基于多尺度融合预测模型的航空发动机剩余寿命预测

针对大多数基于数据驱动的航空发动机剩余寿命预测方法未细分其退化过程与复杂输入数据之间的关系,无法准确识别和提取关键特征的问题。提出一种基于多尺度融合预测模型(MSF)的航空发动机剩余寿命预测方法。该方法利用静态协变量编码网络(SCCN)和变量选择网络(VSN)针对输入数据类型进行特征选择,将SCCN生成的静态协变量连接到模型的不同位置,以提升模型捕捉不同尺度时间特征的能力,并融入门控残差机制构建模型基本框架,既能提高模型的适应性也能保证信息在网络中传递的效率,采用分位数误差作为损失函数实现了多尺度的预测,有效的提高了预测的准确性。在CMAPSS涡扇发动机数据集上进行实验分析,FD002、FD004测试集的预测精度分别达到91.9%和92.4%,通过与其他深度学习方法进行对比,RMSE最优值分别提高15.54%和16.91%,Score最优值分别提高83.21%和78.78%。     

监控视频运动目标的频繁轨迹模式挖掘

运用数据挖掘的方式分析运动轨迹数据在目前可以说是一种尝试。基于传统数据挖掘方法Apriori的思想,提出了一种监控视频运动目标的频繁轨迹模式挖掘算法。首先以特征点表示连续的运动目标轨迹,然后设计了一种轨迹相似度测量机制,最后基于相似度测量获得的轨迹段频率,将Apriori挖掘算法应用到2D运动轨迹数据,从中发现频繁轨迹隐含的一些感兴趣模式。实际的和人工生成的轨迹数据实验表明了算法的正确有效性。     

自然场景车标数据集的构建及其应用

车标作为车辆身份的关键特征之一,在车辆的监控与辨识中发挥着重要作用。由于自然场景复杂多变,对其中的车标进行准确识别仍具有很大的挑战性。目前公开数据库很少且存在诸多局限,导致研究缺乏可信度和实用性。本文建立了一个面向自然场景的全新数据集,包含多种采集环境下的10 324幅、67类车辆图像。基于此数据集开展应用研究,提出一个目标检测与深度学习相结合的车标识别方法,包括车标区域定位和车标种类预测两大步骤。实验表明,该方法对复杂背景有较强的适应性,在涉及30种车标的分类任务中达到89.0%的总体识别率。     

依据历史轨迹构建城市出租车移动概率模型

针对无法在线实时获取移动出租车实时状态信息的条件下,根据对历史轨迹信息的处理分析,提出将隐马尔科夫理论应用到城市出租车移动轨迹模型中,通过实际数据的分析建立出租车运动模型,通过对模型的计算来预测节点的位置分布概率,并在此模型上针对不同的用户需求进行查询处理,为用户提供搭车路线决策支持。通过利用真实数据集的实验证明,模型能够较好的模拟出出租车节点的运动状态,用户也能够从模型中获取较高精度的位置状态信息。     

基于深度学习的跨语言文本情报分类方法研究

文本情报分类工作是情报分析领域的基础性工作。目前,文本情报分类工作通常面向单一语言,跨语言文本情报分类研究相对较少。针对跨语言文本情报分类问题,提出了“XLM-R+TextCNN”模型,通过基于大规模多语种语料训练的跨语言预训练模型(XLM-R)生成与具体语言表示形式无关的文本情报向量,将文本向量输入TextCNN模型,获取文本情报的类别特征,实现对跨语言文本情报的分类。以开源国防科技情报为基础,构建了跨语言文本情报分类数据集,并对模型进行了测试。实验表明,该模型在多项对比评测中,取得了不错的成绩,验证了本方法的可行性与有效性。     

基于运动相似性的监控轨迹聚合分析

对于监控轨迹序列集,提出一种使用运动特征发现其潜在语义内容的方法.在特征统计估计阶段,将轨迹曲线中的拐点特征加入到核密度估计过程中,得到准确平滑的方向多性态分布;使用隐马尔科夫模型估计轨迹子类中存在的串行或并行空间模式.最后以运动特征分布为基础,提出一种基于运动相似性的轨迹层次聚合模型.实验结果表明,该模型可以有效地分...     

