基于LSTMAttention网络的短期风电功率预测

提出一种基于LSTMAttention网络的短期风电功率预测方法。首先,使用LSTM网络对数值天气预测(NWP)数据的特征信息进行提取,同时采用注意力机制有效分析了模型输入与输出的相关性,从而获取了更多重要时间的整体特征；其次,使用卷积神经网络(CNN)提取NWP数据的局部特征,并引入压缩和奖惩网络(SE)模块学习特征权重,利用特征重新标定方式提高网络表示能力；最后,将局部特征和整体特征进行特征融合,通过分类器输出分类结果。利用NOAA提供的美国加利福尼亚州某风电场的数据进行案例分析,证明了所提方法的有效性。试验结果表明,与BP神经网络、自回归积分滑动平均模型(ARIMA)模型和LSTM模型相比,LSTMAttention模型具有更高的预测精度,证明了该方法的有效性。     

三种用于加工特征识别的神经网络方法综述

加工特征自动识别技术是智能化设计与制造的关键支撑，已有的实用性算法普遍存在学习能力差、识别范围有限和识别速度慢等共性问题。神经网络方法在计算机视觉和模式识别领域获得了巨大成功，其自学习与自适应能力和高速计算等优势也已在加工特征识别中得到初步的展现。对加工特征识别中具有应用潜力的三种不同的神经网络方法进行了研究，剖析了神经网络识别加工特征中的预处理与编码和神经网络结构设计等关键性问题，分析了不同神经网络方法的异同点，总结了当前神经网络识别加工特征的发展方向，为相关领域的研究提供一定的理论指导与技术支持。     

基于视觉的大尺度部件相对位姿实时测量方法研究

相对位姿是装配过程中的一项重要监控项。针对大尺度部件对接过程中的相对位姿测量需求,提出了一种基于视觉的相对位姿实时测量方法。该方法利用单目视觉技术,通过采集合作靶标的图像,实时解算大部段间的相对位姿,用于辅助大尺度部件的装配。首先,设计了一套相对位姿实时测量系统,包括搭载单目相机的视觉测量单元,以及用于辅助位姿解算的合作靶标;其次,对相对位姿测量的完整流程进行了研究,包含系统标定方法与实时位姿解算方法;最后,在实验室环境下对位姿测量系统的精度进行测试。试验结果表明,位姿测量系统在垂直于光轴方向的重复精度可达0.02mm,沿光轴方向重复精度优于0.2mm,输出位姿结果时间低于0.3s;对多测量单元组网测量进行了仿真计算,垂直于光轴方向的重复精度优于0.1mm,沿光轴方向重复精度优于0.2mm,输出位姿结果时间优于1.3s。试验结果表明,提出的方法可满足一般大尺度部件对接过程实时位姿监控与对接状态评估的需求。     

月面特征稀疏环境下的视觉惯性SLAM方法

月球车在执行科学探测任务过程中,其自身的高精度定位是一项亟需解决的关键问题。针对在特征稀疏的月面环境下的定位问题,提出一种视觉惯性融合的SLAM方法,将视觉测量与惯性传感器的信息利用位姿图优化方法融合,实现高精度的联合定位。针对特征稀疏环境下的前端视觉数据关联误差较大的问题,提出了一种基于四元树的光流跟踪算法,能够有效地跟踪鲁棒的特征点,提升了关键帧之间相对位姿估计的准确性。并且针对月面环境特有的恒星无穷远点干扰问题,提出一种高效的恒星点剔除算法,能够有效改善无穷远点导致的定位精度下降的问题。搭建了一套模拟月面环境的计算机仿真系统,并构建了多个月面环境视觉惯性SLAM仿真数据集,在不同的模拟月面场景下进行定位性能仿真验证,仿真测试结果表明本文算法的鲁棒性更强,具有更高的定位准确度。     

非合作慢旋目标即时状态位姿确定

对失效卫星等非合作慢旋目标进行在轨服务，需要精确测量追踪航天器与目标之间的姿态信息。因此，如何在复杂的光照条件下快速、准确地对非合作慢旋目标进行即时状态位姿确定具有一定的挑战性。应用ORB-SLAM技术，首先定位关键帧，并估计姿态。然后用当前帧的特征点与地图点对应的特征点进行匹配。最后，将完成匹配的特征点通过重投影确定其在地图中的位置，如果出现跟踪丢失，则根据已有的地图点估计姿态。实验结果表明：在复杂的光照条件下，分别对以10(°)/s角速度运动和以3(°)/s角速度运动的非合作目标进行测量，当测量稳定后，平均角速度误差约为0.1(°)/s和0.02(°)/s，可以满足工程上空间非合作目标相对姿态测量的精度要求。     

