航空发动机全包线自适应解耦控制器设计

为实现航空发动机在全包线的解耦控制, 在飞行包线内选择了若干点, 使用遗传算法对单神经元自适应解耦控制器的比例系数进行了离线优化。以优化得到的若干组参数为训练样本, 离线训练径向基函数(RBF)神经网络, 训练后的网络可映射高度、马赫数与比例系数之间的非线性关系, 飞行包线内任意点的解耦控制器比例系数即可由该网络得到。仿真表明:在设计点和非设计点, 系统均具有良好的动态特性和解耦特性。该方法结构简单、易于实现, 具有实用价值。      

航空发动机神经网络反步控制方法

针对航空发动机非线性和不确定性的特点,提出了一种基于神经网络的反步控制方法.采用径向基神经网络估计未知系统方程,并用一种平滑切换法有效避免了控制器奇异问题.反步法的设计基于Lya-punov稳定性原理,保证了闭环系统一致渐近有界.最后针对某型涡扇发动机非线性模型设计了高压转速控制器,仿真结果验证了该方法的有效性.      

基于压电传感网络的结构健康监测扫查系统的设计及实验研究(英文)

基于主动Lamb波和压电传感器网络的结构健康监测技术是一种评估航空结构健康状态的有效方法。在实际应用中,监测大型结构需要使用压电传感器网络。扫查这些压电传感器网络中的压电激励-传感通道以达到在线的结构健康监测是非常重要的。基于PXI(PCI eXtensions for Instrumentation)平台,研发了一套基于主动Lamb波和压电传感器网络的集成多通道扫查系统,该系统结构紧凑、便于携带,能大规模自动扫查激励-传感通道并进行损伤评估。提出和讨论了该系统中:4通道PXI程控增益电荷放大器的实现、支持276个激励-传感通道的外部扫查模块和集成的结构健康监测软件的实现。最后,主要讨论了系统在某型无人机碳纤维复合材料机翼盒段上的功能验证实验,包括:压电贴层的设计、激励信号频率的选择方法、损伤成像的功能性测试、系统稳定性测试和载荷对信号的影响。实验结果验证了该系统的稳定性和损伤监测功能。     

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。     

基于深度学习的小目标检测研究进展

随着深度学习方法的快速发展,目标检测作为计算机视觉领域中最基本、最具有挑战性的任务之一,已取得了令人瞩目的进展。现有的算法大多针对于具有一定尺寸或比例的大中型目标,但由于待测目标尺寸小、特征弱等原因,对小目标的检测性能还远远不能令人满意。小目标检测（SOT）作为一种广泛应用于室外远程拍摄和航空遥感场景的技术,近年来受到了广泛的关注,各种方法层出不穷,但是目前对该问题的全面综述较少。从问题定义、算法分析、应用介绍、方向展望等方面对基于深度学习的小目标检测研究进展进行了综述。首先,给出了小目标检测问题的定义,阐述了其技术难点及在实际应用中面临的挑战;接着,从8个不同角度分析了检测器对小目标检测精度较低的主要原因及相应的改进方法,详细归纳总结了小目标检测在各技术方面的研究工作;然后介绍了几个特定场景下小目标检测算法的典型应用;最后,对小目标检测未来的发展趋势进行展望,提出可行的研究方向,期望为该领域的研究工作提供可借鉴和参考的思路。     

基于Agent模型的机场网络延误预测

准确可靠的机场网络航班延误预测是科学认知空中交通运行态势,动态精准实施国家空域系统容流协同调配策略的重要依据。提出了基于Agent的机场网络延误模型,表征机场网络系统中各元素及子系统间的交互作用下的延误特征涌现。针对机场节点动态容量、预计起飞时间、最小飞行与周转时间等Agent模型中的关键参数,适应性选用了贝叶斯估计、模糊k近邻等数据挖掘方法建立参数模型,并采用2015—2017年全美历史航班和气象数据进行训练学习。为综合评价模型性能及泛化能力,选取全美2018年3个不同延误程度的典型日进行测试。实验结果表明,在全美34个核心机场组成的网络中,各节点在4小时预测区间内延误最大误差不过27.9 min,其中约80%的节点误差小于5 min,验证了所提延误预测模型在时空范围内的准确性和稳健性特征。另外,通过与其他模型对比,展示了本模型优良的延误预测性能。     

基于卷积神经网络的深度学习流场特征识别及应用进展

深度学习架构的出色性能使得机器学习在流体力学中的应用得到新的发展,可以应对流体力学中诸多问题和需求。卷积神经网络（CNN）强大的非线性映射能力以及分层提取信息特征的功能,使其成为当下流场特征研究不容忽视的工具。围绕这一研究前沿与热点问题,概述和归纳了这一研究领域的进展与成果。首先,对深度学习在流体力学中的发展以及卷积神经网络进行了简单的回顾。然后,从卷积神经网络能够识别特征出发,先后介绍了基于卷积的深度学习特征识别在流场预测、流动外形优化、流场可视化精度提升和生成对抗等应用方面的研究进展。最后,对深度学习在流场识别领域的应用进行了展望,为后续的研究提供参考。     

一种高动态卫星网络的拥塞控制算法

针对卫星网络通信路径发生改变引起往返时延突变,导致现有的拥塞控制机制中超时重传时间估计不准确,并对拥塞窗口计算产生不利影响的问题,提出一种基于链路长度的带宽估计TCPW\|BLC算法。该算法通过计算通信链路长度合理调整拥塞窗口、慢启动阈值及超时重传定时器中相关参数的增益因子,使拥塞控制算法在往返时延突变情况下仍保持较高吞吐量,适应卫星网络动态环境特性。NS2仿真结果表明,TCPW\|BLC算法相比TCPW算法在卫星网络中吞吐量性能提高了2.8%,有效降低了时延突变给拥塞控制机制造成的不利影响。     

SpaceWire与SpaceFibre高速总线发展与研究

介绍SpaceWire总线和SpaceFibre网络的基本情况及其构成。分析了两者用于航天器时的优点。综述了两者在国内外发展和基础研究状况,给出了研究与应用中的高可靠SpaceWire-D信息组网和高速SpaceFibre网络传输等关键技术。     

聚类分析在空间信息智能处理中的应用研究

空间信息服务平台由于实施标准,技术规范和类型格式等方面存在不一致和含糊不明确性,且空间信息数据量过于庞大,为有效的从中获取符合应用需求的空间信息,将聚类分析应用于空间信息的智能处理当中。首先进行空间信息数据的特征提取、扩充和合并,然后结合粗糙集模型和K原型算法进行聚类分析,最后通过选择和设计合适的评价指标对聚类结果进行评价,为空间信息数据的规范化和标准化处理提供一定的技术支持。