运载火箭推力下降故障下的在线弹道重构方法

针对运载火箭推力下降故障下难以实现在线弹道重构的问题,提出了一种基于神经网络的剩余运载能力估计及程序角重构的算法。以线下基于工程实践的弹道优化方法生成的故障状态下最优弹道作为学习样本,针对程序角曲线的特点,分别使用不同学习方式学习一级飞行段程序角和其他飞行段程序角;分析不同超参数对神经网络训练过程的影响,利用随机搜索法选取超参数。该算法使用以神经网络为核心的机器学习思想,用基于数据的方式避免了因运载火箭动力学模型复杂而无法在线快速求解最优弹道的问题,能够解决大气环境下弹道重构的难题。仿真结果表明,该算法对剩余运载能力估计准确,重构程序角与最优弹道相比误差小,运算速度相比其他方法优势明显。     

判别性正则化:一种新颖的分类器学习方法(英文)

提出了一种新颖的正则化方法-判别性正则化(Discriminative regularization,DR),为分类提供了一种通用的结合样本先验信息的方式.通过将先验信息引入到正则化项中,DR不但使分类器实际输出与期望输出之间的经验损失达到最小, 而且能在输出空间中同时最大化类间散性与最小化类内紧性.此外,通过将等式约束嵌入到目标函数中,DR的求解还可转化为解线性方程组问题,从而得到全局解析解.分类实验验证了DR的优越性.     

基于PHP和MYSQL企业在线学习考试系统的研究与实现

利用PHP和MYSQL技术开发设计在线学习考试系统,阐述系统的逻辑结构、开发环境、模块功能实现等,该系统能实现企业员工在线学习考试规范、准确、简捷、高效。     

基于LOFC时间窗分割算法的航迹聚类研究

针对传统聚类算法在聚类过程中缺乏时间信息而仅考虑三维坐标点的聚类,同时未考虑航空器运行速度和航向变化对聚类结果的影响,以及由于二次雷达机载设备、地面设备和信号遮挡等原因造成的实测数据源中存在离群点异常数据,离群点很难被有效识别出来从而使得非正常航迹点的影响放大,得不到理想的聚类效果等问题。本文提出LOFC算法,引入时间窗分割概念,将航空器进场平均速度值和航向变化值作为确定聚类簇大小的影响因子对进场航空器航迹点数量进行分割,引入离群点检测以及离群点剔除率等概念对离群点进行识别和剔除。对进场二次雷达数据仿真分析,从仿真结果中可以看出,新算法能有效地对离群点进行识别和剔除,当影响因子α取值为0.7时,航迹的曲率最小,得到的中心航迹的平滑程度最佳,验证了新算法对于聚类和离群点识别与剔除具有可行性和优越性。     

黑体辐射反问题的正则化Lanczos方法

黑体辐射反问题就是利用测量的黑体辐射能量谱确定黑体的区域温度分布.本文将该问题离散化为欠定线性不适定问题,提出求解欠定线性不适定问题的正则化Lanczos方法.该方法基于Lanczos双对角化过程,用一系列小型线性方程组逼近原不适定问题,应用截断SVD正则化方法使迭代稳定化,并用L-曲线确定相应的正则化参数.数值结果说明了新方法的有效性,并说明了在观测数据出现误差的情况下新方法也能有效地重构区域温度分布.     

基于RFG-SVM算法的在线课程学习行为分析

因支持向量机算法对在线课程平台的学习行为分析有误差,提出了一种基于大数据的随机森林模型的特征加权支持向量机RFG-SVM算法,该算法是在传统支持向量机算法上做完善、修改.利用Gini指数对特征变量计算,再计算RF模型分类识别的准确度,获得特征设定权重值,完成权重值在支持向量机的核函数中的计算.实验结果表明,通过对不同学...     

