一种基于P2P网络的语义Web服务发现机制

针对如何高效而又准确地发现分布于各地Web服务的问题,基于P2P网络和语义描述提出一种新型服务发现机制,将服务按照语义动态地注册于由委托(broker)管理的不同节点簇,并将语义相似的节点簇组成虚拟语义网,提高了查询效率;采用反馈机制主动监测拓扑节点,和利用节点簇之间的分裂与聚合机制来保证该模型的有效性和性能.最后通过对原型系统的实现证明了该机制的合理性与有效性.      

仿生爬壁蠕虫运动步态控制算法

设计了一种基于仿生原理的爬壁蠕虫机器人,分析了这种机器人的结构,并利用仿生学原理设计了基于三角波和梯形波特点的两种运动步态.在分析现有神经中枢控制CPG(Central Pattern Generator)算法基础上,应用循环抑制CPG模型和相互抑制CPG模型,构建了爬壁蠕虫机器人的三角波步态CPG控制网络和梯形波步态CPG控制网络,并结合吸盘状态,加入反馈信号,实现了带有反馈的CPG控制算法.利用爬壁蠕虫机器人模型,仿真验证了这种控制算法对蠕动运动步态控制的有效性,通过在爬壁蠕虫机器人原理样机上的步态实验,证明了该算法的可行性.     

基于模型诊断技术的神经网络实现方法

针对基于模型的故障诊断流程中故障检测和故障识别两个关键问题,提出了一种基于神经网络的实现方法.首先利用BP神经网络进行参数估计,并结合系统模型进行故障检测;然后采用ART2神经网络进行数据聚类,并基于聚类结果进行系统故障识别;最后,设计实现了基于BP/ART2神经网络的故障诊断系统.基于BP神经网络的参数估计方法可以准确地估计诊断对象在不同状态下的参数,为故障检测提供有效依据;基于ART2神经网络的数据聚类不仅可以识别对象的已知故障类型,还可以识别出未知故障,对先验信息较少的系统进行故障识别更具有效性.通过永磁直流电机故障诊断案例的应用,证明方法能具有一定的工程实用性.     

爬壁蠕虫机器人构型初探

根据松毛虫和尺蠖蠕动前行的特点以及仿生学原理,基于模块化思路分别提出了松毛虫和尺蠖爬壁机器人运动学构型.针对两种模型,讨论比较了它们的安全性和可用步态.通过分析松毛虫的蠕动步态和尺蠖步态,发现基于全主动关节驱动的松毛虫模型中存在冗余驱动问题.但由于松毛虫模型具有更多的可用步态,因此比尺蠖模型具有更高的安全性.这两种模型的样机由若干吸附模块和关节模块构成,以验证两种蠕虫机器人的爬壁能力.试验表明由于松毛虫机器人运动时存在冗余驱动,导致吸盘出现侧滑力,同时验证了尺蠖机器人在竖直壁面上的爬壁能力.为了进一步改进尺蠖机器人的吸附能力,采用了一种非对称的运动步态.     

基于半无码的P(Y)码自相关GNSS-R海面测高方法

针对传统GPS C/A码延迟测高方法测高精度低和互相关测高方法时延波形信噪比低的问题,研究了基于半无码的P（Y）码自相关海面测高方法。首先,通过理论测高精度模型,对比分析了C/A码和P（Y）码的测高精度;然后,描述了L1、L2双频反射信号基于半无码的P（Y）码自相关处理架构,并论述了测高模型和L1、L2双频电离层时延误差修正方法;最后,利用模拟的L1、L2反射信号对比分析了基于半无码的P（Y）码自相关、C/A码自相关以及信号互相关方法的海面测高精度。结果表明:相比于C/A码自相关和信号互相关测高精度,基于半无码的P（Y）码自相关的测高精度分别提高了3.97倍和1.47倍。      

航天器C语言软件常见编程错误分析及检测方法研究

基于软件第三方评测发现的问题,梳理并详细分析了在航天器C语言软件中6种常见编程错误.针对其中的软件安全漏洞提出了使用代码分析技术的检测方法,针对编程语言使用错误提出了通过制定编程规则并使用代码分析方法进行检测的解决方法.采用上述方法可以有效检测出上述6种常见编程错误,并可以用于检测软件的其他严重错误.     

