测试性增长中资源优化配置模型及求解

良好的测试性设计对系统维修性具有重要意义,测试性增长试验通过一系列测试性设计缺陷发现和纠正措施,可保证系统测试性指标达到设计要求。针对基于延缓纠正的测试性增长过程中的资源配置问题进行研究,基于增长试验目标是否明确和试验资源是否受限制问题构建资源优化配置模型,并提出一种基于拉格朗日松弛和本地搜索的快速优化算法。仿真结果表明:该模型能够有效指导测试性增长中的资源优化配置问题,所提混合优化方法能够高效、准确地求解整数规划问题。     

基于数据的故障诊断更新问题分析及应用

机内测试被广泛应用于故障诊断，装备健康管理与预测等领域。本文针对机内测试设备在设计和升级时遇到的分类器更新，样本数量不平衡，硬件条件限制问题，提出了初步解决方案。首先，利用基于密度的聚类和人工免疫的方法处理原始数据，然后提出了基于代表样本点的混合学习方法，最后利用支持向量机和仿真案例验证了本文所提方法。结果表明本文所提方法能够解决上述问题，有助于基于数据的机内测试设备设计与升级。     

数据基故障诊断算法更新问题研究

机内测试被广泛应用于故障诊断、装备健康管理与预测等领域。针对机内测试设备在设计和升级时遇到的分类器更新、样本数量不平衡、硬件条件限制问题,提出初步解决方案。利用基于密度的聚类和人工免疫方法处理原始数据;提出基于代表样本点的混合学习方法;利用支持向量机和仿真案例验证所提方法。结果表明所提方法能够解决上述问题,有助于基于数据的机内测试设备设计与升级。