一种基于离群数据检测和线性回归的压装质量智能预警方法（英文）

针对高精度伺服机构压装质量控制难度大的问题,提出了一种基于离群数据检测和线性回归的智能质量预警方法。采用线性回归分析装配质量与压装过程之间的关系,建立了压装的"位移-力"数学模型,并定义了合格的压装力范围对装配质量进行控制。为了对压装过程中的"位移-力"原始数据集进行预处理,本文设计了一种改进的基于区域密度和P权值的局部离群因子(Local outlier factor based on area density and P weight,LAOPW)检测算法,以剔除导致线性回归数学模型不准确的离群值。该算法引入了基于信息熵的加权距离进行距离度量,并用P权值代替可达距离。实验结果表明,该算法在检测效率上比传统的局部离群因子(Local outlier factor,LOF)算法提高了5.6 ms,而检测准确率比基于区域密度的局部离群因子(Local outlier factor based on area density,LAOF)算法改善了2%左右。将本文提出的LAOPW算法和线性回归模型应用于高精度伺服机构压装质量控制,能够有效进行压装质量智能预警。     

基于改进Faster-RCNN的机场场面小目标物体检测算法

针对目前应用于机场视频监控中的卷积神经网络方法存在小目标物体识别准确率较低的问题,本文提出了一种基于Faster-RCNN并结合多尺度特征融合与在线难例挖掘的机场场面小目标检测算法。该算法采用ResNet-101作为特征提取网络,并在该网络基础上建立了一个带有上采样的"自顶向下"的特征融合模块,以生成语义信息更加丰富的高分辨率特征图。并在网络训练过程中,采用在线难例挖掘的训练策略使模型更加鲁棒地对小目标样本进行定位。最后,手工构建了一个包含5 982张图片的机场数据集,用于检测模型的训练和测试。结果表明,本文所提出算法显著提升了机场场面小目标物体检测的准确率,且使整体平均检测准确率达到了80.8%,该结果高于其他先进的目标检测模型。     

基于在线仿真的无人机飞控系统智能校正技术

针对程控无人机智能化程度不高的问题,提出了基于在线仿真系统的飞控系统智能校正方法,采用在线状态监控及分析、仿真模型实时更新等技术,设计了无人机在线仿真系统,实现了无人机航迹纠偏、速度调整等在线辅助控制,进一步提高了无人机飞控智能化程度。并通过无人机数学模型仿真系统与飞控系统硬件在回路的仿真测试系统,进行实验验证,实现智能校正技术与人在回路控制方法的有效结合。     

采用主流FPGA的数字电路在线生长进化方法

采用主流FPGA器件构建了在线进化平台,提出了一种适合较大规模数字电路在线进化的生长进化方法。该方法模拟植物生长机理进化以解决进化速度缓慢问题,采用增长验证评估方法取代传统的穷举式验证评估方法来解决在线验证评估难题;应用免疫遗传算法克服遗传算法的早熟收敛问题;采用多参数级联十进制整数编码方法缩短染色体长度;采用生长进化方法成功地进化出了16位加法器和8位乘法器。对比实验结果表明,采用生长进化方法无论是进化出的电路规模,还是进化速度均优于传统的直接进化方法。     

基于非欧式距离的可能性C-均值聚类

改进型可能性C-均值聚类(Improved possib ilistic C-means,IPCM)是在综合了模糊C-均值聚类(Fuzzy C-means,FCM)和可能性C-均值聚类(Possib ilistic C-means,PCM)的基础上得到的。在IPCM的基础上,利用鲁棒统计观点和影响函数,引入一种新的距离度量以代替IPCM的目标函数中的欧式距离度量,提出了一种新的可能性C-均值聚类模型(A lternative improved possib ilistic C-means,A IPCM),并给出了该模型的具体实现算法。A IPCM具有良好的鲁棒性,更适合对含有噪声或野值的数据进行划分聚类。仿真实验表明,A IPCM能克服噪声敏感性问题,获得合适的聚类中心和高的聚类准确率。     

对抗黑盒攻击的混合对抗性训练防御策略研究

随着深度学习模型在无人驾驶等安全敏感性任务中的广泛应用,围绕深度模型展开的攻防逐渐成为机器学习研究的热点。黑盒攻击是一种典型的攻击场景,在攻击者不知道模型具体使用结构和参数等情况下仍能进行有效攻击,是现实场景中最常用的攻击方法。因此,分析深度学习模型的脆弱性并设计出更加鲁棒的模型来对抗黑盒攻击成为迫切需要。而传统基于单模型的单强度和多强度对抗性训练方法,在抵御黑盒攻击时性能十分有限;基于多模型的集成对抗性训练方法在抵御高强度、多样化攻击样本效果也不理想。本文提出一种基于贪婪强度搜索的混合对抗性训练方法,实验结果表明,所提出的混合对抗性训练能够有效抵御多样化的黑盒攻击,性能优于传统的集成对抗性训练。     

