資源描述：
《基于grnn神經(jīng)網(wǎng)絡(luò)的ads-b系統(tǒng)故障率預(yù)測》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、基于GRNN神經(jīng)網(wǎng)絡(luò)的ADS?B系統(tǒng)故障率預(yù)測摘要：為指導(dǎo)制定ADS?B系統(tǒng)的維護(hù)策略，提高系統(tǒng)完好率，提出一種利用GRNN神經(jīng)網(wǎng)絡(luò)對故障率進(jìn)行預(yù)測的方法。利用總使用時(shí)間、維護(hù)質(zhì)量、環(huán)境溫度和環(huán)境濕度的特征數(shù)據(jù)作為輸入向量，故障率為輸出向量，建立GRNN神經(jīng)網(wǎng)絡(luò)故障預(yù)測模型。仿真實(shí)例表明，GRNN神經(jīng)網(wǎng)絡(luò)預(yù)測模型具有較高的預(yù)測精度、穩(wěn)定的網(wǎng)絡(luò)以及較快的收斂速度，預(yù)測結(jié)果可為科學(xué)制定維護(hù)策略提供幫助。關(guān)鍵詞：ADS?B系統(tǒng)；GRNN神經(jīng)網(wǎng)絡(luò)；故障率預(yù)測；故障預(yù)測模型中圖分類號(hào)：TN965.6?34；V24
2、0.2文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1004?373X（2014）15?0107?03ADS?Bsystem′sfailureratepredictionbasedonGRNNneuralnetworkHUShui?jing（CivilAviationFlightUniversityofChina，Guanghan618307，China）Abstract：InordertoinstructtheformulationofmaintenancepolicyforADS?Bsystemandimprovethe
3、systemavailability，amethodtopredictthefailure10ratebytheaidofGRNNneuralnetworkisputforwardinthispaper.AGRNNneuralnetworkfailureratepredictionmodelwasestablishedbytakingthecharacteristicdataoftotalworkingtime，environmenttemperature，environmenthumidityandm
4、aintainqualityasinputvector，andthefailurerateasoutputvector.Thesimulationexampleshowsthatthepredictionmodelhastheadvantagesofhigh?accuracyprediction，stablenetworkandquickconvergence，andthepredictedresultscanprovideahelpforformulationofthescientificmainte
5、nancepolicy.Keywords：ADS?Bsystem；GRNNneuralnetwork；failurerateprediction；failurepredictionmodel0引言廣播式自動(dòng)相關(guān)監(jiān)視系統(tǒng)（AutomaticDependent10Surveillance?Broadcast，ADS?B）是利用全球衛(wèi)星定位系統(tǒng)及機(jī)載設(shè)備產(chǎn)生自身狀態(tài)數(shù)據(jù)，以地空/空空數(shù)據(jù)鏈為通信手段的一種飛機(jī)運(yùn)行監(jiān)視技術(shù)。ADS?B系統(tǒng)可實(shí)現(xiàn)空地飛機(jī)的實(shí)時(shí)跟蹤定位和相互感知，達(dá)到自動(dòng)監(jiān)控和預(yù)警，避免飛機(jī)危險(xiǎn)接
6、近，可有效縮小飛機(jī)之間的間隔并提高運(yùn)行安全水平[1]。ADS?B系統(tǒng)作為空管領(lǐng)域的一項(xiàng)新技術(shù)，在中國民航飛行學(xué)院得到了全面應(yīng)用，替代了地面塔臺(tái)管制員靠陸空對話確定飛機(jī)的位置和高度，利用“擺棋子”、目視以及記憶等指揮飛機(jī)的傳統(tǒng)方式，雖然大大提高了飛行訓(xùn)練數(shù)量和質(zhì)量，但造成了空管指揮對ADS?B系統(tǒng)的高度依賴性，一旦該系統(tǒng)發(fā)生故障，將會(huì)影響飛行訓(xùn)練的正常運(yùn)行，甚至危及飛行安全。因此，研究如何提高ADS?B系統(tǒng)的完好率，是當(dāng)前設(shè)備維護(hù)人員亟待解決的新課題。ADS?B系統(tǒng)故障率的準(zhǔn)確預(yù)測，將對指導(dǎo)制定維護(hù)策略，
7、提高完好率具有重要意義。人工神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性映射能力，處理復(fù)雜性和多變性問題具有較大的優(yōu)勢，在故障率預(yù)測方面得到了廣泛的應(yīng)用。然而，ADS?B系統(tǒng)是一種新興技術(shù)，目前尚未發(fā)現(xiàn)針對其故障率進(jìn)行預(yù)測的相關(guān)研究報(bào)道[2?5]。為此，本文提出一種基于廣義回歸神經(jīng)網(wǎng)絡(luò)（GeneralizedRegressionNeuralNetwork，GRNN），利用故障率影響因素的特征數(shù)據(jù)，對ADS?B系統(tǒng)故障率進(jìn)行預(yù)測的方法。1GRNN神經(jīng)網(wǎng)絡(luò)模型GRNN是徑向基神經(jīng)網(wǎng)絡(luò)模型的一種，具有很強(qiáng)的非線性映射能力和柔性網(wǎng)
8、絡(luò)結(jié)構(gòu)以及高度的容錯(cuò)性和魯棒性，適用于解決非線性問題[6]。GRNN的結(jié)構(gòu)如圖1所示，由輸入層、模式層、求和層和輸出層四層構(gòu)成。對應(yīng)網(wǎng)絡(luò)輸入[X=[x1，x2，…，xn]T，]其輸出為[Y=[y1，y2，…，yn]T。]101.1輸入層輸入層神經(jīng)元的數(shù)目等于學(xué)習(xí)樣本中輸入向量的維數(shù)，各神經(jīng)元是簡單的分布元，直接將輸入變量傳遞給模式層。圖1GRNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)1.2模式層模式層神經(jīng)元數(shù)目等于學(xué)習(xí)樣本的數(shù)目[n，]各神經(jīng)元對應(yīng)不同的樣本，模式層
