预警机仿真作战评估分析的研究

作者： 谢丹妮   来源： 现代计算机 年份： 2020 文献类型 ： 期刊 关键词： 预警机系统   作战评估分析   评估方法  

描述： 在这个仿真技术与军事相结合的时代,对预警机仿真作战的评估与分析同时成为研究的重点,对于预警机而言,它的探测情况、引导成功率以及引导结果是它在一场空战中的主要作用的体现,对于该问题的研究有助于在空战仿真结束后对该战役的整个过程进行学习和总结,提升军事空战仿真练习的效果。对预警机的探测情况、引导成功率以及引导结果的算法进行阐述,同时介绍利用该算法所实现的软件设计。

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，设定网络模型参数，构建轨迹预测模型，提出了一种基于深度学习的航空器场面滑行轨迹预测方法。结合场面航空器运动状态的变化，改进长短期记忆网络的隐藏层结构，实现对航空器场面轨迹的中期预测。

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，设定网络模型参数，构建轨迹预测模型，提出了一种基于深度学习的航空器场面滑行轨迹预测方法。结合场面航空器运动状态的变化，改进长短期记忆网络的隐藏层结构，实现对航空器场面轨迹的中期预测。

基于神经网络的民航客运量的预测研究

作者： 唐甜甜     张佳明     姜为     王海   来源： 现代计算机 年份： 2024 文献类型 ： 期刊 关键词： BP模型   民航客运量   预测分析   神经网络   ARIMA模型  

描述： 为准确预测民航客运量，解决传统模型无法精准捕捉不稳定客运量的波动问题，选取更可靠的BP模型，以此挖取数据的非线性以及非平稳特征和规律。针对近17年的时间序列民航客运量进行预测研究，构建BP神经网络预测模型，并与传统模型ARIMA对比分析。进行对比预测曲线图，直观地反映出BP模型比ARIMA模型在波动点的预测上更加稳定，表现更好。结果表明，BP模型相比于ARIMA模型有更高的R2和更低的MSE，能够更有效提高民航客运量的预测精度和预测稳定性，为制定航空运输生产计划和发展航空运输业提供了重要参考。

基于时间序列的民用运输航空器碳排放预测研究

作者： 向小军   杨志晗   赵赶超   来源： 现代计算机 年份： 2023 文献类型 ： 期刊 关键词： 时间序列   LSTM   ARIMA   WOA   碳排放  

描述： 随着中国民航业的高速发展，运输航空器的碳排放问题逐渐引起关注。采用时间序列的方法建立了传统的差分整合移动平均自回归（ARIMA）模型以及优化的长短期记忆网络（LSTM）模型，对航空器碳排放量、碳排放强度以及吨公里碳排放量进行了预测，通过鲸鱼优化算法（WOA）对LSTM中的学习率和隐藏节点数进行优化，避免了人为选择参数的主观性和盲目性，有利于提高模型预测的准确性。通过对比两种模型的均方根误差（RMSE）和平均绝对误差（MAE）,ARIMA模型在航空器碳排放预测中有较好表现，WOA-LSTM模型在碳排放强度、吨公里碳排放的预测中有较好表现。

基于集成学习的航空器着陆跑道占用时间预测

作者： 陈亚青     陈九龙   来源： 现代计算机 年份： 2024 文献类型 ： 期刊 关键词： 集成学习   跑道占用时间   QAR   预测模型  

描述： 为准确预测航空器着陆跑道占用时间，提出了一种基于集成学习的航空器着陆跑道占用时间预测模型。首先，根据航空器机载QAR数据处理后得到的航空器影响因素，利用皮尔逊积矩相关系数进行相关性排序；其次构建了基于stacking集成学习策略的预测模型，实现了对着陆跑道占用时间的预测；最后通过模型评价指标对比了各预测模型预测精度。实验结果表明，提出的集成学习预测模型的准确性更高，可为机场实际运行效率提升提供理论依据。

面向可迁移跨域自适应学习的航空发动机剩余寿命预测方法

作者： 李文骁     李勇成     李鹏     马浩统     雷印杰   来源： 现代计算机 年份： 2024 文献类型 ： 期刊 关键词： 可迁移对抗   跨域学习   域自适应   剩余寿命预测  

描述： 航空发动机剩余寿命（RUL）预测任务中数据集标签较少且工况多变，导致传感器时间序列之间存在明显分布差异，限制了RUL预测方法的泛化能力。跨域学习的提出为该任务提供了一种可行的解决方案。传统跨域学习通过域自适应方法最小化源域和目标域特征之间的分布差异，得到跨域对齐特征，实现跨域知识迁移。但随着航空发动机的退化，前后时间步的语义信息也发生变化，导致原先对齐特征的局部语义不匹配，影响模型性能。针对该问题，提出方法基于可迁移对抗方法对跨域RUL预测方法展开研究，通过优化局部域鉴别器输出的概率熵，使得对齐特征在局部上难以区分。利用模型在RUL预测过程中的目标互信息进行语义约束，得到同时具有局部可迁移性和目标语义重要性的域不变特征，提升模型的泛化能力。在CMAPSS航空发动机数据集上进行的实验表明，该方法在RMSE和SCORE两个指标上均超过现有的其他跨域自适应方法，证实了其有效性。