基于动态孔径聚焦的L型构件相控阵超声检测

由于L型构件界面形状复杂,当采用基于全矩阵数据的全聚焦方法时,声波在试样中的传播路径十分复杂,增加了试样中超声传播时间的计算难度.为了解决上述问题,提出了一种根据实际被测对象并使用全矩阵数据的动态调整聚焦方案的"动态孔径聚焦方法";然后,针对L型构件的型面特征,制定了动态孔径聚焦检测方案,并提出了基于Snell定律的声波传播时间计算方法;最后,通过时域有限差分数值仿真方法模拟全矩阵数据,验证了所提出聚焦方法的正确性;定制L型金属试样进行检测实验,检测结果与实际试样参数一致.研究表明:所提出的动态孔径聚焦方法可实现对L型构件的有效检测.      

基于编码规则的中断数据访问冲突检测方法

针对“重复加锁解锁”和“volatile修饰符误用”两种数据访问冲突缺陷模式,提出基于编码规则的检测方法.首先,对缺陷模式的故障机理进行分析,提炼出3条编码规则用以在开发阶段避免缺陷发生,并基于一个静态代码检查工具SpaceCCH进行了规则检测方法研究和实现.在实际星上软件上的实验结果表明,扩展的SpaceCCH能够高效、低误报、低漏报地发现规则违反,从而有效避免这两种的数据访问冲突问题.本文的贡献在于将一类复杂缺陷的检测转换为相应的编码规则及其检测.     

一种多策略GML应用模式匹配方法

地理标记语言(GML,Geography Markup Language)应用模式匹配是实现基于GML的地理信息共享的基础问题.结合现有模式匹配算法和GML3.0应用模式的特点,提出了一种多策略GML应用模式匹配方法.首先,将输入的GML应用模式转化为GML模式树,通过引入基于语言学和基于约束的具体匹配规则,分别对GML模式树进行元素对相似度计算,并对2种计算结果加权合并获得元素水平匹配的相似度值;然后,通过基于相似度传播的结构匹配算法对元素的相似度进行修正;最后,获得2个输入模式的元素匹配映射表.实验表明,该算法能够提高GML应用模式的元素匹配正确率.      

混合点状和非规则军标的在线手绘识别

当前对在线手绘军标图符识别的研究只针对单一类型的手绘点状军标或非规则军标,分别使用不同方法进行识别.但在特殊应用中二者常混合输入,当待识别军标图符的类型未知时,如何识别是一个重要问题.提出一种基于最小生成树(MST)覆盖模型的混合识别方法,训练阶段,分别对点状和非规则军标样本建立MST覆盖模型,并训练一个二分类支持向量机(SVM)分类器;识别阶段,先通过几何和结构信息粗判断军标类型,再通过置信度估计和融合的方法确定未知军标的类型.在113类点状军标和36类非规则军标的数据集中实验,军标类型区分准确率为94.7%,最终识别率为91.6%,且能满足实时要求.      

环面蜗轮滚刀螺旋槽前刀面设计及修正方法

为提高环面蜗轮滚刀的切削性能及滚齿效率,将滚刀的容屑槽设计成螺旋槽,减小刀齿两侧前角的绝对值,均衡两侧刃的切削条件。根据齿轮啮合理论和环面蜗杆成形原理,以滚刀基本蜗杆分度环面螺旋线的导程角和前刀面曲线的导程角互余为依据,提出一种由圆柱产形面变传动比展成环面蜗轮滚刀螺旋槽前刀面的方法;计算得到滚刀分度环面处的前角近似为0°,而刀齿左侧的前角从齿顶到齿根由正值变为负值,右侧前角从齿顶到齿根由负值变为正值,并且正前角和负前角的绝对值较大。进一步对滚刀前刀面进行修正,将修正后的滚刀模型导入VERICUT软件中,测量其前角,验证设计方法的正确性。结果表明,该方法能够解决滚刀两侧前角绝对值较大的问题,各刀齿左右两侧的前角控制在-0.6°~0.5°之间。      

