目錄
第1章 緒論 1
1.1 模式識別的重要性 1
1.1.1 模式識別的概念 1
1.1.2 模式識別的發(fā)展歷史 2
1.1.3 模式識別技術的應用 3
1.2 特征、特征向量和分類器 5
1.3 有監(jiān)督、無監(jiān)督和半監(jiān)督學習 7
1.4 模式識別算法在航空工程領域的應用 9
小結 9
習題 10
第2章 基于貝葉斯決策理論的分類器 11
2.1 貝葉斯決策理論 11
2.2 貝葉斯學習 12
2.2.1 先驗分布與后驗分布 13
2.2.2 極大似然估計 14
2.2.3 最大后驗估計 14
2.2.4 期望最大化算法 15
2.3 貝葉斯分類器 16
2.3.1 樸素貝葉斯分類器 16
2.3.2 貝葉斯網(wǎng)絡 17
2.4 錯誤率 21
2.4.1 錯誤率的估計 21
2.4.2錯誤率的分析 22
小結 23
習題 24
第3章 判別函數(shù)分類器 25
3.1 判別函數(shù) 25
3.1.1 判別函數(shù)的概念 25
3.1.2 常見的判別函數(shù) 26
3.2 線性分類器 26
3.2.1 線性判別函數(shù)的概念 26
3.2.2 線性分類器的實現(xiàn) 27
3.3 非線性分類器 29
3.3.1 非線性判別函數(shù)的概念 29
3.3.2 非線性分類器的實現(xiàn) 31
3.4 支持向量機 33
3.4.1 支持向量機的基礎理論 33
3.4.2 支持向量機的實現(xiàn) 33
小結 34
習題 34
第4章 聚類分析 35
4.1 模式相似性測度 35
4.1.1 距離測度 36
4.1.2 相似測度 37
4.1.3 匹配測度 39
4.2 類間距離測度方法 40
4.2.1 最短距離法 40
4.2.2 最長距離法 40
4.2.3 中間距離法 40
4.2.4 重心法 40
4.2.5 平均距離法(類平均距離法) 41
4.3 聚類準則函數(shù) 41
4.3.1 誤差平方和準則 41
4.3.2 加權平均平方距離和準則 42
4.3.3 類間距離和準則 42
4.3.4 離散度矩陣 42
4.4 基于距離閾值的聚類算法 43
4.4.1 最近鄰規(guī)則聚類算法 44
4.4.2 最大最小距離聚類算法 44
4.5 動態(tài)聚類算法 44
4.5.1 K-均值聚類算法 45
4.5.2 ISODATA聚類算法 45
小結 48
習題 48
第5章 線性回歸 49
5.1 最小二乘法 49
5.1.1 最小二乘理論 49
5.1.2 最小二乘法的數(shù)學推導 50
5.2 梯度下降法 53
5.2.1 梯度下降的定義 54
5.2.2 梯度下降法的數(shù)學原理 54
5.2.2 梯度下降法實現(xiàn)回歸分析 55
5.3 多元線性回歸 56
5.3.1 多元線性回歸的定義 56
5.3.2 多元線性回歸的求解 57
5.4 邏輯回歸 57
5.4.1 邏輯回歸的定義 57
5.4.2 邏輯回歸的數(shù)學推導 57
小結 60
習題 60
第6章 神經(jīng)網(wǎng)絡 61
6.1 單層神經(jīng)網(wǎng)絡 61
6.1.1 單層神經(jīng)網(wǎng)絡的概念 62
6.1.2 單層神經(jīng)網(wǎng)絡的計算 62
6.2 多層神經(jīng)網(wǎng)絡 63
6.2.1 多層神經(jīng)網(wǎng)絡的結構 63
6.2.2 多層神經(jīng)網(wǎng)絡的前向計算 64
6.2.3 多層神經(jīng)網(wǎng)絡的誤差反向傳播 67
6.3 Softmax函數(shù)與熵損失函數(shù) 69
6.3.1 Soflmax函數(shù) 69
6.3.2 交叉熵損失函數(shù) 70
6.4 深度學習 74
6.4.1 卷積神經(jīng)網(wǎng)絡 75
6.4.2 循環(huán)神經(jīng)網(wǎng)絡 79
6.4.3 長短期記憶網(wǎng)絡 81
小結 82
習題 83
第7章 航空發(fā)動機轉子系統(tǒng)故障診斷 84
7.1 概述 84
7.1.1 航空發(fā)動機轉子系統(tǒng)故障診斷的意義 84
7.1.2 主軸承故障診斷拋分類 84
7.1.3 轉子葉片故障診斷方法分類 85
