滿額折
商品簡介
名人/編輯推薦
目次
書摘/試閱
相關商品
商品簡介
名人/編輯推薦
《飛行數據的時間序列分析方法及其應用》適用于航空裝備管理人員、維護保障人員以及高等院校從事智能信息處理的教師、研究生，也可為從事飛行參數專業、數據挖掘研究的科研人員提供有益參考。
目次
第1章 緒論
1.1 飛行參數記錄系統
1.1.1 概述
1.1.2 發展演化
1.1.3 軍事領域應用
1.2 面向飛行數據的應用研究
1.2.1 基本概念
1.2.2 研究現狀
1.3 本書研究范疇與主要內容
第2章 飛行數據預處理
2.1 基于支持度的飛行數據遺忘記憶融合濾波方法
2.1.1 飛行數據統一誤差模型
2.1.2 基于支持度的遺忘記憶融合濾波算法
2.1.3 應用實例與結論
2.2 基于綜合加權優化的飛行數據空缺值填充方法
2.2.1 基于混合算法的改進神經網絡模型
2.2.2 基于最小二乘法的多項式擬合模型
2.2.3 空缺值綜合加權填充方法
2.2.4 仿真分析與結論
2.3 基于虛擬傳感器技術的飛行數據擴展方法
2.3.1 ？擬傳感器技術概述
2.3.2 基于發動機模型的虛擬飛行數據擴展
2.3.3 基于BP網絡的虛擬飛行數據擴展
2.4 基于自擴充遺傳算法的可監控特征參數選擇方法
2.4.1 特征選擇與遺傳算法
2.4.2 自擴充遺傳算法
2.4.3 實例驗證與評估
2.5 飛行數據的混沌特性分析
2.5.1 混沌序列相空間重構的數學描述
2.5.2 混沌特性分析驗證
第3章 飛行數據的典型時序分析
3.1 ARMA模型分析基礎
3.1.1 數學模型
3.1.2 建模過程
3.1.3 模型參數估計
3.1.4 模型適用性檢驗
3.1.5 最佳預測
3.2 基于AR模型的參數監控方法
3.2.1 飛機穩定工作狀態的描述
3.2.2 基于規則推理機的監控參數提取
3.2.3 基于AR模型的均值―極差監控方法
3.2.4 實例分析與效果評估
第4章 飛行數據相似性搜索
4.1 時間序列相似性分析方法
4.1.1 概述
4.1.2 時間序列降？方法
4.1.3 時間序列相似性度量方法
4.2 基于斜率距離的時間序列相似性搜索方法
4.2.1 時間序列的斜率集表示
4.2.2 時間序列的斜率距離
4.2.3 基于斜率距離的飛行數據聚類驗證
4.3 基于角度距離的時間序列相似性搜索方法
4.3.1 時間序列的角度描述方法
4.3.2 時間序列的角度距離及相似性搜索算法
4.3.3 基于角度距離的飛行數據聚類驗證
4.4 基于曲率距離的時間序列相似性搜索方法
4.4.1 數據預處理
4.4.2 曲率集表示
4.4.3 曲率距離及相似性搜索算法
4.4.4 基于曲率距離的飛行數據聚類驗證
4.5 變步長曲線分箱多元序列相似性搜索方法
4.5.1 分段線性化表示
4.5.2 變步長索引標識
4.5.3 變步長分箱相似性搜索算法
4.5.4 基于變步長曲線分箱多元飛行數據聚類驗證
4.6 基于關聯矩陣QR分解的多元序列相似性搜索方法
4.6.1 多元時間序列的矩陣及圖形表示
4.6.2 多元時間序列的關聯表示
4.6.3 多元時間序列的QR距離
4.6.4 基于關聯矩陣QR分解的飛行數據聚類驗證
第5章 面向飛行數據的狀態監控與趨勢預測
5.1 基于變柵格技術的飛機設備狀態監控方法
5.1.1 高維數據聚類方法
5.1.2 基于密度的聚類算法
5.1.3 變柵格收縮聚類算法
5.1.4 飛行設備狀態收縮聚類監控實例
5.2 基于專家系統的突變性故障診斷方法
5.2.1 專家系統理論
