首页>
根据【关键词:鸟群活动图像分割,Net网络,优化U,通用航空应急救援,深度学习,图像分割,危险天气】搜索到相关结果 38 条
-
基于A*算法的民航物流运输路径优化算法
-
作者:
王珺
来源:
电子设计工程
年份:
2021
文献类型 :
期刊
关键词:
最优路径
民航物流
A*算法
危险天气
尾迹最小
-
描述:
针对民航物流运输受飞行燃油消耗、尾气排放和环境保护的影响,文中提出了一种基于A*算法的民航物流运输路径优化算法。文中综合考虑天气、环境污染、巡航重量、巡航高度和巡航速度的影响,构建了危险天气下民航物流运输路径优化模型与尾迹最小的航路优化模型,并使用A*算法进行求解得到最优的飞行器航行路径。在不同实验条件和两种仿真飞行路径中进行的仿真与测试结果表明,所提出的方法能够最小化各种影响因素的加权和,实现民航物流路径的最优规划。同时相对于传统算法,所提出算法能够得到更理想的优化结果。
-
基于改进多目标粒子群算法的航空器改航研究
-
作者:
杜实
王俊凯
任景瑞
来源:
安全与环境学报
年份:
2021
文献类型 :
期刊
关键词:
多目标粒子群算法
灰色预测模型
动态环境模型
安全工程
危险天气
改航
危险系数
-
描述:
针对影响航行安全的动态危险天气,提出了一种基于改进多目标粒子群算法的改航路径规划方法。首先,获取实时动态气象数据,利用栅格法对改航环境进行建模并采集危险天气区域初始边界点的历史气象数据。然后采用灰色预测模型对上述初始边界点坐标进行位置预测,进而建立改进后的实时动态环境模型。最后利用改进环境模型的多目标粒子群算法对改航路径进行动态规划。在考虑改航路径角度和距离等约束条件的基础上,确定了改航路径危险系数和距离最优的双目标函数。对中东部沿海某次短时危险天气下的航空器改航进行仿真分析,仿真结果表明改进后算法具有一定的有效性和可行性。
-
基于深度学习的航空发动机剩余使用寿命预测研究
-
作者:
温海茹
来源:
内燃机与配件
年份:
2021
文献类型 :
期刊
关键词:
航空发动机
深度学习
剩余使用寿命预测
-
描述:
随着深度学习不断的发展,航空发动机成为近年来的研究热点,其寿命预测的研究也受到了研究学者的关注。本文主要介绍航空发动机的剩余使用寿命预测背景,数据获取过程及基于深度学习的剩余使用寿命的预测方法,以及深度学习在航空发动方面预测的难点和发展趋势。
-
结合注意力机制的轻量化飞机表面伤痕检测算法
-
作者:
王伟刚
来源:
北京邮电大学
年份:
2021
文献类型 :
学位论文
关键词:
注意力机制
深度学习
轻量化网络
伤痕检测
-
描述:
结合注意力机制的轻量化飞机表面伤痕检测算法
-
基于深度学习点过程的航空电子设备故障预测
-
作者:
汪韦怡
来源:
电子科技大学
年份:
2021
文献类型 :
学位论文
关键词:
时间序列预测
点过程
深度学习
航空电子设备故障预测
-
描述:
基于深度学习点过程的航空电子设备故障预测
-
基于机器视觉的舰载机位姿实时测量方法研究
-
作者:
郑天昊
来源:
哈尔滨工程大学
年份:
2021
文献类型 :
学位论文
关键词:
机器视觉
舰载机位姿
深度学习
模板匹配
-
描述:
基于机器视觉的舰载机位姿实时测量方法研究
-
航空发动机叶片称重排序系统
-
作者:
赵维松
来源:
西南交通大学
年份:
2021
文献类型 :
学位论文
关键词:
图片预处理
深度学习
称重排序
航空发动机叶片
-
描述:
航空发动机叶片称重排序系统
-
基于GRU的飞机总装生产线动态调度方法
-
作者:
王怡琳
刘鹃
乔非
来源:
'21 全国仿真技术学术会议
年份:
2021
文献类型 :
会议论文
关键词:
动态调度
飞机总装生产线
深度学习
门控循环神经网络
-
描述:
基于GRU的飞机总装生产线动态调度方法
-
基于风险要素分析的民航安全管控研究
-
作者:
徐怡
来源:
南京航空航天大学
年份:
2021
文献类型 :
学位论文
关键词:
主成分分析
深度学习
风险管控
民航风险
-
描述:
基于风险要素分析的民航安全管控研究
-
基于深度学习的离场航空器滑行时间预测(英文)
-
作者:
李楠
焦庆宇
朱新华
王少聪
来源:
Transactions of Nanjing University of Aeronautics and Astronautics
年份:
2021
文献类型 :
期刊
关键词:
卷积神经网络
场面运行
滑行时间
深度学习
航空运输
-
描述:
随着航班数量的不断增加,机场协同决策系统(Airport collaborative decision-making,A-CDM)的使用也越来越广泛。滑行时间预测的准确性对A-CDM计算离场航空器起飞排序队列和给出准确的撤轮挡时间具有重要的作用。本文提出一种基于时间-空间-环境数据的深度学习模型(Spatio-temporal-environment deep learning model,STEDL)来提高滑行时间预测的准确性。该模型由时间-流量变量(机场实际容量,场面航空器数量,时间段)、空间变量(滑行距离)、外部环境变量(天气,流控信息,跑道运行模式,机型)3部分组成。使用STEDL模型对香港机场离场航空器滑行时间进行预测验证。实验结果显示,STEDL模型预测准确率为95.4%,预测精度明显优于其他机器学习算法。