面向视觉SLAM的快速均匀特征点提取方法CSCD

针对现有特征点提取方法中特征点提取结果冗余且均匀性差,导致SLAM定位精度及计算效率低的问题,提出了一种面向视觉SLAM的快速均匀特征点提取方法。在该算法的特征点提取部分,创新性地根据目标特征点提取数量对图像进行网格划分,使得特征点均匀分布在整幅图像中。同时,提出了一种兼顾全局和局部信息的均匀性评价标准,更符合视觉SLAM对特征点分布的要求。在NVIDIA Jetson TX2嵌入式平台上进行了实验验证,实验结果表明,新提出的特征点提取方法降低了特征信息冗余及特征信息缺失的概率,提升了SLAM定位精度,在计算资源有限的平台上具有实际应用价值。     

基于DNET的空中红外目标抗干扰识别算法

复杂空战背景下针对人工干扰的博弈是红外空空导弹精确探测制导技术发展面临的瓶颈和核心技术。针对人工干扰对空中红外目标产生的遮蔽、黏连、相似等干扰现象,以及目标机动和相对运动造成的形状、尺度、辐射特性剧烈变化等实际问题,提出一种基于信息特征提取的深度卷积神经网络DNET空中红外图像目标抗干扰识别算法。首先,DNET网络对大尺度特征图像采用密集连接模块,在前部通道保存每一层的网络输出,在网络末端引入特征注意力机制,获得每个特征通道的信息特征识别权重。然后,加入多尺度密集连接模块,并与多尺度特征融合检测结合,提高对大尺度变化情况下的目标特征提取能力。实验结果表明,在伴随红外诱饵干扰的实时检测条件下,红外目标由点目标变化为成像目标,直至充满视场的整个过程中,本文抗干扰识别算法的识别精确度、召回率及识别速度分别达到99.36%、96.95%、132 fps,具备识别精确度和召回率高、识别速度快等优点,并具有良好的鲁棒性。     

基于时空特征融合的舰船航迹预测方法

针对海上舰船日益增多、海情日益复杂的严峻形势,改进舰船航迹预测方法,实现对海域态势的有效管控成为亟待解决的问题。结合舰船航迹获取简单、数量较大的显著优势,提出利用舰船航迹数据驱动的基于时空特征融合的舰船航迹预测方法。首先,联合卷积神经网络(CNN)和长短时记忆网络(LSTM)构造时空特征融合网络,充分提取舰船航迹的时空特征;然后,利用海量 AIS(Automatic Identification System)数据进行网络训练;最后,利用网络输出的航速和航向对舰船航迹进行预测。仿真结果表明,提出的网络具有准确的舰船航迹预测能力,能够适应舰船机动运动场景。与传统预测方法相比,该方法能够使预测 MSE减少 0.2~1.4,预测性能大大提高。     

无人机空中加油过程中基于机器视觉的相对位姿估计(英文)

本文主要研究了在无人机空中自主加油过程中,利用安装在无人机上的摄像机得到的视觉图像确定无人机与加油机之间相对位置关系的算法。本文以经典的OI算法为基础展开研究,文章主要分为三个部分:首先简要介绍了OI算法的基本实现方法,指出了在OI算法中,旋转矩阵R的初值的选择对于位姿估计的精度有一定的影响。其次主要介绍了一种线性算法用于获取R初值的方法,同时针对空中加油过程中无人机与加油机之间的相对姿态角变化较小的特点,提出了可以将旋转矩阵R的初值设为单位矩阵。论文最后在仿真环境下对相关算法展开实验研究,同时研究了在高斯噪声环境下特征点在加油机表面的分布对位姿估计结果的影响,论文得到如下的结论:1、针对空中加油过程中无人机与加油机之间的相对姿态角变化较小的特点,在高斯噪声环境下,以单位矩阵作为旋转矩阵的初值得到的位姿估计的结果好于以线性算法为初值的结果。2、在相同的高斯噪声环境下,特征点之间的距离越大时得到的位姿估计结果的精度越高。3、特征点的数量对相对位姿估计的精度没有明显影响。     