在线点到点数据传输优化选择模型及其算法设计

最优点到点数据传输线路不仅依赖于其固有的传输时间,还依赖于数据总量,因为数据规模决定了加工次数和传输次数.本文首先建立了在线点到点数据传输网络选择的优化模型,给出了有向路代表集的概念,然后给出了一个时间复杂性为O（m^2logn）的算法产生有向路代表集.最后对静态和动态点到点数据传输有向路问题进行了研究,并给出了一个时间复杂性为O（m^2logn）的多项式时间的算法.     

基于深度混合模型评分推荐

从用户-项目评分矩阵中学习用户对项目的个性化偏好,对于评分推荐来说至关重要。许多推荐方法如潜在因子模型,无法充分利用评分矩阵中的交互信息学到较好的个性化偏好而得到较差推荐效果。受深度学习中Wide and Deep模型应用于APP推荐启发,本文提出一种深度混合模型并命名为DeepHM用于评分推荐。与Wide and Deep模型相比,使用DeepWide和DNN部分重构Wide模型和Deep模型得到DeepHM,并且DeepWide和DNN部分共享交互信息输入。因此,DeepHM可以更有效地使用评分矩阵中的用户和项目的交互信息学到个性化偏好信息。DeepHM将评分推荐作为分类问题旨在提高推荐准确性。实验表明在公开的Movielens数据集上DeepHM算法相比现有的基于评分推荐模型具有更好的效果。     

学伴用随原则视野下公共英语教材网络化意义研究

外语学习的学伴用随对外语学习以及教学具有非常重要的指导意义。将学伴用随原则贯彻于公共英语教材的网络化,实现英语网络自主学习平台功用的合理化,有利于弥补英语习得过程中的语境缺失,激发学生的交际需要,最大化语言接触量,实现真正意义上的灵活互动的英语网络学习环境。     

神经网络集成的分布式入侵检测方法

分布式入侵检测系统需具有分布式检测功能及部件增量更新能力.文中提出了一种基于神经网络集成的分布式入侵检测方法,采用单个Agent检测与多个Agent协同检测的两级集成算法实现分布式入侵检测;在发现新的入侵时,Agent上的神经网络集成采用基于资源分配网的增量学习算法进行更新.实验结果表明,该算法能有效检测各种攻击,并且具有对未知攻击的增量学习能力.     

基于Web和层次实例推理的CAPP的研究

针对网络时代制造业企业对CAPP系统的现实要求,研究了以互联网为基础,以开放、通用、智能为特征的CAPP模型.模型采用数据库、Web服务器和客户端三层结构,实现了CAPP的在线服务.本文提出了一种称为基于层次实例推理的工艺生成方法,该方法将工艺计划分为工艺过程、工序和工步三个层次,并对这三个层次分别进行基于实例的分层推理,使工艺生成规则描述的随意性为基于粒度描述的规范性,降低了工艺规程组合和重用的粒度.由于采用基于层次的实例推理方法,使工艺生成既具派生又具创成的特征,提高了工艺生成的通用性和实用性.     

指数分布基于多重定数截尾样本中异常数据的检验

讨论多重定数截尾指数型寿命数据,对同时存在异常大数据和异常小数据的情形给出了检验方法,得到了检验异常数据的判别标准,最后以一实例说明其应用.     

一种基于遗传算法的机器人补偿学习控制方法

机器人建模的不精确性以及一些扰动的存在给机器人控制增加了相当大的难度。针时这一问题，本文以PUMA560机器人为被控对象，给出了一种PUMA560机器人动力学模型的简化形式，采用PD控制的计算力矩法，得到了机器人的闭环动态误差方程，在此基础上设计了机器人的控制器结构，提出了一种新的基于遗传算法(Genetic algorithm，GA)的机器人补偿学习控制方法。将GA与计算力矩法相结合，利用进化学习来消除机器人中不确定因素的影响，实现时机器人轨迹跟踪的良好控制。最后给出了这种控制的仿真结果，验证了该方法的有效性。