基于数据驱动的移动目标卫星任务规划

卫星任务规划是卫星地球观测的重要前提。传统的卫星任务规划主要针对固定地面目标，不能满足日益复杂的任务需求。针对移动目标的卫星观测任务，提出了一种基于数据驱动的移动目标卫星任务规划方法。该方法在大量的移动目标数据的基础上，通过改进的长短期记忆神经网络算法预测了目标的未来轨迹和位置信息，并通过约束满足型遗传算法规划了基于预测算法结果的移动目标卫星观测任务。鉴于移动目标观测中约束和任务冲突的复杂性，约束满足型遗传算法以条件形式将约束嵌入到遗传算法中，并在算法中特别设计了冲突消除算子以解决任务冲突问题。仿真结果证明了该方法在解决移动目标卫星任务规划问题上具有优良的效率，并获得了很高的观测精度。     

基于遗传算法的设备布置优化算法

对设备布置问题,建立了多目标优化数学模型.为弥补当前的现场布置遗传算法在变异阶段的不足,将最优个体变异与随机变异相结合,设计了组合变异策略:首先变异最优个体,如果变异出更优的个体,则用新个体替换当前种群的最差个体;如果最优个体变异不成功,则随机选择一个个体执行随机变异.据此,提出了一种改进的遗传算法用于求解设备布置问题.仿真实验证明了组合变异策略能够在明显较短的时间内,取得与随机变异相当的最优布置结果.对比分析进一步验证了该算法的有效性.     

基于PCC-LSTM模型的短期负荷预测方法

短期负荷预测是电网合理调度和平稳运行的基础。为提高短期负荷预测精度,提出了一种基于Pearson相关系数(PCC)和长短期记忆(LSTM)神经网络的短期负荷预测方法。该方法运用Pearson相关性分析对原始多维输入变量组成的时间序列进行相关性分析,选取与电力负荷数据相关性较大的影响因素作为输入量,实现原始数据的降维和选优;再通过LSTM神经网络结合Adam优化算法,对与电力负荷相关性较大的影响因素和负荷实际输出序列之间的非线性关系建立网络模型。以嘉捷BOX和重庆丽苑维景国际大酒店的负荷数据作为实际算例,并与Prophet、LSTNet、门控循环(GRU)神经网络模型方法进行对比。结果表明:所提PCC-LSTM模型预测精度均在91%以上,最高可达95.44%,有效提高了负荷预测的精度。      

基于神经网络的电磁干扰的预测

提出了一种应用神经网络预测电磁干扰的方法.针对遗传算法总体搜索能力较强但容易陷入局部最优,而模拟退火算法具有较强的局部搜索能力,又能避免搜索陷入局部最优解的特点,将模拟退火算法与遗传算法相结合,优化多层前馈(BP, Back Propagation)神经网络,获取最优的权值和阈值,并采用模拟退火的思想确定隐含层神经元的个数,进而建立基于神经网络的电磁干扰预测模型.以双平行导线间的电磁干扰问题为实例,明确干扰要素,建立训练样本和测试样本,对比期望输出和预测输出之间的误差,结果表明该方法可以准确有效地进行电磁干扰预测.     

基于神经网络的电磁干扰的预测

提出了一种应用神经网络预测电磁干扰的方法.针对遗传算法总体搜索能力较强但容易陷入局部最优,而模拟退火算法具有较强的局部搜索能力,又能避免搜索陷入局部最优解的特点,将模拟退火算法与遗传算法相结合,优化多层前馈(BP,Back Propagation)神经网络,获取最优的权值和阈值,并采用模拟退火的思想确定隐含层神经元的个数,进而建立基于神经网络的电磁干扰预测模型.以双平行导线间的电磁干扰问题为实例,明确干扰要素,建立训练样本和测试样本,对比期望输出和预测输出之间的误差,结果表明该方法可以准确有效地进行电磁干扰预测.     

基于云模型的自适应并行模拟退火遗传算法

针对遗传算法收敛速度慢,容易"早熟"等缺点,提出了一种改进的遗传算法,即基于云模型的自适应并行模拟退火遗传算法(PCASAGA,Adaptive Parallel Simulated Annealing Genetic Algorithms Based On Cloud Models).PCASAGA使用云模型实现交叉概率和变异概率的自适应调节;结合模拟退火避免遗传算法陷入局部最优;使用多种群优化机制实现算法的并行操作;使用英特尔推出的线程构造模块(TBB,Threading Building Blocks)并行技术,实现算法在多核计算机上的并行执行.理论分析和仿真结果表明:该算法比其他原有的或改进的遗传算法具有更快的收敛速度和更好的寻优结果,并且充分利用了当前计算机的多核资源.      

新型进化神经网络模型

目前的进化神经网络模型大多采用遗传算法进行网络进化设计.而研究表明,这种进化神经网络存在遗传编码、遗传操作及网络结构限制等很多问题;而采用进化规划是一种很好的途径.鉴于此,为了克服传统进化规划算法的不足,结合作者提出的快速免疫进化规划提出了一种网络连接权值及其拓扑结构同时进化优化的新型进化神经网络模型.最后,通过典型的异或分类问题(XOR)比较了该模型同BP神经网络及传统进化神经网络的计算性能,发现它不但计算精度好,而且计算效率高.      

