基于果蝇算法优化LSTM的雷达波束扫描行为预测

在认知电子战体系下,更为智能的算法才能适应日益复杂的电磁空间。针对相控阵雷达的波束扫描行为预测问题,在正弦坐标系下将波束扫描位置数据抽象为网格数据,利用果蝇优化算法寻找最优的LSTM网络超参数,提出了一种基于果蝇算法优化LSTM的波束行为预测方法。仿真实验表明所提算法在果蝇算法调参的支撑下,相较NAR神经网络算法和普通的LSTM算法而言,预测精度和鲁棒性更强。     

基于LSTM模型的卫星电源系统异常检测方法

针对卫星电源系统在轨运行状态检测问题,提出一种基于长短期记忆(Long-Short Term Memory,LSTM)模型的卫星电源系统参数异常检测方法。在利用LSTM模型对卫星电源系统参数进行预测的基础上,以预测参数数据与实际参数数据差的绝对值最小为目标对模型进行训练,采用模型预测的参数时间序列与模型训练误差生成的动态检测门对实时参数进行检测,从而实现卫星电源系统的异常检测。通过对实际在轨某卫星电源系统参数遥测数据的验证,结果表明:该方法能有效地对卫星电源系统进行异常检测。     

基于CNN-LSTM的在轨卫星故障预测分析

在役考核中,对遥测参数进行监控与分析,是评估在轨卫星工作状态及健康状况的重要途径.为解决在线多任务故障预测问题,提出了结合长短期记忆网络(LSTM)和卷积神经网络(CNN)的数据挖掘模型,并运用了一种基于误差反馈的权重自调整机制.利用某型卫星(含故障)遥测参数的仿真数据进行分析处理,实验结果表明:在线CNN-LSTM模型以最小的信息损失进行建模,对比单一模型以及传统的回归模型,CNN-LSTM模型不仅在测试集上取得了最小平均绝对百分比误差12.61％,同时模型预测性能在长时间预测中优于离线模型.     

基于深度学习多网络融合的网联车辆驾驶行为预测

智能网联车在复杂道路场景中安全行驶需要对周围车辆驾驶意图和行驶轨迹的准确预测。将双向长短期记忆网络(Bi-directional Long Short-Term Memory)、卷积生成对抗网络(Deep Convolutional Generative Adversarial)和注意力机制(Attention Mechanism)相融合,提出一种基于BLSTM-DCG-ATT的网联车辆驾驶意图和行为预测模型。通过正反双向LSTM链路和注意力机制得到具有双重特征的数据,通过卷积生成对抗网络对特征数据进行卷积处理,迭代生成网联车辆及周围车辆的未来时刻变道意图和行驶信息。仿真结果表明：该模型能够在复杂路网、交通流密集的情况下,对网联车辆及其周围车辆的变道意图和行驶轨迹进行准确预测,预测精度达94%。     

基于自注意力机制和CNN-LSTM的空战目标机动轨迹预测

空战目标机动轨迹是有丰富时空特征的多维时间序列,具有高度复杂性和不确定性。针对现阶段轨迹预测运动学模型建立困难、时序预测的方法难以提取时空特征且只能单一的从T到T+1时刻的顺序式训练的问题,文中提出了一种自注意力机制(self-attention, ATT)和卷积神经网络(convolutional neural network, CNN)-长短期记忆网络(long short-term memory, LSTM)结合的模型(CNN-LSTM-ATT)。离线状态下训练模型,获得的最优模型可以实现目标机动轨迹的高精度预测。文中模型与CNN-LSTM、LSTM模型进行单步预测对比分析,具有良好的单步预测和不同过载机动预测的能力。考虑到电磁干扰和复杂环境导致传输数据的误差和缺失,进行了目标轨迹的5步预测,预测结果和评价指标均优于CNN-LSTM、LSTM模型。     

基于神经网络的复杂导弹系统可靠性预测

介绍了如何利用神经网络对复杂导弹系统可靠性进行预测。对利用导弹地面测试数据和可靠性数据预测未来导弹可靠性问题进行了描述。给出了建模思路和方法框架。探讨了基于因子分析的可靠性数据特征选择方法、循环神经网络(RNN)、长短时记忆网络(LSTM)、门循环网络(GRU)以及输出数据融合方法。在实例中利用该方法对其飞行可靠性进行了预测,验证了方法的可行性与有效性。该方法可以充分利用复杂系统地面测试数据、可靠性数据中隐含的信息以及多种神经网络的优点,具有一定的通用性与实用性。     

