全部
图书
期刊
学位论文
会议论文
报纸
图片
视频
新闻
关键词
- 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
- 基于ADS-B数据的民航飞机轨迹预测研究
- 作者： 生柳振 来源： 南京邮电大学 年份： 2022 文献类型 ： 学位论文 关键词： 长短期记忆网络 轻量化卷积神经网络 卷积神经网络 轨迹预测 广播式自动相关监视
- 描述： 基于ADS-B数据的民航飞机轨迹预测研究
- 带时间窗的海军航空兵场站特种保障车辆调度问题
- 作者： 阎哲 汪民乐 汪江鹏 吴丰轩 闫少强 来源： 现代防御技术 年份： 2022 文献类型 ： 期刊 关键词： 海军航空兵场站 遗传算法 载重约束 时间窗 保障车辆调度 路径规划
- 描述： 的约束下，以出动保障车辆最少、车辆总行驶距离最短为目标建立数学模型。改进遗传算法初始种群和编码方式对模型求解，以一次多机种、大批量飞行保障任务进行仿真试验，得到特种保障车辆调度方案，验证了该模型的合理性。
- 基于GRU模型的高机动试飞航空器轨迹预测方法研究
- 作者： 张会英 彭曼 杨地 来源： 长江信息通信 年份： 2022 文献类型 ： 期刊 关键词： 注意力机制 轨迹预测 防相撞 门控循环神经网络
- 描述： 文章利用注意力机制提取试飞运动轨迹数据中的有效信息，采用门控循环神经网络（Gated Recurrent Neural Network,GRU）模型处理时序问题，提出了一种高机动试飞航空器实时多步
- 基于改进LSTM的航空发动机寿命预测方法研究
- 作者： 郭晓静 殷宇萱 贠玉晶 来源： 机床与液压 年份： 2022 文献类型 ： 期刊 关键词： 长短期记忆网络 航空发动机 自动编码器 剩余寿命预测
- 描述： 发动机剩余寿命(RUL)预测时，进行数据特征提取易导致预测效率低下。为解决此问题，提出一种改进的长短期记忆(LSTM)算法模型。通过引入深度稀疏自动编码器(SDAE)完成时序数据的处理与特征提取，优化LSTM模型，改善航空发动机RUL预测效果。利用SDAE进行特征提取，构建健康因子(HI)曲线；同时考虑运行工况、故障模式和传感器3个因素，并分别训练其权重。利用LSTM模型进行发动机剩余寿命预测。利用涡扇发动机退化过程数据集C-MAPSS开展实验，并与DNN、BiLSTM、单层LSTM进行对比分析。结果表明：与上述3种算法相比，改进后算法的均方根误差和评分函数值至少分别降低6.6%和39.1%;该方法寿命预测结果和实际寿命曲线拟合度高，验证了该方法的可行性和有效性。
- 基于LSTM分类器的航空发动机预测性维护模型
- 作者： 蔺瑞管 王华伟 车畅畅 倪晓梅 熊明兰 来源： 系统工程与电子技术 年份： 2022 文献类型 ： 期刊 关键词： 二分类 长短期记忆网络 时间窗 故障预测与健康管理 预测性维护
- 描述： 利用传感器数据进行预测性维护是航空发动机故障预测与健康管理(prognostic and health management, PHM)的关键问题。针对发动机剩余寿命预测准确性低的问题，提出基于长短期记忆网络(long short-term memory network, LSTM)分类器的预测性维护模型。LSTM分类器通过门控单元对长时间序列信息进行充分筛选，并将有效信息用于时间序列预测。首先，采用滑动时间窗口制备训练样本。其次，将预处理后的样本输入LSTM,预测设备在特定时间窗口内的失效概率。然后，通过调整窗口大小，得到最优性能的二分类模型，以更好地适应预测维护需求。最后，利用美国航空航天局C-MAPSS数据集验证了该模型的有效性，相比于已有分类方法，其在剩余使用寿命分类方面更加准确。
- 基于注意力与LSTM的航空发动机剩余寿命预测
- 作者： 王欣 孟天宇 周俊曦 来源： 科学技术与工程 年份： 2022 文献类型 ： 期刊 关键词： 注意力机制 长短期记忆网络 航空发动机 剩余寿命预测 预测性维护
- 描述： 预测性维护的核心技术之一是设备剩余寿命(remaining useful life, RUL)预测。为了提高航空发动机的剩余寿命预测精度，提出了一种基于注意力与长短期记忆(directional long short-term memory, LSTM)网络的航空发动机剩余寿命预测模型Attention-LSTM,通过引入注意力机制增强各时间点数据的特征权重，有效提升了模型预测精度。使用NASA C-MAPSS涡扇发动机仿真数据集进行实验，与未加注意力机制的长短期记忆网络等多种模型进行对比实验。实验结果表明，提到的Attention-LSTM模型的均方根误差相比较于未引入注意力机制的长短期记忆网络降低了17.8%,拟合度提升了3.2%,各项评估指标均也优于其他对比模型。
- 基于LSTM分类器的航空发动机预测性维护模型
- 作者： 蔺瑞管 王华伟 车畅畅 倪晓梅 熊明兰 来源： 系统工程与电子技术 年份： 2022 文献类型 ： 期刊 关键词： 二分类 长短期记忆网络 时间窗 故障预测与健康管理 预测性维护
- 描述： 利用传感器数据进行预测性维护是航空发动机故障预测与健康管理(prognostic and health management, PHM)的关键问题。针对发动机剩余寿命预测准确性低的问题，提出基于长短期记忆网络(long short-term memory network, LSTM)分类器的预测性维护模型。LSTM分类器通过门控单元对长时间序列信息进行充分筛选，并将有效信息用于时间序列预测。首先，采用滑动时间窗口制备训练样本。其次，将预处理后的样本输入LSTM,预测设备在特定时间窗口内的失效概率。然后，通过调整窗口大小，得到最优性能的二分类模型，以更好地适应预测维护需求。最后，利用美国航空航天局C-MAPSS数据集验证了该模型的有效性，相比于已有分类方法，其在剩余使用寿命分类方面更加准确。