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%。     

基于神经网络集成方法预测膜蛋白类型

由Chou等人提出的预测膜蛋白分类的机器学习算法在近年来不断改进,使得预测膜蛋白类型的准确率越来越高。但是由于膜蛋白类分布不均衡而导致少数类的预测准确率非常低,使用神经网络集成方法能解决此问题。该方法中Bagging算法通过对多数类欠采样和少数类过采样来解决膜蛋白训练数据集不均衡问题。此外,用神经网络集成方法对已训练数据集和独立数据集进行分类测试,得出神经网络集成方法预测效果优于单个最好神经网络。该方法为解决蛋白质分类预测问题提供了一种新的策略,特别是训练数据集不均衡时,该方法的优势更加明显。     

基于AP-SVM模型的装备维修器材需求预测方法

在小样本条件下运用SVR模型预测装备维修器材需求量时,预测效果受随机干扰因素影响较大.为解决这一问题,提出了一种新的AP-SVM模型.首先,运用AP聚类算法对训练数据进行分类,将分类结果作为训练数据训练SVM分类器,并对待测试数据的所属类别进行判断;然后,根据数据类别构建训练向量集,对SVM进行训练,运用SVR模型计算...     

一种临近空间HRGV滑翔段轨迹预测方法

为了有效拦截临近空间高超声速再入滑翔飞行器(Hypersonic Reentry-Glide Vehicle,HRGV),提出一种HRGV滑翔段轨迹预测方法。通过分析目标运动方程发现,HRGV滑翔段轨迹预测的实现在于能否预测速度、航迹倾角和航迹方位角3个参数的大小;对目标运动特性进行分析,得到速度、航迹倾角和航迹方位角的变化规律,给出了拟合函数;对跟踪滤波数据进行平滑处理和坐标变换,得到了参数辨识结果,在此基础上设计了轨迹预测算法,仿真验证了算法的有效性,并对预测结果进行了分析。该方法对HRGV的防御问题研究具有重要意义。     

基于运动模式的船舶轨迹分段压缩算法

为解决当前船舶轨迹分段与压缩过程中轨迹细节丢失、运动模式不清及运动特征难以提取等问题,首先通过分析船舶运动的特点,在Stop-Move模式的基础上,提出了基于Stop-Turn-Line三种基本运动模式的船舶轨迹表示方法,并设计了轨迹运动模式检测与分割算法。然后,采用Java语言实现了该算法;并利用真实船舶轨迹数据集进行了测试。实验结果表明:该算法能够在较好保留运动模式及特征的前提下对船舶轨迹进行高效分段和压缩,可为基于海量船舶轨迹数据的查询、显示、分析及挖掘等提供良好的基础。     

预警探测系统目标交接班需求分析

针对临近空间高超声速飞行器(Near-Space Hypersonic Vehicle,NSHV)预警探测过程中的目标交接班问题,分析了目标交接班对轨迹预测的需求。首先,分析了地/海基和空基预警探测平台针对NSHV目标的威力覆盖范围,指出实现全程跟踪NSHV目标需要构建协同探测网络,其中目标交接班是必须解决的技术问题;其次,介绍了2种协同探测目标交接班方式;最后,研究了轨迹预测精度对目标交接班性能的影响。研究表明:预测交接是NSHV预警探测系统目标交接班的必然选择,提高轨迹预测精度有助于节省接班传感器资源、提高目标检测概率。     

无动力滑翔高超声速飞行器轨迹预测方法

针对无动力滑翔高超声速飞行器轨迹预测问题及其应用需求,提出了基于动力学模型简化的轨迹预测方法。阐述了无动力滑翔高超声速飞行器预警探测面临的难点及轨迹预测在预警探测中的作用,说明了轨迹预测的必要性。分析了无动力滑翔高超声速飞行器的受力情况,通过合理的化简,得到简化的动力学模型,获得了运动轨迹的解析形式。设计了轨迹预测算法流程和轨迹预测精度的评价指标,通过仿真实验验证轨迹预测算法的有效性,并分析了引起轨迹预测误差的主要原因。     

