Using neural networks to determine the optimum solar input for the prediction of ionospheric parameters

Neural networks (NNs) are proving to be ideal tools for modeling the behaviour of the ionosphere. The NNs are trained using a database of archived data describing the relationship between the output parameter and an input space. The input space is designed from knowledge of those variables that affect the behaviour of the output parameter. For ionospheric parameters this input space would always include a solar variable due to the strong influence that the sun has on ionospheric behaviour.     

非线性系统的神经网络控制器设计

神经网络是解决非线性系统控制问题的一种新颖而有效的方法。文中主要讨论了神经网络在非线性控制中的应用，针对一个典型的非线性系统，采用不同的神经网络控制结构，设计了不同的控制器，并进行了数字仿真。比较了它们的优缺点。作者的研究对神经网络在控制领域当中的应用具有一定的理论指导作用。     

基于可编程控制网关的一体化网络体系结构

当前IP网络和非IP网络长期共存,协议体系和通信体制互不相同,异构网络的互联互通困难.针对这个问题, 首先从异构网络间连接的关键节点——网关出发,通过将网关底层的数据转发和控制功能分离,并将网关上层的管控功能和应用服务功能抽取出来,提出了一种基于可编程控制网关的一体化网络体系结构.该系统结构将网络分为一体化网络协同管控单元、子网间可编程控制网关节点和异构子网3层,设计了基于典型异构网络的互联协议栈,以集成不同的网络协议.进一步在一体化网络构架的基础上,给出并分析了异构网络的抽象与描述、基于可编程网关的异构子网智能适配技术、一体化网络的资源管理与协同优化理论等关键技术.最后基于民用航空通信给出了一个异构互联示例,表明一体化网络体系结构的可行性.      

基于分层思路的动态非线性气动力建模方法

很多非线性气动力模型难以精确预测系统的小扰动线性特征。针对这一局限,提出了一种非线性分层模型,用于辨识跨声速非线性非定常气动力。分层建模需要同时提供微幅振荡和大幅振荡两套训练样本,首先通过线性模型(如带外输入的自回归(ARX)模型)对微幅振荡样本进行建模,而后采用非线性模型(如径向基函数神经网络(RBFNN))对大幅振荡的样本与线性模型的差量进行建模,进而把线性模型和非线性模型的输出相叠加,得到分层非线性动力学模型。算例表明建立的分层气动力模型与单一自回归径向基函数(AR-RBF)神经网络模型相比不仅具有更高的数值精度,可以精确预测大幅运动中的非线性特征,而且在小扰动状态下自动退化为线性模型,能够精确刻画结构微幅振荡下的线性动力学特性。     

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。     

基于深度学习的单排孔气膜冷却性能预测

气膜冷却是增强涡轮叶片的高温耐受力,间接提高涡轮进口温度的有效手段之一。目前气膜冷却孔布局的主流设计方法是先通过计算流体力学（CFD）筛选和优化初始方案,再进行模型实验。这种方法设计周期长,时间成本高。传统上用于快速评估冷却效率的经验公式法存在函数形式复杂,拟合精度有限,参数适用范围较窄等问题。因此基于深度学习原理,设计了一种基于多层感知器模型（MLP）的深度神经网络,建立了绝热气膜冷却效率的预测模型。使用CFD数据训练网络,结果表明：深度学习模型在训练集和验证集上具有大于0.95的拟合度,在测试集上具有大于0.99的拟合度,可以较好地识别数据集中的抽象特征,具有较高的精度和较好的泛化能力。此外,在满足精度要求的前提下,一个完成训练的深度学习模型能够有效减少预测耗时,提高预测效率,在快速评估冷却布局性能方面具有较好的应用前景。     

