飛行數(shù)據(jù)的時間序列分析方法及其應用

第1章 緒論
1.1 飛行參數(shù)記錄系統(tǒng)
1.1.1 概述
1.1.2 發(fā)展演化
1.1.3 軍事領(lǐng)域應用
1.2 面向飛行數(shù)據(jù)的應用研究
1.2.1 基本概念
1.2.2 研究現(xiàn)狀
1.3 本書研究范疇與主要內(nèi)容
第2章 飛行數(shù)據(jù)預處理
2.1 基于支持度的飛行數(shù)據(jù)遺忘記憶融合濾波方法
2.1.1 飛行數(shù)據(jù)統(tǒng)一誤差模型
2.1.2 基于支持度的遺忘記憶融合濾波算法
2.1.3 應用實例與結(jié)論
2.2 基于綜合加權(quán)優(yōu)化的飛行數(shù)據(jù)空缺值填充方法
2.2.1 基于混合算法的改進神經(jīng)網(wǎng)絡模型
2.2.2 基于最小二乘法的多項式擬合模型
2.2.3 空缺值綜合加權(quán)填充方法
2.2.4 仿真分析與結(jié)論
2.3 基于虛擬傳感器技術(shù)的飛行數(shù)據(jù)擴展方法
2.3.1 虛擬傳感器技術(shù)概述
2.3.2 基于發(fā)動機模型的虛擬飛行數(shù)據(jù)擴展
2.3.3 基于BP網(wǎng)絡的虛擬飛行數(shù)據(jù)擴展
2.4 基于自擴充遺傳算法的可監(jiān)控特征參數(shù)選擇方法
2.4.1 特征選擇與遺傳算法
2.4.2 自擴充遺傳算法
2.4.3 實例驗證與評估
2.5 飛行數(shù)據(jù)的混沌特性分析
2.5.1 混沌序列相空間重構(gòu)的數(shù)學描述
2.5.2 混沌特性分析驗證
第3章 飛行數(shù)據(jù)的典型時序分析
3.1 ARMA模型分析基礎
3.1.1 數(shù)學模型
3.1.2 建模過程
3.1.3 模型參數(shù)估計
3.1.4 模型適用性檢驗
3.1.5 最佳預測
3.2 基于AR模型的參數(shù)監(jiān)控方法
3.2.1 飛機穩(wěn)定工作狀態(tài)的描述
3.2.2 基于規(guī)則推理機的監(jiān)控參數(shù)提取
3.2.3 基于AR模型的均值-極差監(jiān)控方法
3.2.4 實例分析與效果評估
第4章 飛行數(shù)據(jù)相似性搜索
4.1 時間序列相似性分析方法
4.1.1 概述
4.1.2 時間序列降維方法
4.1.3 時間序列相似性度量方法
4.2 基于斜率距離的時間序列相似性搜索方法
4.2.1 時間序列的斜率集表示
4.2.2 時間序列的斜率距離
4.2.3 基于斜率距離的飛行數(shù)據(jù)聚類驗證
4.3 基于角度距離的時間序列相似性搜索方法
4.3.1 時間序列的角度描述方法
4.3.2 時間序列的角度距離及相似性搜索算法
4.3.3 基于角度距離的飛行數(shù)據(jù)聚類驗證
4.4 基于曲率距離的時間序列相似性搜索方法
4.4.1 數(shù)據(jù)預處理
4.4.2 曲率集表示
4.4.3 曲率距離及相似性搜索算法
4.4.4 基于曲率距離的飛行數(shù)據(jù)聚類驗證
4.5 變步長曲線分箱多元序列相似性搜索方法
4.5.1 分段線性化表示
4.5.2 變步長索引標識
4.5.3 變步長分箱相似性搜索算法
4.5.4 基于變步長曲線分箱多元飛行數(shù)據(jù)聚類驗證
4.6 基于關(guān)聯(lián)矩陣QR分解的多元序列相似性搜索方法
4.6.1 多元時間序列的矩陣及圖形表示
4.6.2 多元時間序列的關(guān)聯(lián)表示
4.6.3 多元時間序列的QR距離
4.6.4 基于關(guān)聯(lián)矩陣QR分解的飛行數(shù)據(jù)聚類驗證
第5章 面向飛行數(shù)據(jù)的狀態(tài)監(jiān)控與趨勢預測
5.1 基于變柵格技術(shù)的飛機設備狀態(tài)監(jiān)控方法
5.1.1 高維數(shù)據(jù)聚類方法
5.1.2 基于密度的聚類算法
5.1.3 變柵格收縮聚類算法
5.1.4 飛行設備狀態(tài)收縮聚類監(jiān)控實例
5.2 基于專家系統(tǒng)的突變性故障診斷方法
5.2.1 專家系統(tǒng)理論
5.2.2 飛機設備故障診斷專家系統(tǒng)功能
5.2.3 系統(tǒng)具體實現(xiàn)及效果評價
5.3 基于動態(tài)主元分析的漸變性故障診斷方法
5.3.1 主元分析法
5.3.2 動態(tài)主元分析法
5.3.3 基于動態(tài)主元分析的故障診斷算法
5.3.4 故障診斷仿真驗證
5.4 基于加權(quán)最小二乘支持向量機的發(fā)動機狀態(tài)參數(shù)預測
5.4.1 支持向量機的基本理論
5.4.2 加權(quán)最小二乘支持向量機算法
5.4.3 加權(quán)最小二乘支持向量機參數(shù)預測模型
5.4.4 應用實例
5.5 基于混沌序列的發(fā)動機狀態(tài)參數(shù)預測
5.5.1 混沌及混沌序列
5.5.2 預測模型
5.5.3 模型應用
第6章 飛行數(shù)據(jù)挖掘原型系統(tǒng)的設計與實現(xiàn)
6.1 數(shù)據(jù)挖掘系統(tǒng)
6.2 飛行數(shù)據(jù)倉庫建模
6.2.1 飛行數(shù)據(jù)的特殊性質(zhì)
6.2.2 飛行數(shù)據(jù)挖掘的目標
6.2.3 飛行數(shù)據(jù)倉庫建模
6.3 原型系統(tǒng)的設計與開發(fā)
6.3.1 總體設計
6.3.2 系統(tǒng)數(shù)據(jù)流程
6.3.3 系統(tǒng)工作流程
6.3.4 系統(tǒng)主要功能
6.4 小結(jié)
參考文獻