基于区域划分与标准时间的手部异常行为检测

通过监控视频自动检测操作任务中手部异常行为，能够预防人因差错，提高人因可靠性。针对手部操作任务运动特征不明显、常用异常检测和手势识别方法不适用的问题，提出基于区域划分与标准时间的手部异常行为检测技术。使用基于椭圆模型的肤色检测方法，检测视频中手部形心位置；提出工作区域划分方法，根据手部形心在操作过程中所处区域的不同，将连续操作分割为单元任务，获得各段单元任务的起止时间和持续时长；以正常工作时间为标准，对超出标准时间范围的单元任务提出异常警告。实验表明:所提方法的单元任务分割正确率高于93%，异常行为检测率高于86%，能够有效检测手部异常行为，为人为差错的监测与预警提供技术支持。      

电力系统厂站接线图拓扑关系检测技术

厂站接线图中电气元件的拓扑关系是厂站接线图自动生成技术所需的核心数据。目前，已知的厂站接线图自动生成技术仍然依靠人工获取图中的拓扑关系。通过利用基于深度学习的目标检测技术与传统的计算机图像处理技术相结合的方式，能够实现厂站接线图拓扑关系检测。首先，利用基于深度学习的目标检测方法对电气元件进行识别，并利用计算机图像处理技术对标量格式接线图进行预处理，完成电气元件与连接线的分割。然后，利用轮廓跟踪算法对连接线连通区域进行检测标记。最后，根据获取的电气元件信息与连接线信息获取图纸的拓扑关系。采用国家电网有限公司提供的数据集，并设计了对比实验，验证了所提方法的有效性。      

基于贝叶斯网络工况分类的民机引气系统异常检测

状态监控与健康管理技术是国产民机运营支持亟待突破的关键技术,以民机引气系统为对象,设计实现了基于飞行数据（QAR,Quick access recorder）的民机引气系统异常检测流程,提出了贝叶斯网络分类的同工况数据提取和指数加权滑动平均(Exponentially Weighted Moving Average,EWMA)控制图的引气系统异常检测方法。借助航空公司收集的实际数据对方法进行了验证,结果表明可有效检测民机引气系统异常,并提前故障发现时间,为航空公司合理安排飞机维修计划、减少飞机停场时间提供了支持。     

基于生成对抗网络的航天异常事件检测方法

航天环境复杂,技术难度大,风险高,安全可靠性要求苛刻。航天异常事件样本少,且难以获取,有针对性地开展异常事件检测（AED）很有必要。为预防航天事故,尽早发现可能导致故障的异常事件,深入研究了最新人工智能和生成对抗网络（GAN）技术,提出了一种基于生成对抗网络的航天异常事件检测方法。使用正生成对抗网络模拟生成正常事件样本,训练反生成对抗网络模拟生成异常事件样本,设计合理算法训练测试,计算输入事件与正生成对抗网络生成的模拟正常事件欧氏距离,以及输入事件与反生成对抗网络生成的模拟异常事件的欧氏距离差,实现对异常事件的精确检测。通过在美国国家标准与技术研究所数据库（MNIST）数据集全部使用正常数据训练,并对异常事件检测性能进行了试验验证,试验结果表明:在MNIST数据集下,精确率和召回率综合评价指标（F1）及精确率和召回率曲线下面积（PRC）等关键技术指标比变分自动编码器（VAE）方法相应指标性能至少分别提升了31%和11%。在真实环境下采集的模拟航天音频数据试验,异常事件检测性能良好,进一步证实了所提方法真实可用。