基于综合应力工作态试验和神经网络的CMG失效边界域预测

本文设计了一种可同时模拟真空热环境和CMG与航天器角动量交换工况的试验设备,提出了模拟在轨真空环境下温度、CMG框架转速、航天器转速3种应力的工作态试验方法,给出了适用于神经网络的CMG运行状态定量表达方法,利用少量试验数据和神经网络方法对工作极限转速矩阵、失效边界、失效边界域进行预测,分析了经验样本对预测结果的影响,以及各应力对其他应力工作域的耦合影响,并给出了预测结果的可信度分析方法。研究结果表明,所提出的方法可以更真实模拟CMG在轨工作状态的同时显著节省试验经费和时间,并具有较高的预测准确性和多应力工作场景适应性,对I和Ⅱ两类训练数据集分别获得100%和98.8%的预测正确率,给出了仅凭试验数据无法得到的55℃下的转速失效边界,并且可以内化试验数据背后的工程经验。     

基于径向基神经网络的气动热预测代理模型

为快速获取高超声速飞行器表面热流数据并缩短飞行器气动热设计周期,提出了一种基于径向基神经网络的气动热快速预测代理模型方法。首先,在飞行器表面每一个离散化的网格节点单独构造一种正则化的径向基神经网络。随后,通过训练集对所有网络同时进行训练,获得各自网络的连接权值。最后,所有网格节点的神经网络协同预测飞行器表面不同位置的热流。对NASA火星实验室的椭圆钝化高超声速飞行器的应用表明,所提出的代理模型方法在模型训练完成后能够快速进行飞行器表面热流预测,并且模型具有良好的泛化能力,在驻点及迎风大面积区域热流预测结果与数值模拟的偏差在10%以内。     

基于机器学习的飞机动力装置运行可靠性

为了研究分析飞机的动力装置在执行飞行任务过程中的运行可靠性,针对运行可靠性影响因素的多维、耦合的特点,采用机器学习方法对动力装置运行可靠性的时变规律及其相关影响因素进行分析。提出了考虑动力装置的工作状态、飞机的运行外界条件、飞机的飞行状态3类因素分析动力装置实时运行状态下的时变可靠性方法;并基于飞机实际运行的快速存取记录器（QAR）数据,梳理了动力装置运行可靠性分析相关的3类因素、16个主要特征。结合飞机运行的时空关系,采用数据包络分析（DEA）方法对飞机动力装置的工作状态特性与性能裕度进行非参数分析,基于提取的QAR数据特征,采用随机森林、多变量神经网络回归算法,建立2种基于机器学习的动力装置运行可靠性分析模型。以B737-800机型为例,对一次北京至珠海的飞行任务的动力装置相关运行数据进行分析,对2种机器学习分析模型进行训练与测试研究。分析结果表明：对动力装置工作状态特性贡献度最大的特征依次为计算空速、飞行时间与飞行高度;对动力装置性能裕度贡献度最大的特征依次为动力装置工作状态特性、雷达气象与飞行时间。所采用的2种机器学习方法能较好反映动力装置运行过程的时变可靠性规律,可为动力装置的运行与特情处理提供参考。     

机载网络时间触发通信调度设计优化与评价方法

机载网络是航空电子系统实现信息传输与功能综合的关键组成,引入时间触发（TT）机制并安排合理通信调度可以有效保证机载网络实时可靠通信,但需要首先面对多种调度设计方法的选择问题。在总结了时间触发通信过程与特征的基础上,以时间触发以太网为分析对象,给出了基于可满足性模理论（SMT）、混合整数规划（MIP）和启发式算法等不同约束引导下的调度模型,并形成了基于强化学习（RL）的调度方法;从调度设计的求解能力与性能保障角度出发,建立了包括求解时间、可求解规模、传输延迟和调度模式的评价指标。以工业规模网络为研究案例对不同调度方法进行了验证分析,在评价指标的引导下对比分析了各种方法的适用场景,其中SMT方法可支持小规模案例,MIP方法具有明显的TT消息传输和调度求解运算优势,以遗传算法为典型的启发式方法和RL方法可实现大规模案例调度,虽然其TT延迟略高于MIP方法,但速率约束消息延迟优化程度分别达到7.97%和12.35%。在此基础上,进一步探讨了未来航电系统机载网络时间触发通信调度设计优化技术的发展趋势。