基于CRBMs-RVR的涡轴发动机输出功率衰退预测

针对涡轴发动机全寿命期内输出功率衰退预测问题,提出一种含多层连续受限玻尔兹曼机(CRBMs)深度特征提取的相关向量回归(RVR)功率预测方法。对发动机气路部件测量数据进行重构,利用CRBMs深度网络提取数据深层特征,将特征数据作为RVR模型的输入,实现对输出功率的预测,并对预测结果提供概率分布。以某型双转子涡轴发动机部件级模型为试验对象,模拟全寿命期内发动机气路部件性能退化,对输出功率进行衰退预测。试验结果表明:基于CRBMs-RVR的预测模型与传统的RVR预测模型相比,训练时间缩短30.2%,预测结果的均方根误差减小64.6%;与基于主成分分析(PCA)进行特征提取的PCA-RVR预测模型相比,预测结果均方根误差减小42.4%,验证了所提出的预测方法具有模型结构简单、预测精度高、可提供概率式输出的优点。

一种无人机数据链电磁干扰自适应新方法

针对复杂电磁环境容易对无人机数据链造成干扰,严重威胁无人机的飞行安全的问题,提出了一种基于环境感知的无人机数据链电磁干扰自适应新方法,能够提高无人机的主动抗干扰能力.数据链工作信号动态变化过程中,对应的电磁干扰效应阈值呈非线性变化趋势,通过选取训练样本和观测值,采用相关向量机回归(RVR)的方法建立动态数据链干扰阈值训练模型,预测不同工作信号条件下的电磁干扰阈值.建立无人机数据链电磁干扰自适应专家系统,利用机载电磁干扰环境监测平台确定电磁干扰特征参量,根据训练模型预测目标值,判别数据链电磁干扰等级.在此基础上,综合利用技战术方案,自主有效地消除外界电磁干扰对无人机数据链的影响.