基于机器学习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 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 直升机状态识别方法 | 第9-10页 |
| 1.2.2 机器学习方法 | 第10-11页 |
| 1.3 本文的主要研究内容和技术路线 | 第11-14页 |
| 第二章 直升机飞行状态识别预处理 | 第14-30页 |
| 2.1 概述 | 第14页 |
| 2.2 预处理的数据源介绍 | 第14-15页 |
| 2.3 飞行数据预处理方法 | 第15-21页 |
| 2.3.1 数据去噪 | 第16-20页 |
| 2.3.2 飞行参数拟合 | 第20-21页 |
| 2.4 飞行状态敏感参数提取方法 | 第21-25页 |
| 2.4.1 飞行状态操纵特性分析 | 第21-22页 |
| 2.4.2 敏感飞行参数提取 | 第22-23页 |
| 2.4.3 实验及结果分析 | 第23-25页 |
| 2.5 飞行状态预分类方法 | 第25-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第三章 基于二叉树SVM的直升机飞行状态识别 | 第30-47页 |
| 3.1 概述 | 第30页 |
| 3.2 相关理论基础 | 第30-33页 |
| 3.2.1 K均值聚类原理 | 第31-32页 |
| 3.2.2 二叉树SVM分类原理 | 第32-33页 |
| 3.3 基于二叉树SVM的直升机飞行状态识别 | 第33-41页 |
| 3.3.1 二叉树SVM分类器设计 | 第33-35页 |
| 3.3.2 基于粒子群算法的K均值聚类寻优 | 第35-37页 |
| 3.3.3 基于遗传算法的二叉树SVM寻优 | 第37-38页 |
| 3.3.4 基于K均值聚类的二叉树SVM训练 | 第38-41页 |
| 3.4 实验及结果分析 | 第41-46页 |
| 3.4.1 单点识别实验 | 第41-42页 |
| 3.4.2 全起落识别实验 | 第42-43页 |
| 3.4.3 对比实验 | 第43-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 基于随机森林的直升机飞行状态识别 | 第47-63页 |
| 4.1 概述 | 第47页 |
| 4.2 相关理论基础 | 第47-49页 |
| 4.2.1 决策树原理 | 第48页 |
| 4.2.2 随机森林分类原理 | 第48-49页 |
| 4.3 基于随机森林的直升机飞行状态识别 | 第49-54页 |
| 4.3.1 随机森林分类器设计 | 第49-51页 |
| 4.3.2 随机森林中决策树的构建 | 第51-52页 |
| 4.3.3 随机森林训练 | 第52-54页 |
| 4.4 实验及结果分析 | 第54-62页 |
| 4.4.1 单点识别实验 | 第55-56页 |
| 4.4.2 全起落识别实验 | 第56-57页 |
| 4.4.3 对比实验 | 第57-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 研究工作总结 | 第63-64页 |
| 5.2 研究工作展望 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 攻读硕士学位期间参与的科研项目和成果 | 第70-71页 |
| 致谢 | 第71-72页 |