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%。     

EEMD+BiGRU组合模型在短时交通流量预测中的应用

针对城市交通流随机波动性强、数据中含噪声多导致预测精度下降的问题,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和双向门控循环单元(bidirectional gated recurrent unit,BiGRU)的组合交通流量预测模型,有效地提升了短时交通流预测的精度。模型利用EEMD算法对原始数据进行分解,根据分解所得的本征模函数(intrinsic mode function,IMF)分量绘制噪声能量图谱,去除分量中的噪声,并将去噪后的IMF分量作为BiGRU网络的输入进行训练,再将训练所得的结果进行重构加和,得到最终的预测结果。实验结果表明,未舍弃含有噪声的IMF分量进行重构的预测结果,相比于参考文献中提出的EMD+LSTM模型、LSTM模型和EEMD+LSTM模型,其平均绝对百分误差分别优化了42.36%、61.82%和30.95%;舍弃含有噪声的IMF分量后进行重构的预测结果,其平均绝对百分误差相比于将全部IMF分量进行重构优化了56.62%。     

改进的前向信息修补算法及其应用

前向信息修补算法可以对离散动态贝叶斯网络的缺失数据进行预测,该算法只适用于所有观测节点是相互独立的网络,却不能处理观测节点有依赖关系网络的缺失数据。针对该算法的这一缺陷,提出了改进的前向信息修补算法,在分析离散动态贝叶斯网络的缺失数据具有二种基本形式的基础上,推导出了每种形式的相应预测公式。继而构建了用于识别威胁源离散动态贝叶斯网络的模型。仿真实验验证了改进的前向信息修补算法的有效性。     

发动机传感器数据证实的贝叶斯信度网络方法

针对发动机及其部件试验传感器数据证实的多源证据融合问题,描述了建立贝叶斯信度网络的方法,给出了传感器状态和检验关系式不确定性信息表达方法,发展了自动建立贝叶斯信度网络、计算可信度概率及更新网络的算法;给出了贝叶斯信度网络方法在模型发动机上的应用示例。     

基于双层长短时记忆网络的齿轮故障诊断方法

为了提高齿轮故障诊断准确率,解决齿轮故障诊断中数据量大、提取特征困难等问题,构建了齿轮故障诊断系统,采用深度学习方法建立了齿轮故障诊断模型,提出一种基于双层长短时记忆(Binary Long Short Term Memory,Bi LSTM)网络的故障诊断方法,并对该方法进行了性能分析和对比实验。结果表明:采用Bi LSTM网络方法进行齿轮故障诊断的准确率达到99.76%,分类效果优于支持向量机、Xg Boost、卷积神经网络和长短时记忆(LSTM)网络等方法,有效地提高了故障诊断精度。     

基于LSTM与孪生网络的序列图像视觉定位技术

军事领域离不开导航技术,而定位是导航的基础。尽管目前以卷积神经网络为代表的机器学习技术,已经在有关单张图像的六自由度位姿回归方面取得显著进展,其精度达到甚至超过基于手工特征提取的传统方式。然而,单张图像的位姿回归问题只参考了场景的结构化信息,缺乏序列图像间的时序关系,导致其位姿回归的损失函数不包含时空约束,最终限制了算法定位精度。针对单张图像六自由度位姿回归缺乏时空约束的问题,依靠长短期记忆网络(LSTM)对时序关系的捕捉优势,提出一类基于LSTM与孪生网络的视觉定位技术,其综合孪生网络与LSTM各自优势,将图像间运动视差信息与位姿时序信息同时作用于位姿预测,构建从序列图像到图像各自对应六自由度位姿信息的端对端深度神经网络,并通过开源数据库和仿真数据验证了算法的准确性和精度,为军事领域的视觉定位和协同跟踪奠定了基础。     

一种新型动态贝叶斯网络及其在威胁评估中的应用

针对利用基本贝叶斯网络进行威胁评估时的不足,提出利用变结构区间概率动态贝叶斯网络(VSIP-DBN)进行威胁评估。对所提出的VSIP-DBN给出了其推理算法。在充分考虑目标的空战态势及空战能力下,建立了威胁评估的VSIP-DBN模型。将观测到的数据利用VSIP-DBN推理算法进行推理,推理结果就是目标的威胁等级。以往的威胁评估需要精确获得目标的模型参数和观测数据,通过仿真对比分析,利用VSIP-DBN建立的威胁评估模型不需要精确给出模型参数,即使出现观测数据的误差,仍能准确评估出目标的威胁程度。     

