民用飞机重着陆智能诊断技术研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 图表清单 | 第9-11页 |
| 注释表 | 第11-13页 |
| 第一章 绪论 | 第13-20页 |
| ·选题背景和意义 | 第13-14页 |
| ·国内外关于重着陆事故的研究现状 | 第14-15页 |
| ·智能诊断技术 | 第15-17页 |
| ·基于专家系统的故障诊断 | 第16页 |
| ·基于人工神经网络的故障诊断 | 第16-17页 |
| ·支持向量机及其应用概述 | 第17-18页 |
| ·支持向量机理论研究现状 | 第17-18页 |
| ·支持向量的应用研究 | 第18页 |
| ·本文主要研究内容 | 第18-20页 |
| 第二章 重着陆的形成机理 | 第20-30页 |
| ·概述 | 第20页 |
| ·重着陆形成机理 | 第20-28页 |
| ·飞机稳定进近的八要素 | 第20-21页 |
| ·进场速度分析 | 第21-22页 |
| ·进近轨迹控制 | 第22-23页 |
| ·拉平与接地 | 第23-25页 |
| ·飞机着陆时的受力分析 | 第25-27页 |
| ·气象环境的影响 | 第27-28页 |
| ·重着陆风险参数及分类 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第三章 QAR 数据译码 | 第30-43页 |
| ·概述 | 第30页 |
| ·QAR 的发展 | 第30-31页 |
| ·QAR 数据译码原理 | 第31-37页 |
| ·QAR 数据的记录格式 | 第31-33页 |
| ·重着陆风险参数的译码算法分析 | 第33-37页 |
| ·QAR 译码系统简介 | 第37-42页 |
| ·译码系统的软硬件结构与开发环境 | 第37-39页 |
| ·译码结果显示 | 第39-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 数据预处理 | 第43-52页 |
| ·概述 | 第43页 |
| ·飞行数据的采集和误差 | 第43-44页 |
| ·飞行数据的采集 | 第43-44页 |
| ·数据误差 | 第44页 |
| ·飞行数据的拟合 | 第44-51页 |
| ·最小二乘拟合 | 第45-47页 |
| ·BP 神经网络拟合 | 第47-49页 |
| ·RBF 神经网络拟合 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第五章 统计学习理论与支持向量机 | 第52-60页 |
| ·概述 | 第52页 |
| ·统计学习理论 | 第52-54页 |
| ·学习一致性条件 | 第52-53页 |
| ·结构风险最小化原则 | 第53-54页 |
| ·支持向量机原理 | 第54-59页 |
| ·最优分类面 | 第54-56页 |
| ·广义分类平面 | 第56页 |
| ·非线性分类问题 | 第56-57页 |
| ·支持向量分类算法推导 | 第57-58页 |
| ·核函数 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 第六章 重着陆诊断模型 | 第60-68页 |
| ·概述 | 第60页 |
| ·基于SVM 的诊断模型 | 第60-65页 |
| ·SVM 模型训练 | 第61-62页 |
| ·SVM 诊断模型效果分析及讨论 | 第62-64页 |
| ·诊断模型性能影响因素分析 | 第64-65页 |
| ·对比实验 | 第65-67页 |
| ·基于 RBF 神经网络的重着陆诊断 | 第65-66页 |
| ·基于最近邻算法的重着陆诊断 | 第66-67页 |
| ·本章小结 | 第67-68页 |
| 第七章 总结与展望 | 第68-70页 |
| ·总结 | 第68页 |
| ·展望 | 第68-70页 |
| 参考文献 | 第70-73页 |
| 致谢 | 第73-74页 |
| 在学期间的研究成果及发表的学术论文 | 第74页 |