5.2.2 飛機設備故障診斷專家系統功能
5.2.3 系統具體實現及效果評價
5.3 基于動態主元分析的漸變性故障診斷方法
5.3.1 主元分析法
5.3.2 動態主元分析法
5.3.3 基于動態主元分析的故障診斷算法
5.3.4 故障診斷仿真驗證
5.4 基于加權最小二乘支持向量機的發動機狀態參數預測
5.4.1 支持向量機的基本理論
5.4.2 加權最小二乘支持向量機算法
5.4.3 加權最小二乘支持向量機參數預測模型
5.4.4 應用實例
5.5 基于混沌序列的發動機狀態參數預測
5.5.1 混沌及混沌序列
5.5.2 預測模型
5.5.3 模型應用
第6章 飛行數據挖掘原型系統的設計與實現
6.1 數據挖掘系統
6.2 飛行數據倉庫建模
6.2.1 飛行數據的特殊性質
6.2.2 飛行數據挖掘的目標
6.2.3 飛行數據倉庫建模
6.3 原型系統的設計與開發
6.3.1 總體設計
6.3.2 系統數據流程
6.3.3 系統工作流程
6.3.4 系統主要功能
6.4 小結
參考文獻
書摘/試閱
即時間序列的相似性問題不再是單純兩個時間序列之間的相互關系。從最初的時間序列相似性的點對點的比較，到后來的對時間序列數據進行相應的DFT和DWT變換，再有對時間序列的各種分段后的處理，或是界標模型又甚至是將幾種變換方法的結合使用，時間序列表示方法的選擇已經有了相當的主觀性。它可以是主觀選定的一種線形變換，如DFT、DWT等，甚至可以主觀地選取一些認為可以替代原序列的序列特征和關鍵點，如分段處理、關鍵特征、斜率和界標等，然后配以良好的相似性度量函數。
雖然所采用的時間序列表示算法的選取是具有一定的主觀性的，但并不是任何一種變換方法都適用于時間序列的表示。作為一種好的表示方法，應該具備以下主要特征：
（1）準確性。不管采取任何一種方法或者變換都必須盡可能減少變換過程中的信息遺漏，在能夠描述序列變化趨勢的同時盡可能準確地描述信號的局部特征。
（2）快速性。考慮到面對大型時間序列數據庫的相似性搜索問題，對表示算法的時間復雜度有著較高要求。
（3）一致性。由于時間序列表示算法的主要目的是要進行相似性比較，因此要求變換后序列和變換前原始序列在相似性度量上具有一致性，不應改變同樣時間序列之間的相互關系。
（4）降低原數列維數。造成時間序列相似性比較復雜的一個重要原因就是時間序列的高維特征。出于對計算的時間復雜度和存儲的空間復雜度兩方面的考慮，表示算法應當有良好的降維特性。
在具體選擇表示算法的時候，盡量實現算法復雜度、降維有效性、局部特征和全局特征提取等方面的統一協調。另外，考慮到表示方法的直觀性，可借鑒人們在波形模式識別中所具有的由粗到精、由全局到局部的感知能力及其特點，將時間序列數據看做一個波形，依照感知過程中的重要程度逐漸找出波形中的若干重要的點，同時考慮到分段分析在時間序列局部細節描述的長處，采用“自頂向下”的方法將整個波形逐漸分段線性化，從而建立一種基于感知的時間序列多分辨近似表示模型并實現其快速算法，將是一種可行的思路。
4.1.3時間序列相似性度量方法
相似性度量是時間序列數據挖掘的一個基本問題。兩條完全相同的時間序列幾乎不存在，因此必須采用相似性來衡量時間序列之間的相似程度。由于時間序列數據的復雜性，度量應該最大程度地支持振幅平移和伸縮、線性漂移和時間軸伸縮等形變。
今日66折
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。
優惠價：87
303
海外經銷商無庫存，到貨日平均30天至45天