本书是一本探讨如何将模式识别技术应用于航空航天领域的教材。本书系统介绍了多种模式识别方法在实际航空航天应用中的原理与实践，旨在为读者提供全面、深人的理论指导和实际案例分析。全书内容涉及基于贝叶斯决策理论的分类器、判别函数分类器、聚类分析、线性回归、神经网络等基本理论和方法，同时涵盖了航空发动机转子系统故障诊断、基于深度学习的航空器寿命预测、无人机关键部件故障诊断、航空液压柱塞菜故障诊断、控制力矩陀螺的健康状态评估及异常检测、卫星电池状态监测和寿命预测等多方面的实际案例。作者通过理论分析与实际应用的结合，使读者能够更全面地了解模式识别在航空航天中的具体应用场景和实现方法。
更多科学出版社服务，请扫码获取。
2013.03—2017.04 哈尔滨工业大学 航天学院 博士
2015.11—2016.11 加拿大阿尔伯塔大学（世界大学前100） 机械学院 联合培养
2009.09—2012.04 哈尔滨工程大学 机电工程学院 硕士
2005.09—2009.07 内蒙古工业大学 机械学院 本科2017.09—至今 西北工业大学 航空学院 教授/博士生导师国家自然科学基金青年科学基金项目基于符号动力学熵的航空发动机主轴承早期故障检测与诊断方法研究
目录
第1章 绪论 1
1.1 模式识别的重要性 1
1.1.1 模式识别的概念 1
1.1.2 模式识别的发展历史 2
1.1.3 模式识别技术的应用 3
1.2 特征、特征向量和分类器 5
1.3 有监督、无监督和半监督学习 7
1.4 模式识别算法在航空工程领域的应用 9
小结 9
习题 10
第2章 基于贝叶斯决策理论的分类器 11
2.1 贝叶斯决策理论 11
2.2 贝叶斯学习 12
2.2.1 先验分布与后验分布 13
2.2.2 极大似然估计 14
2.2.3 最大后验估计 14
2.2.4 期望最大化算法 15
2.3 贝叶斯分类器 16
2.3.1 朴素贝叶斯分类器 16
2.3.2 贝叶斯网络 17
2.4 错误率 21
2.4.1 错误率的估计 21
2.4.2错误率的分析 22
小结 23
习题 24
第3章 判别函数分类器 25
3.1 判别函数 25
3.1.1 判别函数的概念 25
3.1.2 常见的判别函数 26
3.2 线性分类器 26
3.2.1 线性判别函数的概念 26
3.2.2 线性分类器的实现 27
3.3 非线性分类器 29
3.3.1 非线性判别函数的概念 29
3.3.2 非线性分类器的实现 31
3.4 支持向量机 33
3.4.1 支持向量机的基础理论 33
3.4.2 支持向量机的实现 33
小结 34
习题 34
第4章 聚类分析 35
4.1 模式相似性测度 35
4.1.1 距离测度 36
4.1.2 相似测度 37
4.1.3 匹配测度 39
4.2 类间距离测度方法 40
4.2.1 最短距离法 40
4.2.2 最长距离法 40
4.2.3 中间距离法 40
4.2.4 重心法 40
4.2.5 平均距离法(类平均距离法) 41
4.3 聚类准则函数 41
4.3.1 误差平方和准则 41
4.3.2 加权平均平方距离和准则 42
4.3.3 类间距离和准则 42
4.3.4 离散度矩阵 42
4.4 基于距离阈值的聚类算法 43
4.4.1 最近邻规则聚类算法 44
4.4.2 最大最小距离聚类算法 44
4.5 动态聚类算法 44
4.5.1 K-均值聚类算法 45
4.5.2 ISODATA聚类算法 45
小结 48
习题 48
第5章 线性回归 49
5.1 最小二乘法 49
5.1.1 最小二乘理论 49
5.1.2 最小二乘法的数学推导 50
5.2 梯度下降法 53
5.2.1 梯度下降的定义 54
5.2.2 梯度下降法的数学原理 54
5.2.2 梯度下降法实现回归分析 55
5.3 多元线性回归 56
5.3.1 多元线性回归的定义 56
5.3.2 多元线性回归的求解 57
5.4 逻辑回归 57
5.4.1 逻辑回归的定义 57
5.4.2 逻辑回归的数学推导 57
小结 60
习题 60
第6章 神经网络 61
6.1 单层神经网络 61
6.1.1 单层神经网络的概念 62
6.1.2 单层神经网络的计算 62
6.2 多层神经网络 63
6.2.1 多层神经网络的结构 63
6.2.2 多层神经网络的前向计算 64
6.2.3 多层神经网络的误差反向传播 67
6.3 Softmax函数与熵损失函数 69