基于动态指标的飞机方案多目标优化方法

为提高飞机方案多目标优化过程中最优解的搜索效率,对多目标方案的比较评价方法及其在优化中的应用进行了研究.提出了可用于多目标方案对比评价的基准指标,并建立了利用新生成方案的目标值对基准指标进行动态更新的动态指标.通过采用动态指标构造适应度函数改进了多目标遗传算法,进行的双目标优化算例表明,改进的算法能够获得更优的Pareto前沿.采用改进的多目标优化方法对一种轻型战斗机概念方案进行了优化设计,设置了重量、气动、隐身等4个优化目标,优化结果验证了基于动态指标改进的多目标遗传算法在飞机概念方案设计优化中的有效性.      

基于遗传算法的多模型Kalman滤波算法 及应用研究

基于长航时无人机惯性/天文/卫星(INS/CNS/GPS)组合导航系统模型,针对复杂环境所引起的系统模型参数变化导致单一固定参数滤波器精度降低问题,提出了一种基于遗传算法的多模型自适应Kalman滤波算法,并与单一模型下的Kalman滤波器方法进行了比较.仿真结果表明,与采用单一模型的Kalman滤波算法相比,该方法不仅能大大提高导航系统的精度和可靠性,而且还可以较好地辨识出组合导航系统惯性器件噪声统计模型参数.      

基于GA-BP贝叶斯算法的可靠性分析近似模型

研究了GA-BP(Genetic Algorithm-Backpropagation)贝叶斯算法在可靠性仿真中的应用.GA-BP贝叶斯算法是一种新型前馈神经网络训练算法,它建立在遗传算法(GA)、L-M(Levenberg-Marquardt) BP算法以及贝叶斯方法这三者的基础上.由于该算法的训练目标是获取对应于后验分布最大值的权值向量,并且在搜索过程中融入了遗传算法,因此能够使前馈神经网络具有更佳、更稳定的泛化性能.在可靠性仿真中,采用GA-BP贝叶斯算法来构造前馈神经网络近似模型,再用它来替代复杂费时的数值仿真程序进行Monte Carlo模拟,就能够在计算成本得到有效控制的同时获取随机输出变量的概率分布情况.     

带空间结构的人工神经网络建模方法

将遍历搜索法引入带空间结构的人工神经网络模型，提出一种新的模型估计和空间数据样本外预测方法。该方法基于人工神经网络，结合空间自回归模型思想，在网络模型中引入空间滞后项来考虑变量的空间效应，提出使用遍历搜寻最优解的方式替代传统极大似然法进行空间自回归系数估计和建模。结合样本外数据和空间结构，扩展空间权重矩阵并代入所提模型进行样本外预测，充分发挥了人工神经网络模型泛化能力强的特点。仿真分析指出:在合理考虑空间效应的情况下，所提模型的预测效果较普通人工神经网络有显著提升；而且当空间变量间存在非线性关系时，所提模型的预测精度同样优于空间自回归模型。      

基于空域划分的超视距空战态势威胁评估

编队超视距空战(BVR,Beyond Visual Range)已成为现代空战的主要模式.在空战优势区域与劣势区域判断的基础上对整个空域进行划分,并给出4种特定空域态势.从空中态势和编队作战能力两方面对空战态势进行分析.使用主成分分析法选取输入变量分析编队作战能力,降低评估过程中收集数据的复杂度.应用遗传神经网络对影响BVR各因素进行效能评估,将遗传算法(GA,Genetic Algorithms)与多层前馈(BP,Back Propagation)网络结合,利用GA的全局搜索优化BP网络的结构参数,有效克服BP算法的局部收敛等问题.结果表明:该模型能在综合分析空战各指标后给出红蓝双发的态势评估指标,该模型可有效减少评估中的人为因素,使评估结果更为客观可信.     

BP-AdaBoost模型在光纤陀螺零偏温度补偿中的应用

针对光纤陀螺零偏漂移随温度呈复杂的非线性变化,建立了BP-AdaBoost（Back Propagation neural network,Adaptive Boosting）模型对零偏进行补偿,改善了光纤陀螺的零偏稳定性能.同时,研究了模型参数对预测精度的影响,给出了BP神经网络隐含层神经元个数的选择以及AdaBoost模型迭代次数的确定方法.运用AdaBoost算法提升单个BP神经网络的预测能力,提高了集成模型整体的预测精度.对采集的光纤陀螺输出实测数据进行了事后仿真,结果表明,BP-AdaBoost模型相比传统的线性回归模型、混合线性回归模型、单个BP神经网络模型的补偿效果更显著,验证了该模型的有效性,具有重大的工程应用参考价值.      

基于模糊神经网络的软件可靠性早期预计方法

在基于模糊神经网络的基础上,提出了一种新的软件可靠性早期预计方法.通过分析软件缺陷产生的原因,给出了导致软件缺陷产生的因素.同时,深入讨论了软件可靠性早期预计的建模方法.在此基础上,利用模糊神经网络建立了软件可靠性早期预计的模型,并且给出了具体的步骤.      