7.2 主軸承故障診斷技術與應用效果 87
7.2.1 主軸承振動信號特征 87
7.2.2 主軸承故障診斷技術 91
7.2.3 應用效果 95
7.3 轉子葉片碰摩故障診斷技術與應用效果 106
7.3.1 基于交叉散度熵的轉子葉片故障模式識別 106
7.3.2 基于對抗熵的轉子系統(tǒng)跨工況故障斷方法 114
小結 117
習題 117
第8章 基于深度學習的航空器壽命預測 118
8.1 背景介紹 118
8.1.1 航空器壽命預測的意義 118
8.1.2 深度學習在航空器壽命預測中的應用 119
8.2 航空發(fā)動機滾動軸剩余使用壽命預測關鍵技術與應用效果 120
8.2.1 航空發(fā)動機滾動軸承全壽命周期特點 120
8.2.2 滾動軸承剩余使用壽命預測關鍵技術 121
8.2.3應用效果 127
8.3 航空器動力系統(tǒng)多源壽命預測關鍵技術與應用效果 131
8.3.1 航空器動力系統(tǒng)退化特征提取方法 131
8.3.2 航空器動力系統(tǒng)多源壽命預測關鍵技術 132
8.3.3 應用效果 133
小結 135
習題 135
第9章 無人機關鍵部件故障診斷 136
9.1 無人機故障診斷的背景介紹 136
9.1.1 無人機故障診斷的意義 136
9.1.2 無人機故障診斷方法分類 137
9.2 無人機關鍵部件故障診斷技術 138
9.2.1 無人機傳感器故障注人技術 138
9.2.2 無人機多傳感器信息融合技術 138
9.3 應用效果 139
9.3.1 四旋翼無人機數(shù)學模型的建立 139
9.3.2 無人機試驗及數(shù)據(jù)預處理 143
9.3.3 基于深度學習的無人機傳感器故障診斷 149
小結 153
習題 153
第10章 航空液壓柱塞泵故障診斷 154
10.1 航空液壓柱塞泵的背景介紹 154
10.1.1 液壓柱塞菜的介紹與功能 154
10.1.2 液壓柱塞泵的常見故障及可能原因分析 156
10.1.3 航空液壓柱塞泵故_斷的意義 158
10.2 液壓柱塞栗組試驗平臺 159
10.2.1 多功能泵組試驗臺簡介 159
10.2.2 數(shù)據(jù)采集系統(tǒng) 160
10.3 液壓柱塞栗故障試驗 160
10.3.1 斜盤式恒壓變量柱塞泵結構及常見故障模式 160
10.3.2 模擬故障類型及故障件的加工 161
10.3.3 測點布置 161
10.4 液壓柱塞泵故障特征提取 162
10.4.1 單柱塞磨損故障特征提取 162
10.4.2 軸承外圈斷裂故障特征提取 174
小結 178
習題 178
第11章 控制力矩陀螺的健康狀態(tài)評估及異常檢測 179
11.1 控制力矩陀螺的背景介紹 179
11.1.1 控制力矩陀螺的介紹 179
11.1.2 控制力矩陀螺的功能 180
11.1.3 控制力矩陀螺的主要故障形式 181
11.2 控制力矩陀螺的健康狀態(tài)評估關鍵技術與應用 182
11.2.1 控制力矩陀螺的健康狀態(tài)評估方法 182
11.2.2 基于控制力矩陀螺健康狀態(tài)的運維策略 183
11.3 控制力矩陀螺的異常檢測關鍵技術與應用效果 184
11.3.1 控制力矩陀螺的異常檢測方法 184
11.3.2 控制力矩陀螺異常狀態(tài)側案例 190
小結 192
習題 193
第12章 衛(wèi)星電池狀態(tài)監(jiān)測和壽命預測 194
12.1 衛(wèi)星電池的背景介紹 194
12.2 在軌衛(wèi)星電池運行數(shù)據(jù)的特點 195
12.2.1 中高軌道衛(wèi)星電池工況 195
12.2.2 低軌道衛(wèi)星電池工況 198
12.3 基于改進的容量增量分析的衛(wèi)星電池健康狀態(tài)評估方法 199
12.3.1 基于SD-ICA的SOH計算 200
12.3.2 基于SD-ICA的電池健康狀態(tài)評估方法驗證 200
12.4 基于部分變異重采樣粒子濾波的壽命預測方法 207
12.4.1 基于PMR-PF的衛(wèi)星電池壽命預測流程 207
12.4.2 基于PMR-PF的電池RUL預測方法驗證 209
小結 215
習題 215
習題答案 216
參考文獻 217