首页>
根据【关键词:QAR数据,稀疏自编码器,深度学习,ELM,ConvLstm】搜索到相关结果 204 条
-
基于分段距离和子序列匹配的飞机故障检测
-
作者:
马发民
王锦彪
张林
来源:
计算技术与自动化
年份:
2017
文献类型 :
期刊
关键词:
子序列匹配
QAR数据
分段概率提取
Tree
FP
飞机故障检测
-
描述:
针对飞机故障检测数据中重复率高数据量大,监测算法效率和准确率低的问题,本文在PAA压缩数据的基础上使用分段概率提取细分QAR数据,调整FP-Growth算法创建独具特色FP-Tree降低数据的重复度,提高数据的查询速度,提出了基于分段距离和子序列匹配算法,本文采用真实的飞机飞行QAR数据验证该算法的有效性和准确度。
-
基于谱聚类算法的航空发动机故障诊断
-
作者:
程弓
来源:
上海交通大学
年份:
2018
文献类型 :
学位论文
关键词:
QAR数据
航空发动机
经验小波变换
故障诊断
扩散映射
谱聚类
-
描述:
基于谱聚类算法的航空发动机故障诊断
-
基于QAR数据的飞机襟缝翼收放故障诊断研究
-
作者:
张雄飞
来源:
中国民航大学
年份:
2020
文献类型 :
学位论文
关键词:
QAR数据
状态监测
IBAS
Elman模型
襟翼不对称风险模型
襟缝翼
故障预测
-
描述:
基于QAR数据的飞机襟缝翼收放故障诊断研究
-
基于推力修正的航空器起飞爬升阶段四维航迹预测
-
作者:
祖海宁
来源:
南京航空航天大学
年份:
2020
文献类型 :
学位论文
关键词:
QAR数据
空中交通管理
推力建模
推力修正
推力预测
航迹预测
航迹优化
-
描述:
基于推力修正的航空器起飞爬升阶段四维航迹预测
-
民航发动机QAR数据复杂性研究
-
作者:
龙莉楠
来源:
中国民航大学
年份:
2019
文献类型 :
学位论文
关键词:
QAR数据
LZ复杂度
最小生成树
复杂熵因果关系平面
多尺度水平可见度图
重现区间
-
描述:
民航发动机QAR数据复杂性研究
-
基于状态监控数据的民机系统故障诊断与预测方法研究
-
作者:
梁坤
来源:
南京航空航天大学
年份:
2020
文献类型 :
学位论文
关键词:
QAR数据
贝叶斯网络
故障诊断
预测和健康管理
状态空间模型
剩余寿命预测
民机系统
预测维修
-
描述:
基于状态监控数据的民机系统故障诊断与预测方法研究
-
基于深度卷积神经网络的航空器检测与识别
-
作者:
俞汝劼
杨贞
熊惠霖
来源:
计算机应用
年份:
2017
文献类型 :
期刊
关键词:
卷积神经网络
深度学习
目标检测识别
航空器检测
-
描述:
%的工作点上达到了79.2%的精确率,分类网络的实时性达到平均每张0.972 s,Top-1错误率为13%。所提框架在军用机场大尺寸卫星图像中航空器检测识别的具体应用问题上提出了新的解决思路,同时保证了实时性和算法精度。
-
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。
-
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:
2020
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。
-
基于深度学习的航空器异常飞行状态识别
-
作者:
吴奇
储银雪
来源:
民用飞机设计与研究
年份:
2018
文献类型 :
期刊
关键词:
飞行状态识别
深度学习
高斯过程
-
描述:
飞行设备快速存取记录仪(Quick Access Recorder,以下简称QAR)保留了原始航班各类重要飞行参数在内的航行信息,使研究分析航空器实时状况和保障飞行质量成为可能。针对QAR数据高维大样本的特点,在如今大数据背景下,除了传统机理建模分析航空器飞行状态外,采用深度学习的方式建立基于数据驱动的航空器飞行状态识别模型,理论与实用意义兼具。通过对真实QAR飞行数据的研究,开发了基于深度稀疏受限玻尔兹曼机的异常飞行状态识别程序。首先利用小波降噪技术对原始飞行数据进行预处理清洗,在一系列典型飞行参数上提取经典时域特征以及小波奇异熵等信息熵特征构成特征集。在此基础上,分别利用经典的线性主元分析技术和深度稀疏玻尔兹曼机对特征集进行有效降维,最后采用四折交叉验证方式,通过高斯过程分类器实现对飞行状态的辨识。实验结果显示,基于深度受限玻尔兹曼机-高斯过程分类的飞行状态识别具有较高分类准确性。