基于Volterra级数的航空年事故率预测方法

针对当前航空年事故率传统预测精度不高的问题,从分析混沌特性入手,对事故数据重构相空间,构建了航空年事故率预测的Volterra级数模型。对航空年事故率数据进行预处理,采用0-1混沌特性判定方法判断时序的混沌特性;在混沌时序的基础上,应用互信息法和假近邻法确定相空间的参数,重构相空间;基于此,构建二阶Volterra自适应预测模型,并采用NLMS算法实时获取模型的最优参数;最后,应用模型对美国空军飞行事故万时率进行预测,能够将相对误差控制在2%以内,优于传统灰色时序组合预测模型,所建的模型反映了航空装备的安全状况。     

DDBN的无人机决策推理模型参数学习

针对复杂战场环境下的无人机决策推理模型参数学习的问题,提出基于遗传算法的离散动态贝叶斯网络参数学习算法。该算法将模型网络参数的最大似然估计函数作为遗传算法的适应度函数,在全局进行并行优化搜索,得到最优的网络参数,从而提高了决策推理模型对复杂环境的快速适应。仿真结果表明,该算法可以获得准确的离散动态贝叶斯网络参数,能够有效地解决复杂战场环境下无人机威胁评估问题,为无人机的自主任务决策提供有效的参数保障。     

一种定标缺失情况下的高光谱目标识别方法

高光谱遥感图像识别在民用和军事领域有着广泛的应用。在缺乏定标信息、缺乏同步观测大气光学参数情况下,对高光谱图像进行地物识别尚没有系统有效的方法,制约了其在定量遥感方向的应用。对此提出了一种利用粒子群算法优化6S模型参数基础上的高光谱遥感数据校正方法,并将其应用于定标缺失情况下的目标识别中。实验表明:在对遥感图像利用少许先验信息选择参数进行校正后,分类准确率为76.25%。而利用粒子群算法优化参数的6S校正后,分类准确率提高到91.58%,目标识别准确率得到了有效提高。     

高性能互连网络中端口阻塞故障预测方法

随着系统规模、芯片功耗和链路速率的提升,高性能互连网络的整体故障率也不断上升,传统运维方式将难以为继,给高性能计算系统整体可靠性和可用性带来了巨大挑战。针对网络端口阻塞这类严重网络故障,提出无监督算法的预测模型。该模型从历史信息中挖掘征兆性规律并形成新的特征向量,应用K-means聚类算法对特征向量进行学习归类。在预测时,结合端口当前状态,利用二次指数平滑算法对未来状态进行预测,将得到的新特征向量使用K-means算法预判是否会发生阻塞故障。利用拓扑结构信息,分别对叶交换机和根交换机构建预测子模型,进而提升预测的精确率。结果表明,该预测模型能保持在召回率为88.2%的前提下,达到65.2%的准确率,可为运维人员提供有效的辅助。     

基于灰狼优化算法的军用运输机航路规划方法

为改善军用运输资源的优化配置水平,在所构建航空网络基础上,提出一种采用灰狼优化算法进行军用运输机航路规划的方法.利用图论的相关知识,建立航空网络模型;引入灰狼优化算法在所构建的航空网络上优化飞行路径,实现军用运输机的航路规划;基于人造网络与北京地区航空网络所提出方法进行了验证.仿真结果表明,所提出方法具有收敛快、效率高...     

基于广义回归神经网络的单位运营状况分类

单位的运营状况会直接影响股东和广大人民的利益,针对运营状况可以使用广义回归神经网络进行分类。由于广义回归神经网络中径向基函数的扩展参数Spread的选取会导致分类的准确率,提出了一种果蝇优化算法优化参数Spread的分类模型。充分利用了果蝇优化算法的寻优能力,将优化后的参数代入到广义回归神经网络中对单位的财务数据进行运营状况的分类。结果表明,与广义回归神经网络做比较,优化后的网络模型对数据的分类可以达到很高的准确率,在相关领域的分类上有非常大的实用性。     

多核贝叶斯优化的模型决策树算法

构造模型决策树时超参数较多,参数组合复杂,利用网格搜索等调参方法将会消耗大量的时间,影响模型性能的提升。提出了一种多核贝叶斯优化的模型决策树算法,该算法为应对不同分类数据特性,采用三种高斯过程建模寻优,利用贝叶斯优化技术,选出最优的参数组合。实验结果表明,所提算法在参数寻优上要优于传统的模型决策树寻优方法,并且能够在迭代次数不多的情况下找到全局最优参数值,在一定程度上提升了算法的分类性能,节省了大量的调参时间。