前向神经网络快速学习算法在发动机模型辨识中的应用

介绍一种采用前向神经网络辨识发动机非线性模型的快速学习方法,与现有同类方法相比,该方法采用矩阵的QR分解求解线性方程组,解决了维数过高的矩阵直接求逆带来的解失真问题,并把这种方法应用于航空发动机的非线性模型辨识。算例仿真验证了算法的可行性。      

职业院校学生终身学习能力的培养策略研究

分析了终身学习的内涵与内容,提出培养职业院校学生终身学习能力的必要性,并提出了切实可行的提高职业院校学生终身学习能力的具体措施。     

基于聚类的多标记选择性集成

多标记学习和选择性集成是机器学习中的两个热点研究问题。本文利用聚类思想探究多标记学习中的选择性集成， 提出了两种具体的多标记选择性集成算法：基于最小距离的簇中心选择算法（Minimum distance based cluster center selection，MDCCS）和基于K-means的簇中心选择算法（K-means based cluster center selection， KMCCS）。在所提出的算法中，如何度量学习器之间的距离是其能否成功的关键因素。本文首先基于学习器的分类结果对其进行重新表示，在此基础上给出了学习器之间距离的计算方式。此外， 对于算法中的空簇问题给出了两种解决方法。基于Mulan数据库中的多标记数据集和5种评价指标对所提算法进行了详细的分析，实验结果表明了所提算法的有效性。     

Modeling M(3000)F2 based on extreme learning machine

This paper presents an novel extreme learning machine (ELM)-based prediction model for the ionospheric propagation factor M(3000)F2 at Darwin station (12.4°S, 131.5°E; −44.5°dip) in Australia. The proposed ELM model is trained with hourly daily values of M(3000)F2 from the period 1998–2014 except 2001 and 2009. The hourly daily values of 2001 (high solar activity) and 2009 (low solar activity) are used for validating the prediction accuracy. The proposed ELM for modeling M(3000)F2 can achieve faster training process and similar testing accuracy compared with backward propagation neural network (BPNN). In addition, the performance of the ELM is verified by comparing the predicted values of M(3000)F2 with observed values and the international reference ionosphere (IRI −2016) model predicted values. Based on the error differences (the root mean square error (RMSE) and the M(3000)F2 percentage improvement values M(3000)F2_IMP(%)), the result demonstrates the effectiveness of the ELM model compared with the IRI-2016 model at hourly, daily, monthly, and yearly in high (2001) and low (2009) solar activity years. The ELM also shows good agreement with observations compared with the IRI during disturbed magnetic activity.     

基于ADRC迭代学习控制的四旋翼无人机姿态控制

针对农用无人机超低空表型遥感和喷药精准悬停易受地效扰动问题，提出了一种自适应ADRC姿态控制器。首先设计了基于ADRC的姿态控制器，结合四旋翼无人机平台在0.9~1.1、1.1~1.3、1.4~1.6、2.0~2.4、2.5~2.9、3.3~3.6 m/s侧向水平风、0.9~1.1 m/s （11°）、1.1~1.3 m/s （13°）、1.4~1.6 m/s （18°）、1.8~2.0 m/s （18°）、2.1~2.5 m/s （18°）前俯向风和侧俯向风下进行干扰的预测和控制量的补偿实验。实验结果显示使用ADRC姿态控制器后无人机抗风性能有较大提升。然而在存在初始误差时，ADRC固定带宽无法满足要求，进一步设计了自适应ADRC姿态控制器（ILC-ADRC）。通过迭代学习控制在线优化自抗扰控制器带宽，实现了不同增益观测器的自适应整定。实验结合四旋翼无人机平台分别进行了机头实际方向与期望方向偏离55°、90°、180°，水平风速1.1~1.3、1.4~1.6、2.0~2.4、2.5~2.9 m/s下使用ADRC和ILC-ADRC的对比。实验结果显示采用ILC-ADRC姿态控制器，在150次控制周期内，偏航角误差均在-15°~15°之间，满足四旋翼无人机偏航角控制精度要求，同时调节时间分别缩短了40%，16.67%，12.5%，53.33%，10.34%，13.95%，27.27%，58.66%，11.86%。     

黎曼几何在计算机视觉中的应用研究进展

在计算机视觉领域，许多任务相关数据具有非欧结构，近年来基于黎曼几何的数据表征与应用研究受到了越来越多的关注。如何充分利用数据的几何结构，来提高目标识别、目标跟踪及目标检测算法的性能，是其中的一些研究热点。本文主要从三个方面介绍黎曼流形在计算机视觉中的应用研究进展。首先，从数学基本概念出发，阐述黎曼流形与图像的关系以及视觉应用的可行性，并介绍计算机视觉中具有重要应用的几种黎曼流形。其次，对黎曼流形在计算机视觉中若干常见应用进行了概述，重点介绍了与深度学习相结合的相关进展。最后，对引入黎曼流形的机器学习方法的未来发展进行了分析和讨论。     

基于深度学习算法的极化合成孔径雷达通用分类器设计

地物分类是PolSAR(极化合成孔径雷达)的重要应用方向。传统算法需要基于特定数据人工选取特征和设计分类器,而深度学习算法能够自行从海量数据中提取层次化特征。在深度学习算法总结的基础上,结合深度学习和PolSAR大数据,提出了一种高效率、高精度的通用分类器设计方法。使用人工标记的数据训练CNN(深度卷积网络),自动化地进行特征学习和提取,并实现高精度的地物自动分类。在具有不同分辨率的机载和星载PolSAR数据上对通用分类器进行测试,都能快速、准确地分类。研究成果可快速将PolSAR数据转译为更直观的地物分类结果,对海量数据,特别是GF-3卫星PolSAR图像的利用有一定的辅助价值。     

Weighted marginal fisher analysis with spatially smooth for aircraft recognition

Due to limitations to extract invariant features for recognition when the aircraft presents various poses and lacks enough samples for training, a novel algorithm called Weighted Marginal Fisher Analysis with Spatially Smooth （WMFA-SS） for extracting invariant features in aircraft rec- ognition is proposed. According to the Graph Embedding （GE） framework, Heat Kernel function is firstly introduced to characterize the interclass separability when choosing the weights of penalty graph. Furthermore, Laplacian penalty is applied to constraining the coefficients to be spatially smooth in this algorithm. Laplacian penalty is able to incorporate the prior information that neigh- boring pixels are correlated. Besides, using a Laplacian penalty can also avoid the singularity of Laplacian matrix of intrinsic graph. Once compact representations of the images are obtained, it can be considered as invariant features and then be performed in classification to recognize different patterns of aircraft. Real aircraft recognition experiments show the superiority of our proposed WMFA-SS in comparison to other GE algorithms and the current aircraft recognition algorithm; the accuracy rate of our proposed method is 90.00% for dataset BH-AIR1.0 and 99.25% for dataset BH-AIR2.0.     

磁悬浮柔性转子系统变学习速率单神经元自适应PID控制

为同时保证磁悬浮轴承柔性转子系统所需的低频和高频特性,在一般单神经元PID(proportion integration differentiation)控制的基础上,将转速信号引入磁悬浮轴承数字控制器,在不同转速段选择不同的学习速率以调节控制参数得到合适的磁悬浮轴承的刚度和阻尼.试验结果表明,变学习速率单神经元自适应...