面向复杂系统的三维Bayes网络测试性验证模型

针对当前武器装备复杂的系统结构,现有基于装备整机系统测试性先验信息的测试性验证方法难以适用,基于分系统测试性先验信息的测试性验证方法不能系统有效地处理先验信息,导致测试性验证结果可信度不高的问题,提出一种面向复杂系统的三维Bayes网络测试性验证模型。该模型能充分运用装备各层级结构中所蕴含的条件独立性,有效降低构建Bayes网络模型的复杂度,同时能融合装备各层级单元的先验信息。通过给出的三维Bayes网络的条件概率学习方法及G/M-H算法,由底层单元数据通过模型逐步向上融合,得到顶层测试性指标的后验分布,进一步利用顶层后验分布求取故障样本量。结果表明:该模型能充分考虑复杂系统的系统结构及各层级单元先验信息,并能通过模型推理得到的指标后验分布达到有效减少测试性验证故障样本量的目的。      

基于优化SPOT和D-S证据理论的测试性验证方案

针对现有基于序贯验后加权检验的测试性验证方案对测试性设计指标之间的模糊参数空间考虑不足，以及未能充分运用测试性多源先验信息的问题，提出一种优化序贯验后加权检验和D-S证据理论相结合的测试性验证方案。首先，考虑测试性设计指标之间的模糊参数空间，构建三参数空间复杂假设，并基于Bayes理论研究序贯决策规则，同时确定决策因子以及决策阈值；其次，以测试性指标构成的参数空间为辨识框架，分别构造基于专家信息以及测试性试验数据等先验信息的基本信任分配函数，建立融合多源先验信息的优化序贯验证方案；最后，结合实例进行研究，并与经典验证方案、传统Bayes验证方案、序贯概率比检验方案以及序贯验后加权检验方案进行了对比分析。结果表明，该方案由于考虑了模糊参数空间以及充分融合了多源先验信息，有效解决了模糊参数空间的处理问题，同时所确定的平均故障样本量在决策支持的参数空间均优于其他方法。     

密闭容器试验用人体代谢模拟装置

文章简要介绍了人体代谢地面模拟装置的原理、结构组成和应用结果。为在密闭容器中进行地面模拟试验,考核产品性能提供了一个较为可靠而全面的模拟环境。     

空间机械臂维修性系统设计与评价体系的构建

空间机械臂维修性系统设计与评价体系的构建对机械臂维修具有非常重要的意义。结合空间机械臂维修性需求,建立了机械臂"设计-验证-设计-评价"全周期系统性的维修性设计与评价体系,根据维修性系统设计体系进行维修性设计-验证-再设计的循环管理,再根据维修性评价体系,三类评价人员模拟在轨维修操作场景分别开展维修评价,最终根据评价指标中的不合格项进行设计迭代。以机械臂中央控制器在轨维修为例验证该评价体系。研究结果将为后续空间机械臂维修性设计与评价工作提供体系借鉴和工程指导。     

采样机械臂关节月表环境适应性设计

文章针对月球表面采样任务对机械臂关节防尘、耐高低温和轻量化的特殊要求,提出一种由永磁同步电机驱动、2K-H行星减速器+谐波减速器传动的关节设计方案。该方案采用电机的齿槽转矩提供关节制动力矩,并采用前馈力矩补偿控制的方法消除齿槽转矩引起的速度波动,节省了制动器的配置;通过控制减速器传动侧隙、电机定子与壳体的过盈量及密封垫片厚度,实现关节在-100~160℃高低温环境的热匹配和防尘。仿真分析和样机试验结果验证了关节设计方案可满足月表采样的月面特殊环境要求。     

基于UKF的GPS定位算法

针对EKF通过局部线性化方法处理非线性问题可能产生的精度下降问题,提出了用UKF进行GPS定位解算的方法.介绍了UKF方法的原理,分析了GPS伪距方程的线性化近似误差和定位精度的关系,并讨论了利用UKF进行定位解算的有效性.采用"当前"模型,利用伪距和多普勒观测量进行定位解算.利用Spirent GPS 模拟器和NovAtel差分定位系统及NovAtel接收机分别进行了仿真实验和现场实验.结果表明,当滤波器状态初值误差较大时,UKF与EKF相比有明显的优势.     

管道惯性测量系统散热仿真分析

基于FLUENT商用软件建立了在60℃高温油内使用的管道惯性测量系统的传热数值模型,模拟了系统在自然对流、不同风冷强制对流和不同热辐射系数下散热的温度分布,分析了风扇布置、空气流量及结构件表面热辐射系数对系统温度分布的影响.通过仿真分析取得了系统有效的散热配置,试验验证结果与仿真计算情况基本吻合,两者相差1.1％.     

面向智能感知的小样本学习研究综述

小样本学习指只利用目标类别的少量监督信息来训练机器学习模型。由于其实用价值，学术界和工业界提出很多针对该问题的解决方案，但是目前国内缺少该问题的综述。本文对国内外学者提出的小样本学习算法及基于小样本学习的目标检测算法进行了系统的总结和探索。首先，给出了小样本学习的问题定义，列举其与其他一些经典的机器学习问题之间的联系，同时从理论上阐述小样本学习问题面临的挑战；接着，对基于小样本学习的图像分类进行了概述，并对其中代表性的工作进行介绍与分析；在此基础上，重点针对基于小样本学习的目标检测，特别是零样本条件下的目标检测问题，详细介绍和分析了现有的研究工作；最后，立足于现有方法的优缺点，从问题设定、理论研究、实现技术以及应用场景等几个方面对小样本学习的未来发展进行了展望，期望为该领域后续的研究工作提供启示。