的算法在RSOD与DIOR数据集上进行测试，结果显示在保证网络轻量化的前提下检测精度有明显的提高，证明了算法在航空目标检测方面的可行性与准确性。

旋转式航空重力梯度仪动态测量误差传递模型与事后误差补偿

作者： 程一   李桐林   周帅   来源： 地球物理学报 年份： 2022 文献类型 ： 期刊 关键词： 误差传递模型   事后误差补偿   深度学习   重力梯度仪  

描述： 的深度学习方法对航空动态测量误差进行补偿，并基于误差传递传递模型建立仿真数据样本集验证了方法的有效性；最后，通过航空重力梯度仪实测数据的处理和应用，验证了本文建立事后误差补偿方法的泛化性，进一步验证了本文建立方法在航空动态测量噪声抑制中的实用性，为航空重力梯度动态测量数据的处理提供技术储备.

基于深度学习的航空器场面轨迹预测

作者： 李雪   何元清   胡耀   来源： 现代计算机 年份： 2022 文献类型 ： 期刊 关键词： 长短期记忆网络   深度学习   轨迹预测  

描述： 轨迹预测研究是安全高效控制场面滑行的重要基础，在路由规划，风险预警，航班次序，重要节点的时间安排等都能起到重要作用。利用深度学习中循环神经网络的长期记忆性特点，对航空器场面历史数据进行分析和预处理

基于深度学习的航空器场面轨迹预测

作者： 李雪   何元清   胡耀   来源： 现代计算机 年份： 2022 文献类型 ： 期刊 关键词： 长短期记忆网络   深度学习   轨迹预测  

描述： 轨迹预测研究是安全高效控制场面滑行的重要基础，在路由规划，风险预警，航班次序，重要节点的时间安排等都能起到重要作用。利用深度学习中循环神经网络的长期记忆性特点，对航空器场面历史数据进行分析和预处理

通用航空训练飞行发动机数据异常检测初探

作者： 王翔   来源： 内燃机与配件 年份： 2022 文献类型 ： 期刊 关键词： 深度学习   训练飞行   异常检测  

描述： ,更适合引入深度学习对其进行建模分析。本文归纳了当前主流的几种深度异常检测模型,从原理、计算复杂度和优缺点三个角度进行分析。为通用航空训练飞行的教练机发动机的异常检测研究提供可行的研究思路。

通用航空训练飞行发动机数据异常检测初探

作者： 王翔   来源： 内燃机与配件 年份： 2022 文献类型 ： 期刊 关键词： 深度学习   训练飞行   异常检测  

描述： ,更适合引入深度学习对其进行建模分析。本文归纳了当前主流的几种深度异常检测模型,从原理、计算复杂度和优缺点三个角度进行分析。为通用航空训练飞行的教练机发动机的异常检测研究提供可行的研究思路。

基于注意力机制的航空图像旋转框目标检测

作者： 常洪彬   李文举   李文辉   来源： 吉林大学学报(理学版) 年份： 2022 文献类型 ： 期刊 关键词： 航空图像   注意力机制   目标检测   深度学习  

描述： 针对在航空遥感图像目标检测中，航空图像在俯视图下呈任意方向排列，存在图像尺寸大、方向任意和背景复杂等问题，为能在复杂背景的航空图像中仍有较好的检测结果，提出一种基于注意力机制的旋转框航空图像目标检测模型.该模型首先采用RetinaNet作为基线模型，在原有检测器结构的基础上，增加额外的角度参数以适应旋转框目标检测；然后提出一个新的通道语义提取注意力模块(CSE),用于捕获全局语义信息和通道关系，并预测粗糙包围盒与分类分数；最后采用特征对齐和改进的Fast R-CNN检测头进行精细化处理，进一步提升检测精度，得到最后的分类和回归结果.实验结果表明，该方法在公开航空遥感数据集DOTA上的检测精度达到77.71%,优于其他先进的旋转框目标检测方法.