自组织神经网络航空发动机气路故障诊断

 为克服学习样本依赖于发动机精确模型的问题,提出了一种基于自组织神经网络的发动机智能故障诊断的方法,并运用故障特征提取的数据预处理方式,成功地对航空发动机气路部件的几种典型故障做出正确诊断。为验证网络的抗噪性能,引入了自联想神经网络。研究表明,自组织网络可以脱离发动机模型,并且对测量噪声有良好的鲁棒性,能基本满足航空发动机故障诊断的要求,具有较好的工程应用前景。     

单目相机物体位姿估计方法研究

现有的机器视觉通常以边缘轮廓和角点作为特征,因此要求背景单一,对环境结构化依赖程度高。为了拓展机器人的应用范围,使其脱离结构化的环境,提出了一种基于SIFT特征点和PNP技术的单目相机估计目标物体位姿的方法。以BumbleBee双目相机为硬件基础,以C++为开发平台,结合了Eigen计算库、OpenCV图像处理库和Triclops库,开发了单目视觉位姿估计算法,实现在复杂背景下对表面纹理较为丰富的物体的位姿估计。利用试验对所提方法进行了验证,试验结果表明,该算法具有较高的估计精度,可以作为机器抓取的依据。     

Reinforcement learning based dynamic distributed routing scheme for mega LEO satellite networks

Recently, mega Low Earth Orbit (LEO) Satellite Network (LSN) systems have gained more and more attention due to low latency, broadband communications and global coverage for ground users. One of the primary challenges for LSN systems with inter-satellite links is the routing strategy calculation and maintenance, due to LSN constellation scale and dynamic network topology feature. In order to seek an efficient routing strategy, a Q-learning-based dynamic distributed Routing scheme for LSNs (QRLSN) is proposed in this paper. To achieve low end-to-end delay and low network traffic overhead load in LSNs, QRLSN adopts a multi-objective optimization method to find the optimal next hop for forwarding data packets. Experimental results demonstrate that the proposed scheme can effectively discover the initial routing strategy and provide long-term Quality of Service (QoS) optimization during the routing maintenance process. In addition, comparison results demonstrate that QRLSN is superior to the virtual-topology-based shortest path routing algorithm.     

二值卷积神经网络综述

二值卷积神经网络（BNN）占用存储空间小、计算效率高,然而由于网络前向的二值量化与反向梯度的不匹配问题,使其与同结构的全精度深度卷积神经网络（CNN）之间存在较大的性能差距,影响了其在资源受限平台上的部署。至今,研究者已提出了一系列网络设计与训练方法来降低卷积神经网络在二值化过程中的性能损失,以推动二值卷积神经网络在嵌入式便携设备发展中的应用。因此,本文对二值卷积神经网络进行综述,主要从提高网络表达能力与充分挖掘网络训练潜力两大方面,给出了当前二值卷积神经网络的发展脉络与研究现状。具体而言,提高网络表达能力分为二值化量化方法设计、结构设计两方面,充分挖掘网络训练潜力分为损失函数设计与训练策略两方面。最后,对二值卷积神经网络在不同任务与硬件平台的实验情况进行了总结和技术分析,并展望了未来研究中可能面临的挑战。     

航路网络生成及优化

空中交通流运行的安全性和成本取决于航路网络结构。基于节点度实现航路网络枢纽节点和干线节点分层,利用全局耦合生成主干网络,运用距离连接概率实现干线节点社区化,采用连接概率生成社区网络;采用DBSCAN聚类算法,基于角度和距离实现航路网络优化;以中国大陆空域为例,实现了主干航路网络和局部干线航路网络的生成及优化,验证了方法的可行性。在与相关研究对比,基于节点度的枢纽节点选取更加客观合理,所构建的分层航路网络结构符合机场点的分布特性,采用DBSCAN聚类算法优化效率明显提高。     

基于深度学习的无人机航拍目标检测研究综述

目标检测是提高无人机（UAV）感知能力的关键技术之一,其研究对于无人机的应用有着重要意义。与基于手工特征的传统方法相比,基于卷积神经网络的深度学习方法具有强大的特征学习和表达能力,成为目前目标检测任务的主流算法。近年来,目标检测技术已经在自然场景图像上取得了一系列突破性进展,在无人机领域的研究也逐渐成为热点。首先系统阐述了基于深度学习的目标检测算法的研究进展,并总结了相关算法的优缺点。对常见的航空影像数据集进行了梳理并介绍了迁移学习的方法;从无人机影像背景复杂、目标较小、视场大、目标具有旋转性的特点出发,对无人机目标检测在近期的研究进行了归纳和分析。最后讨论了存在的问题和未来可能的发展方向。     

