基于DBN的直升机飞行状态识别技术研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-12页 |
| 1.2.1 飞行状态识别方法 | 第8-9页 |
| 1.2.2 深度学习方法 | 第9-11页 |
| 1.2.3 DBN的发展和应用现状 | 第11-12页 |
| 1.3 论文研究的主要内容及技术路线 | 第12-14页 |
| 1.3.1 主要内容 | 第12-13页 |
| 1.3.2 技术路线 | 第13-14页 |
| 第2章 直升机飞行状态识别预处理 | 第14-25页 |
| 2.1 概述 | 第14页 |
| 2.2 飞行数据 | 第14-16页 |
| 2.3 数据预处理 | 第16-20页 |
| 2.3.1 野点剔除 | 第16-18页 |
| 2.3.2 缺失参数填补 | 第18-19页 |
| 2.3.3 数据平滑 | 第19-20页 |
| 2.3.4 飞参数据拟合 | 第20页 |
| 2.4 飞行状态敏感参数提取方法 | 第20-24页 |
| 2.4.1 直升机操纵特性分析 | 第20-21页 |
| 2.4.2 敏感飞行参数提取 | 第21-22页 |
| 2.4.3 实验及结果分析 | 第22-24页 |
| 2.5 飞行状态预分类 | 第24页 |
| 2.6 本章小结 | 第24-25页 |
| 第3章 基于RVM的直升机飞行状态识别方法 | 第25-36页 |
| 3.1 概述 | 第25页 |
| 3.2 相关向量机 | 第25-28页 |
| 3.2.1 相关向量机原理 | 第26-27页 |
| 3.2.2 核函数 | 第27-28页 |
| 3.3 RVM分类器设计 | 第28-30页 |
| 3.4 RVM参数寻优 | 第30-31页 |
| 3.5 实验及结果分析 | 第31-35页 |
| 3.5.1 粒子群算法寻优实验 | 第31-32页 |
| 3.5.2 单点识别实验 | 第32-34页 |
| 3.5.3 全起落识别实验 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第4章 基于DBN网络的直升机飞行状态识别方法 | 第36-55页 |
| 4.1 概述 | 第36-37页 |
| 4.2 DBN网络 | 第37-44页 |
| 4.2.1 DBN模型 | 第37-38页 |
| 4.2.2 受限玻尔兹曼机 | 第38-42页 |
| 4.2.3 BP分类器 | 第42页 |
| 4.2.4 DBN训练 | 第42-44页 |
| 4.3 DBN分类器设计 | 第44-45页 |
| 4.4 实验及结果分析 | 第45-54页 |
| 4.4.1 DBN网络模型设计 | 第45-49页 |
| 4.4.2 单点识别实验 | 第49-51页 |
| 4.4.3 全起落识别实验 | 第51-53页 |
| 4.4.4 DBN和RVM对比实验 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 总结与展望 | 第55-57页 |
| 5.1 研究工作总结 | 第55页 |
| 5.2 研究工作展望 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 攻读硕士学位期间参与的科研项目和成果 | 第62-63页 |
| 致谢 | 第63-64页 |
