基于插值-拟合-迁移学习算法的机载设备故障概率预测

针对不同工作环境的机载设备故障概率预测问题,提出自适应权重的插值-拟合-迁移学习(interpolation-fitting-transfer learning,ITF)算法。算法根据数据量和数据特征(分布相似度和信息熵)对插值、拟合、迁移学习赋予一定的权重进行线性组合。插值和拟合方法可以对故障频率进行平滑,而迁移学习可以规避数据贫化所引起的预测风险。分析该方法的可行性,通过仿真实例展示算法在预测准确度上的优势,并讨论算法中仍待解决的问题和下一步的工作。

军事信息系统中台建设

随着国防信息化建设的快速推进,大量军事信息系统被开发,在开发过程中产生了诸如数据不统一、不标准以及服务重复建设等问题,既浪费了大量的建设和维护资源,也导致技术难以得到沉淀,数据不能被充分利用。中台在大型企业的成功应用,包括在电子政务发展中的规划,以及美军的全球信息栅格与军事云建设,都在着力解决类似问题。本文认为,军事信息系统中台具有巨大的潜在价值和较强的可行性,不仅可以提升数据与服务的共享能力和开发效率,还可以提供数据驱动创新来源和精细管理能力。相比企业和政府信息系统中台,军事信息系统中台由于其使用条件的特殊性,需要考虑更多的需求和技术因素,因此,目前只能给出军事信息系统中台的构想。

基于改进卷积神经网络的航空发动机剩余寿命预测

航空发动机结构复杂,状态变量多且相互之间存在着严重非线性特征,传统的基于物理失效模型的方法难以精确地预测发动机的剩余寿命(RUL)。针对此问题,采用改进的卷积神经网络(CNN)方法对发动机剩余寿命进行预测。预测过程通过建立退化模型,给每个训练样本添加RUL标签;为了更好地提取发动机使用过程中状态变量与剩余寿命之间的相关关系,使用不同的一维卷积核提取序列趋势信息特征;将特征输入构建的卷积神经网络得到剩余寿命的预测值。为了验证方法的有效性,在NASA提供的涡轮风扇发动机仿真数据集(C-MAPSS)上进行了测试,并与深度信念网络等方法对比,结果表明改进的卷积神经网络拥有更高的精度。

基于生成对抗网络的SAR图像降噪模型

合成孔径雷达(SAR)是相干成像系统,生成的图像经常会被相干斑噪声污染,继而造成了SAR图像在后续分割、识别中准确率低的问题。针对图像被污染问题,设计了一种结合生成对抗网络(GAN)与残差网络(ResNet)的SAR图像降噪网络模型Re-GAN,其中,GAN中的生成器加入了ResNet中的残差块以增强对SAR图像降噪的能力,模型中的组合损失函数在降噪时可以更好地保留图像细节。在MATAR数据集上,Re-GAN分别与BM3D算法、小波降噪算法进行比较,实验结果证明,Re-GAN在视觉效果和定量分析方面都具有良好的性能。

基于Bow-tie-DT-FTA的航空安全事故预防措施决策分析

目前,航空安全领域的研究主要集中在事故的预防和处理上,针对航空事故预防措施决策的相关研究涉及较少。为解决最优预防措施决策问题,提出了Bow-tie-DT-FTA模型。运用Bow-tie模型分析事故发生的前因后果并提出预防措施;运用DT-FTA模型计算各措施效益值,给出措施优劣排序,并对影响措施效益值的因素进行灵敏度分析,挖掘影响最大的关键因素;以飞机尾翼结冰事故为例,运用Bow-tie-DT-FTA模型验证了其解决事故措施决策问题的有效性。

基于Queuing Theory模型的机场安检口客流量优化

本文以美国芝加哥奥黑尔国际机场为例,研究机场安检口优化问题。首先对此机场的安检流程进行了分析,提取重要参数;之后构建具有无限旅客源串联排队系统,得到在各区域的等待时间和总的安检时间,经过比较可以得出整个安检过程的瓶颈是区域B。然后建立一个多目标优化模型,目标是使总安检时间最小,安检时间方差最小,以及增加费用最少。借鉴模拟退火算法的思想,建立一个多目标优化数学模型,从中得到了两个改进措施,即在区域B增加一个服务台以及通过宣传增加预检验乘客的比例,并对这两种方法进行了验证。

带有专家信度的无人机任务分配最小风险问题

战场环境中不确定因素的存在往往导致确定条件下获得的无人机任务分配方案不可行或者非最优,而传统期望值模型通常适应于长期规划,难以考虑不确定变量波动对某次决策的影响.针对目标价值不确定的无人机任务分配问题,首先,基于不确定理论建立以信度函数为目标的最小风险模型;然后,通过引入不确定向量的两种假设,将上述模型转化为带有分式目标函数的优化问题;最后,定义以比率为特征的辅助函数,并推导其单调性等性质,提出求解最小风险解的比率一维搜索直接算法.实验结果表明,与期望值模型相比,所提出的最小风险模型及其算法能规避不确定变量标准差较大的侦察目标点,并可通过调整预设收益获得多种不同信度水平的供选择方案.