基于PSO-BP神经网络的平流层风场短期快速预测

平流层风场环境对临近空间低速飞行器驻空飞行性能有重要影响。研究了基于PSO-BP神经网络的平流层区域风场建模与快速预测方法,根据历史风场数据,采用主成分分析法对数据进行降维处理,通过BP神经网络对风场进行预测建模,利用粒子群优化（PSO）算法对其进行优化,采用Biharmonic样条曲面插值方法构建区域预测风场。以南海地区5年历史风场为对象,对比分析了基于BP神经网络和基于PSO-BP神经网络的风场预测模型,结果表明:使用具有全局寻优特性的PSO算法改进BP神经网络,能够有效避免传统BP神经网络易陷入局部最优的缺点,提高预测精度;通过结合PSO-BP神经网络预测与Biharmonic样条曲面插值,可实现区域风场的预测。研究结果可为临近空间低速飞行器的轨迹规划与区域驻留等任务的高精度区域快速预报风场提供解决途径。      

基于BP神经网络的纳卫星轨道温度预测

为了实现纳卫星在轨温度的预测,在对纳卫星热系统动态特性模型分析的基础上,建立BP神经网络预测模型实现纳卫星在轨温度的预测.通过分析纳卫星热系统动态特性模型,得到用于BP神经网络预测模型的输入、输出变量以及训练神经网络所需的数据样本.BP神经网络预测模型分别以纳卫星外壳、辐射器、舱内仪器的热流及温度值为神经网络输入、输出,预测纳卫星10s后的轨道温度.经验证,神经网络预测模型预测结果与纳卫星实际轨道温度吻合较好,表明神经网络预测模型是快捷有效的.      

Prediction of landslides using ASTER imagery and data mining models

The aim of this study was to identify landslide-related factors using only remotely sensed data and to present landslide susceptibility maps using a geographic information system, data-mining models, an artificial neural network (ANN), and an adaptive neuro-fuzzy interface system (ANFIS). Landslide-related factors were identified in Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) satellite imagery. The slope, aspect, and curvature of topographic features were calculated from a digital elevation model that was made using the ASTER imagery. Lineaments, land-cover, and normalized difference vegetative index layers were also extracted from the imagery. Landslide-susceptible areas were analyzed and mapped based on occurrence factors using the ANN and ANFIS. The generalized bell-shaped built-in membership function of the ANFIS was applied to landslide susceptibility mapping. Analytical results were validated using landslide test location data. In the validation results, the ANN model showed 80.42% prediction accuracy and the ANFIS model showed 86.55% prediction accuracy. These results suggest that the ANFIS model has a better performance than does the ANN in predicting landslide susceptibility.     

基于深度学习的航天器组合体惯性参数在轨智能辨识

针对在轨服务过程形成新组合体的动力学参数未知的问题,借助深度学习在多参数寻优上的优势,提出了一种基于卷积神经网络的智能参数辨识算法,实现在外力作用下,线动量和角动量不守恒条件下的航天器组合体多参数辨识。利用卷积神经网络权值共享的特点,设计4层卷积神经网络,通过短时间内对大量特定存储形式的状态数据的训练,实现航天器组合体多参数快速高精度辨识。利用数学仿真试验对算法的可行性进行验证,结果表明：在24s内,质量与质心位置收敛;1190s内,惯量参数收敛,辨识精度在3%以内。说明所提方法在外界随机干扰力和力矩影响下能准确快速辨识出航天器组合体质量、质心位置和惯量矩阵。     

大气阻力参数修正对低轨空间目标轨道预报精度的改进

对于低轨空间目标, 大气阻力是影响轨道预报精度的主要摄动力. 本文提出了一种 基于空间环境数据和神经网络模型的空间目标大气阻力参数修正方法, 基于目 标的历史两行元根数, 通过模拟得到外推一天轨道预报中预报结果与观测数据 符合最好的阻力调制系数, 分析表明其与太阳F_10.7指数和地磁Ap指数具有很好的相关性. 根据已有数据, 构建神经网络模型, 实现对阻力调制系数 的补偿计算, 从而改进低轨目标外推一天的轨道预报. 结果表明, 神经网络模 型相比两行元根数能够更及时地对空间环境变化进行响应. 将该方案应用于天 宫一号和国际空间站的外推一天轨道预报, 验证了方案的正确性和普适性, 对 地磁扰动引起的较大预报误差改进效果更好, 误差能够降低50%~60%; 平均而言, 预报精度可以提高约30%, 改进成功率达到80%左右.      

大速度桨毂振动载荷预计的影响因素

依据直升机大速度前飞状态的气动环境和桨叶运动,分析了非定常气动力模型、动态失速模型、诱导速度分布、桨叶弹性变形、桨毂力合成以及数值计算方法对旋翼振动载荷预计的影响.将Leishman和Beddoes气动模型、动态入流理论和桨叶挥舞运动综合计入载荷模型中,采用状态空间法对方程进行离散化处理,编制了相应的计算程序.计算结果表明采用不同的分析模型对旋翼振动载荷预计有较大影响,翼型失速是主要影响因素.