基于机器学习的航空发动机智能本机平衡研究

作者： 王跃     葛向东   来源： 航空精密制造技术 年份： 2024 文献类型 ： 期刊 关键词： 多方法融合   航空发动机   随机森林   本机平衡  

描述： 针对传统航空发动机本机平衡技术多次试重导致的平衡效率低且成本高的现状，通过搜集历次成功平衡的试验数据，分别采用单一随机森林、多方法融合的人工智能与机器学习方法，深度挖掘蕴含于试验数据中的相关规律

基于随机森林和时间卷积网络的航空发动机故障预测

作者： 王秀娜   鲁守银   任飞   来源： 计算机时代 年份： 2022 文献类型 ： 期刊 关键词： 航空发动机   时间卷积网络   随机森林   故障预测  

描述： 基于随机森林和时间卷积网络的混合模型。该模型利用随机森林算法进行重要性特征提取，然后添加滚动平均值和滚动标准差以增强数据特征，最后整合数据特征输入至时间卷积网络进行故障预测。采用C-MAPSS数据集进行验证，结果表明，该模型的故障预测性能相比于其他机器学习模型有较大幅度的提升。

中国民航客运率影响因素及预测分析

作者： 郝时   来源： 安徽师范大学 年份： 2019 文献类型 ： 学位论文 关键词： 民航客座率   区域差异   随机森林   结构向量自回归模型  

描述： 中国民航客运率影响因素及预测分析

基于随机森林和时间卷积网络的航空发动机故障预测

作者： 王秀娜   鲁守银   任飞   来源： 计算机时代 年份： 2022 文献类型 ： 期刊 关键词： 航空发动机   时间卷积网络   随机森林   故障预测  

描述： 基于随机森林和时间卷积网络的混合模型。该模型利用随机森林算法进行重要性特征提取，然后添加滚动平均值和滚动标准差以增强数据特征，最后整合数据特征输入至时间卷积网络进行故障预测。采用C-MAPSS数据集进行验证，结果表明，该模型的故障预测性能相比于其他机器学习模型有较大幅度的提升。

中国民航客运率影响因素及预测分析

作者： 郝时   来源： 安徽师范大学 年份： 2019 文献类型 ： 学位论文 关键词： 民航客座率   区域差异   随机森林   结构向量自回归模型  

描述： 中国民航客运率影响因素及预测分析

调频广播带宽对民航甚高频通信的影响分析

作者： 王淑玲   谢凤   朱倩倩   来源： 黑龙江大学自然科学学报 年份： 2018 文献类型 ： 期刊 关键词： 异常点   随机森林   强影响点   燃油消耗  

描述： 为确定燃油消耗数据中可能存在的异常点及强影响点,运用随机森林算法,对预处理后的某场站近三年燃料油消耗数据建模;对回归模型分别做残差分析和影响分析,不仅从残差图中观察出偏离既定模型很大的数据点,还仿照

调频广播带宽对民航甚高频通信的影响分析

作者： 王淑玲   谢凤   朱倩倩   来源： 黑龙江大学自然科学学报 年份： 2018 文献类型 ： 期刊 关键词： 异常点   随机森林   强影响点   燃油消耗  

描述： 为确定燃油消耗数据中可能存在的异常点及强影响点,运用随机森林算法,对预处理后的某场站近三年燃料油消耗数据建模;对回归模型分别做残差分析和影响分析,不仅从残差图中观察出偏离既定模型很大的数据点,还仿照

基于维修日志的飞机设备故障原因判别方法

作者： 王锐光   吴际   刘超   杨海燕   来源： 软件学报 年份： 2019 文献类型 ： 期刊 关键词： 维修日志   卷积神经网络   故障诊断   随机森林  

描述： 在飞机维修与保养过程中,航空维修公司已积累了大量经验性的维修日志数据.合理利用该类维修日志,结合机器学习方法,可以辅助维修人员做出正确的故障诊断决策.首先,针对维修日志的特殊性,提出一种迭代式

基于维修日志的飞机设备故障原因判别方法

作者： 王锐光   吴际   刘超   杨海燕   来源： 软件学报 年份： 2019 文献类型 ： 期刊 关键词： 维修日志   卷积神经网络   故障诊断   随机森林  

描述： 在飞机维修与保养过程中,航空维修公司已积累了大量经验性的维修日志数据.合理利用该类维修日志,结合机器学习方法,可以辅助维修人员做出正确的故障诊断决策.首先,针对维修日志的特殊性,提出一种迭代式

基于自适应粒子群优化的不平衡航空客户数据质量优化

作者： 姚雨虹   杨小兵   陈欣   来源： 厦门大学学报(自然科学版) 年份： 2020 文献类型 ： 期刊 关键词： 自适应粒子群   卷积神经网络   忠诚度预测   随机森林  

描述： 多数类优化样本子集，使用卷积神经网络（CNN）提取得到的平衡数据集特征，将自动得到的特征向量作为随机森林算法（RF）的输入，构建客户忠诚度预测模型。实验结果表明，本文方法预测性能优于其他预测模型，可以更好地预测客户忠诚度情况。