A strategic flight conflict avoidance approach based on a memetic algorithm

Conflict avoidance （CA） plays a crucial role in guaranteeing the airspace safety. The cur- rent approaches, mostly focusing on a short-term situation which eliminates conflicts via local adjust- ment, cannot provide a global solution. Recently, long-term conflict avoidance approaches, which are proposed to provide solutions via strategically planning traffic flow from a global view, have attracted more attentions. With consideration of the situation in China, there are thousands of flights per day and the air route network is large and complex, which makes the long-term problem to be a large-scale combinatorial optimization problem with complex constraints. To minimize the risk of premature convergence being faced by current approaches and obtain higher quality solutions, in this work, we present an effective strategic framework based on a memetic algorithm （MA）, which can markedly improve search capability via a combination of population-based global search and local improve- ments made by individuals. In addition, a specially designed local search operator and an adaptive local search frequency strategy are proposed to improve the solution quality. Furthermore, a fast genetic algorithm （GA） is presented as the global optimization method. Empirical studies using real traffic data of the Chinese air route network and daily flight plans show that our approach outper- formed the existing approaches including the GA .based approach and the cooperative coevolution based approach as well as some well-known memetic algorithm based approaches.     

机器人辅助飞机装配制孔中位姿精度补偿技术

在飞机自动化装配中,机器人制孔技术由于其高度柔性和相对低成本而倍受关注.然而,机器人本身的动、静态误差及制孔过程大量坐标系标定和坐标转换会引起难以补偿的残留误差,为提高机器人制孔的位置和姿态精度,构建一种基于激光跟踪仪闭环反馈的机器人辅助飞机装配制孔系统.本文首先论述应用激光跟踪仪建立系统中关键坐标系的方法,并分析了机...     

自组织模糊CMAC神经网络及其非线性系统辨识

 针对CMAC的特点,提出了联想度的概念,并由此设计了一种自组织模糊 CMAC神经网络( SOFC-MAC)及其学习算法,证明了SOFCMAC能以任意精度对非线性特性一致逼近。该网络具有学习速度快,逼近精度高及局部泛化能力等特点。歼击机系统特征模型辨识仿真验证表明了该方法的有效性。     

基于神经网络的旋转肋化强弯曲U型通道内压力分布特性预测

依据部分实验数据．利用神经网络对旋转肋化强弯曲U型通道的压力分布特性进行了预测。计算结果表明，当积累了一定的实验测量数据后，经过训练的人工神经网络能够对更高转动数下的通道内压力分布特性进行预测。但是由于U型通道内压力分布的强烈非线性特性，当实验数据较少时，这种预测能力将显著下降，甚至完全丧失。因此，积累相应的实验数据对于基于神经网络的U型通道内压力分布特性的预测是必要的。     

低照度小样本限制下的失效卫星相对位姿估计与优化

低照度图像信息受损严重,会导致失效卫星的位姿估计精度和鲁棒性降低。基于此,提出了无监督生成式对抗网络低照度图像增强模型。生成器以U-Net网络为基础,并设计密集残差连接结构。判别器设计为全局-局部的双辨别器结构,由传统的单一标量扩展为多标量判别。在小样本的条件下,基于进化训练与并行训练方式改进基于SinGAN的数据增广方法。最后,在基于ORB-SLAM位姿初始化的基础上,建立特征信息的局部地图,克服位姿估计对参考帧的依赖;通过关键帧ROI的稠密匹配,建立关于平面法向量和单目相机安装高度的非线性优化模型求解尺度因子;通过闭环检测后的相似性变换,构建关键帧集合的联合位姿图优化方程,实现对位姿矩阵的全局校正。实验结果表明：测量稳定后,低照度图像的姿态角误差最大值为4°,而图像增强后的姿态角误差最大为0.5°;对于以角速度20°/s运动的失效卫星旋转5周,相对静止下的跟踪测量为5周,1 m水平方向机动下的跟踪测量为4.5周。可以满足失效卫星相对姿态测量的任务需求。