涡轮盘疲劳寿命可靠性设计仿真及优化策略

涡轮盘是航空发动机主要部件之一,一旦发生破坏性故障将导致严重的后果。在充分考虑影响涡轮盘高低周复合疲劳寿命因素不确定性基础上,以MATLAB为平台,设计了涡轮盘高低周复合疲劳寿命可靠性优化设计的联合仿真平台。利用寿命函数和寿命可靠性分析极限状态函数中的共性需求,提出了在优化迭代的过程中自适应构建寿命函数Kriging模型和寿命可靠性极限状态面Kriging模型时共用训练样本点的策略。同时,提出了一种构建寿命函数Kriging模型的学习函数。使用所搭建的疲劳寿命可靠性优化设计平台,完成了某型涡轮盘盘心、榫槽以及涡轮盘系统高低周复合疲劳寿命的可靠性优化设计。结果表明,最优设计方案的局部最大应力显著降低,均值寿命大幅提高,并满足可靠性约束。     

长短周期记忆网络微调的氧气浓缩器寿命预测模型迁移

针对寿命预测模型迁移问题,提出了一种长短周期记忆网络微调(long short-term memory fine tune, LSTM-fine-tune)的迁移模型,利用理想条件下的试验数据对模型进行训练。在迁移过程中,对部分LSTM网络层进行冻结,利用实际服役环境下的数据对网络其他部分进行修正。为验证模型的泛化能力,采用不同相位与幅值的正弦函数生成数据,通过学习数据获取正弦函数的经验知识,并应用至其他正弦函数的回归,结果表明LSTM-fine-tune模型能够快速拟合,平均均方误差仅为1.033 5,明显低于直接预测误差1.536 8。为通过实际监测数据检验本方法泛化能力,分别获取了试验条件下与实际服役环境下氧气浓缩器的数据,对模型的泛化能力进行验证。结果表明,迁移后训练集预测精度提高了43.0%,测试集预测精度提高了20.2%。     

建构学习理论在教学中的应用

在教学中运用建构学习理论,针对“基于经验的知识建构活动”进行有益尝试。在此理论背景下,教师最重要的任务是利用三个层次的建构性经验源为学生提供知识建构的良好条件,并探讨这一理念在教学中的具体应用及其效果。     

一种支持向量机增量学习淘汰算法

针对大规模数据集的分类问题,支持向量机的训练成为一个难题。增量学习是解决这一难题的思路之一。分析了新增样本加入训练集后支持向量集的变化情况,提出了一种基于密度法的支持向量机增量学习淘汰算法,淘汰了对最终分类无用的样本,在保证测试精度的同时减少了训练时间。实验仿真证明这种算法是有效的。     

浅议军校研究生科研能力的培养

培养军校研究生科研能力的意义重大,然而,目前研究生科研能力培养存在很多问题,应从更新教学理念、优化课程设计、改进教学方法和创造良好氛围等方面加强对研究生科研能力的培养。     

随机服务系统模型在坦克弹药保障中的应用

简要描述随机服务系统基本理论和常用数学模型。针对坦克弹药保障中两种典型的决策问题,即阵地配置方案优选和指派保障车辆数量问题,运用运筹学的方法,将其视为先到先服务的随机服务系统。在一定的简化条件下,运用三种数学模型进行系统评估,根据排队模型计算得出的一些定量指标,表明集中配置优于分散配置;并提供了完成保障任务必须的车辆指派数量。结论不仅符合实际的战场需要,而且能提出较为合理的解决方案,算法简单易行。     

基于族群机制的花朵授粉算法

针对花朵授粉算法易陷入局部极值、收敛速度慢等不足,提出一种具有族群机制的花朵授粉算法。该算法把种群分成多个族群,各族群的最优个体再组成新的种群,进而促进种群间的信息交流,有效地协调种群进化过程中的全局搜索和局部搜索能力,避免个体的早熟收敛,提高算法的全局寻优能力及收敛速度。通过8个CEC2005benchmark测试函数进行测试比较,仿真结果表明,改进算法的寻优性能明显优于基本的花朵授粉算法、粒子群算法和蝙蝠算法,其收敛精度、收敛速度、鲁棒性均较对比算法有较大提高。     

运用“五种思维”提升部队指挥员应急处置能力

运用底线思维、辩证思维、创新思维、战略思维和历史思维五种思维有效提高部队指挥员应急处置的安全防控能力、决策能力、应变能力、控制能力和学习能力。     

基于稀疏贝叶斯学习的DOA估计

针对基于l1范数约束的稀疏表示DOA(Direction Of Arrival)估计算法对初始参数较为敏感的问题,提出了一种基于稀疏贝叶斯学习的DOA估计算法。首先通过信号来波方向的空间采样构造冗余字典,将阵列信号处理中的DOA估计信号模型转化为压缩感知中的稀疏重构信号模型。然后基于经验贝叶斯推理的方法,将待估计的稀疏系数值用方差未知的联合高斯分布描述,而未知的方差值决定了待估计系数的稀疏性。通过观测数据估计得到未知的方差,进而得到信号的DOA估计值。仿真结果表明,提出的算法有较高估计精度,并且对非相干信源和相干信源都具有较好的估计性能。     

主动学习与自学习的中文命名实体识别

命名实体识别是信息抽取中的一项基础性任务,如何利用丰富的未标注语料来提高实体识别的指标是该领域一个重要的研究方向。基于条件随机场提出一种将主动学习与自学习相结合的方法——SACRF,通过设置置信度函数和2-Gram频度阈值来选取样本,并采用人工与自动相结合的方式进行标注来扩展训练语料。实验表明,该方法在提高实体识别的精确率和召回率的同时,能够显著地降低人工标注的工作量。