终端区航空器飞行轨迹聚类分析及异常检测研究

作者： 强懿耕   来源： 中国民航大学 年份： 2020 文献类型 ： 学位论文 关键词： 终端区   能量高度   卷积神经网络(CNN)   轨迹聚类   航空器   异常检测  

描述： 终端区航空器飞行轨迹聚类分析及异常检测研究

终端区航空器飞行轨迹聚类分析及异常检测研究

作者： 强懿耕   来源： 中国民航大学 年份： 2020 文献类型 ： 学位论文 关键词： 终端区   能量高度   卷积神经网络(CNN)   轨迹聚类   航空器   异常检测  

描述： 终端区航空器飞行轨迹聚类分析及异常检测研究

基于Trans/Attention的飞行区航空器监视数据融合方法

作者： 王兴隆   尹昊   丁俊峰   来源： 北京航空航天大学学报 年份： 2023 文献类型 ： 期刊 关键词： 场面监视雷达   注意力机制   Transformer   数据融合   广播式自动相关监视  

描述： 针对飞行区航空器单一监视源存在监视精度低、位置跳变的问题，提出了一种基于Transformer和注意力机制的航空器监视数据融合方法。首先利用Transformer的编码器结构分别对各监视源数据进行特征提取，然后通过注意力机制对不同监视源赋予权重值，最后经过全连接网络进行回归计算，以获得最终的融合结果。选取场面监视雷达和广播式自动相关监视系统的监视数据作为融合源，多点定位数据作为真实标签，实验结果表明，该方法有效降低了单一监视源的监视误差，且融合效果优于基于注意力机制的长短期记忆网络、循环神经网络和扩展卡尔曼滤波融合方法，平均绝对误差分别提升了2.20%、14.32%和33.94%。

基于多尺度U-Net与Transformer特征融合的航空遥感图像飞机检测方法

作者： 张善文     邵彧     李萍     令伟锋   来源： 弹箭与制导学报 年份： 2024 文献类型 ： 期刊 关键词： Transformer   Net与Transformer   航空遥感图像飞机检测   多尺度U   Net  

描述： 航空遥感图像(ARSI)飞机检测一直是一个重要且具有挑战性的课题。针对现有ARSI飞机检测方法(ARSIAD)检测目标的边缘模糊、小目标的检测精度低、没有充分利用ARSI的全局上下文信息等问题，提出一种基于多尺度U-Net与Transformer (MSU-Trans)特征融合的ARSIAD方法。通过多尺度卷积模块Inception提取ARSI中多样性目标的分类特征，通过Transformer增强模型的全局语义检测性能，通过特征融合模块整合高层和低层特征，得到航空目标图像完整的边缘和纹理特征。该模型结合多尺度U-Net较强的局部特征提取能力和Transformer较强的全局上下文依存关系提取能力，进而提高MSU-Trans的整体检测性能。在ARSI集上的试验表明，与U-Net、多尺度U-Net、注意力U-Nets相比，MSU-Trans具有较高的检测精度，精度超过95%,该方法为ARSIAD提供一定的技术支撑。

低转速航空发动机滚动轴承故障深度异常检测方法

作者： 康玉祥     陈果     盛嘉玖     王浩     尉询楷   来源： 振动与冲击 年份： 2024 文献类型 ： 期刊 关键词： 滚动轴承   航空发动机   Transformer   深度异常检测   低转速  

描述： 针对航空发动机滚动轴承在低转速状态下故障难检测的问题，提出了一种基于Transformer框架的深度支持向量描述方法用于检测低转速滚动轴承的故障。首先，构建了基于Transformer模型的振动特征提取主干网络。然后，将所提取的特征输入一个三层自编码器结构，用于计算网络模型的损失函数。为减少网络计算量，提高训练速度，在预处理中将滚动轴承的振动加速度时域信号通过快速傅里叶变换(FFT)得到的频谱结果作为网络的输入，且仅依靠正常数据完成模型的训练。最后，在带机匣的航空发动机转子试验器和某型真实的航空发动机上分别进行了试验验证。结果表明，所提方法能够准确的实现对低转速滚动轴承故障的检测，且检测精度分别为93%和100%,充分表明该方法具有很好的异常检测能力及应用价值。

基于概率稀疏自注意力的航空发动机剩余寿命预测

作者： 王欣     黄佳琪     许雅玺   来源： 科学技术与工程 年份： 2024 文献类型 ： 期刊 关键词： 航空发动机   Transformer   深度学习   概率稀疏自注意力   剩余寿命预测  

描述： 航空发动机剩余寿命预测对其健康管理具有重要意义，针对长序列、多维度的航空发动机监测参数，提出一种基于概率稀疏自注意力(ProbSparse Self-Attention)的Transformer模型以实现航空发动机剩余寿命的准确预测。用ProbSparse Self-Attention取代原始Transformer中的常规自注意力机制，使得模型更关注时间序列中重要的时间节点，大幅缩减时间维度，减小了时间和空间复杂度；通过注意力层整合后的信息，进一步通过前馈神经网络层和卷积层，提取传感器的空间特征，编码层之间通过扩张因果卷积相连接，扩大了感受野，提高了模型对长序列信息的捕获能力。在新公开的N-CMAPSS数据集上验证算法，实验结果表明，相比于实验中的对比模型，所提模型的RMSE和Score值均有提升，推理速度也优于其他模型。

基于深度学习的航空发动机剩余使用寿命预测方法研究

作者： 曹锦山.   来源： 重庆交通大学 年份： 2024 文献类型 ： 学位论文 关键词： 航空发动机   Transformer   深度学习   剩余使用寿命   多头自注意力机制  

描述： 基于深度学习的航空发动机剩余使用寿命预测方法研究

基于DETR的高清航空图像目标检测算法研究

作者： 许伟伟.   来源： 电子科技大学 年份： 2024 文献类型 ： 学位论文 关键词： DETR   Transformer   知识蒸馏   滑动窗口   航空目标检测  

描述： 基于DETR的高清航空图像目标检测算法研究

基于深度学习的航空发动机剩余使用寿命预测方法研究

作者： 曹锦山.   来源： 重庆交通大学 年份： 2024 文献类型 ： 学位论文 关键词： 航空发动机   Transformer   深度学习   剩余使用寿命   多头自注意力机制  

描述： 基于深度学习的航空发动机剩余使用寿命预测方法研究

基于DETR的高清航空图像目标检测算法研究

作者： 许伟伟.   来源： 电子科技大学 年份： 2024 文献类型 ： 学位论文 关键词： DETR   Transformer   知识蒸馏   滑动窗口   航空目标检测  

描述： 基于DETR的高清航空图像目标检测算法研究