6.3.1 Soflmax函数 69
6.3.2 交叉熵损失函数 70
6.4 深度学习 74
6.4.1 卷积神经网络 75
6.4.2 循环神经网络 79
6.4.3 长短期记忆网络 81
小结 82
习题 83
第7章 航空发动机转子系统故障诊断 84
7.1 概述 84
7.1.1 航空发动机转子系统故障诊断的意义 84
7.1.2 主轴承故障诊断抛分类 84
7.1.3 转子叶片故障诊断方法分类 85
7.2 主轴承故障诊断技术与应用效果 87
7.2.1 主轴承振动信号特征 87
7.2.2 主轴承故障诊断技术 91
7.2.3 应用效果 95
7.3 转子叶片碰摩故障诊断技术与应用效果 106
7.3.1 基于交叉散度熵的转子叶片故障模式识别 106
7.3.2 基于对抗熵的转子系统跨工况故障断方法 114
小结 117
习题 117
第8章 基于深度学习的航空器寿命预测 118
8.1 背景介绍 118
8.1.1 航空器寿命预测的意义 118
8.1.2 深度学习在航空器寿命预测中的应用 119
8.2 航空发动机滚动轴剩余使用寿命预测关键技术与应用效果 120
8.2.1 航空发动机滚动轴承全寿命周期特点 120
8.2.2 滚动轴承剩余使用寿命预测关键技术 121
8.2.3应用效果 127
8.3 航空器动力系统多源寿命预测关键技术与应用效果 131
8.3.1 航空器动力系统退化特征提取方法 131
8.3.2 航空器动力系统多源寿命预测关键技术 132
8.3.3 应用效果 133
小结 135
习题 135
第9章 无人机关键部件故障诊断 136
9.1 无人机故障诊断的背景介绍 136
9.1.1 无人机故障诊断的意义 136
9.1.2 无人机故障诊断方法分类 137
9.2 无人机关键部件故障诊断技术 138
9.2.1 无人机传感器故障注人技术 138
9.2.2 无人机多传感器信息融合技术 138
9.3 应用效果 139
9.3.1 四旋翼无人机数学模型的建立 139
9.3.2 无人机试验及数据预处理 143
9.3.3 基于深度学习的无人机传感器故障诊断 149
小结 153
习题 153
第10章 航空液压柱塞泵故障诊断 154
10.1 航空液压柱塞泵的背景介绍 154
10.1.1 液压柱塞菜的介绍与功能 154
10.1.2 液压柱塞泵的常见故障及可能原因分析 156
10.1.3 航空液压柱塞泵故_断的意义 158
10.2 液压柱塞栗组试验平台 159
10.2.1 多功能泵组试验台简介 159
10.2.2 数据采集系统 160
10.3 液压柱塞栗故障试验 160
10.3.1 斜盘式恒压变量柱塞泵结构及常见故障模式 160
10.3.2 模拟故障类型及故障件的加工 161
10.3.3 测点布置 161
10.4 液压柱塞泵故障特征提取 162
10.4.1 单柱塞磨损故障特征提取 162
10.4.2 轴承外圈断裂故障特征提取 174
小结 178
习题 178
第11章 控制力矩陀螺的健康状态评估及异常检测 179
11.1 控制力矩陀螺的背景介绍 179
11.1.1 控制力矩陀螺的介绍 179
11.1.2 控制力矩陀螺的功能 180
11.1.3 控制力矩陀螺的主要故障形式 181
11.2 控制力矩陀螺的健康状态评估关键技术与应用 182
11.2.1 控制力矩陀螺的健康状态评估方法 182
11.2.2 基于控制力矩陀螺健康状态的运维策略 183
11.3 控制力矩陀螺的异常检测关键技术与应用效果 184
11.3.1 控制力矩陀螺的异常检测方法 184
11.3.2 控制力矩陀螺异常状态侧案例 190
小结 192
习题 193
第12章 卫星电池状态监测和寿命预测 194
12.1 卫星电池的背景介绍 194
12.2 在轨卫星电池运行数据的特点 195
12.2.1 中高轨道卫星电池工况 195
12.2.2 低轨道卫星电池工况 198
12.3 基于改进的容量增量分析的卫星电池健康状态评估方法 199
12.3.1 基于SD-ICA的SOH计算 200
12.3.2 基于SD-ICA的电池健康状态评估方法验证 200
12.4 基于部分变异重采样粒子滤波的寿命预测方法 207
12.4.1 基于PMR-PF的卫星电池寿命预测流程 207
12.4.2 基于PMR-PF的电池RUL预测方法验证 209
小结 215
习题 215
习题答案 216
参考文献 217
书单推荐