控制律预测的再入滑翔飞行器轨迹预测算法

针对临近空间再入滑翔飞行器巡航段轨迹预测问题,提出了控制律预测的轨迹预测算法。通过分析和推导轨迹预测中的未知量及研究归纳巡航段的飞行方式和控制律,阐明轨迹预测的可行性;研究了平衡滑翔和跳跃滑翔2类轨迹的判别方法,并在此基础上设计了控制律预测的轨迹预测算法。最后仿真验证了算法的有效性,并研究了跟踪时长和起始点对轨迹预测精度的影响。结果表明该算法针对多种类型的轨迹都具有较高的预测精度;跟踪时长对预测精度影响较大,而跟踪起始点影响较小。     

基于历史轨迹的城市出租车移动概率模型

对出租车的移动轨迹进行建模分析是重要的研究内容,模型需要反应节点的移动状态信息,支持用户能够对移动出租车节点进行快速查询与搜索。本文针对无法在线实时获取移动出租车实时状态信息的条件下,根据对历史轨迹信息的处理分析,提出将隐马尔科夫理论应用到城市出租车移动轨迹模型中,通过实际数据的分析建立出租车运动模型,通过对模型的计算来预测节点的位置分布概率,并在此模型上针对不同的用户需求进行查询处理,为用户提供搭车路线决策支持。通过利用真实数据集的实验证明,本文提出的方法能够较好的模拟出出租车节点的运动状态,用户也能够从模型中获取较高精度的位置状态信息。     

基于自注意力和类监督的遥感图像跨模态检索

针对智能化联合作战场景中,情报分析人员对海量无标签遥感图像进行信息检索时面临的大数据问题,提出适用于遥感图像的文本-视觉跨模态检索技术框架,并对其中核心的跨模态检索模型进行针对性改进,构建一种基于自注意力模块和类监督约束联合训练的深度学习模型。通过引入类监督指导的全局-局部视觉特征提取模块、主导语义掩码建模的文本特征提取模块,以及融合文本-视觉语义信息的交叉提取模块,提升检索效果,实现在无图像描述标签情况下的文本-视觉跨模态语义检索。公开数据集上与相关算法的对比实验,证明该方案的先进性与可行性。     

多通道图注意力解耦社交推荐方法

提出具有解耦能力的多通道图注意力社交推荐模型,该模型主要包括深度聚类模块、多通道图注意力聚合模块和评分预测模块。其中,深度聚类模块用于对用户和项目进行分组,并利用聚类结果将用户社交图和用户项目图拆分成多个用户社交子图及用户项目子图,以学习用户兴趣分组及用户对不同类项目的兴趣；多通道图注意力聚合模块学习不同子图对预测结果的注意力；评分预测模块将学习到的用户表示向量和项目表示向量输入多层感知机进行评分预测。在多个真实数据集上的实验结果表明:提出的方法优于其他社交推荐算法。与最新的用于社交推荐的图神经网络方法相比,在Ciao和Epinions数据集上,均方根误差分别降低了2.26%和2.07%,平均绝对误差分别降低了2.58%和3.06%。     

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%。     

构建军队预算执行监控体系的设想

构建军队预算执行监控体系,应依托军队财务管理信息系统,集信息采集、跟踪控制、风险预警和考核评价四个功能系统于一体,建立健全预算执行流程监控、重点领域监控和重点项目监控的运行机制,以增强预算执行力,规范经费使用管理。     

高超声速滑翔飞行器轨迹预测分析

针对轨迹预测在目标交接班和基于预测命中点拦截制导中的应用需求,分析了高超声速滑翔飞行器滑翔段轨迹预测的可行性。结合典型高超声速滑翔飞行器的运动轨迹,分析了其运动轨迹特性、机动模式、转弯半径、最大射程以及可达区域,提出了基于不变力预测法的轨迹预测思路。认为高超声速滑翔飞行器在滑翔段,运动轨迹几何特征明显、转弯半径大、保持大升阻比,便于实施中长期轨迹预测,但难以实现全程预测。