基于机器学习的智能控制数值虚拟飞行方法

提出并实现了一种基于机器学习的PID智能控制策略下的数值虚拟飞行算法，结合Basic Finner导弹标准模型算例，对所提出算法进行了验证和评估分析，表明本文算法可行，并具有良好的应用前景。首先，搭建了一种基于重叠动网格技术的CFD/RBD耦合数值虚拟飞行仿真模型。针对Basic Finner导弹的标准工况进行了无控自由飞行状态的数值飞行模拟，并结合实验结果对所构建的数值虚拟飞行仿真算法进行了验证和评估，表明所采用的数值模拟算法可用于数值虚拟飞行环境下的智能控制参数设计与仿真评估；其次，结合数值虚拟飞行过程对飞行器气动、姿态和位移等参数的实时控制需求，提出了一种基于BP神经网络算法的PID参数在线学习的智能控制器，并针对Basic Finner导弹的俯仰通道，分别对传统PID控制策略和智能PID控制策略下的导弹自由释放后的俯仰角快速稳定控制过程、阶跃式和正弦式俯仰角输入下的导弹跟踪控制过程进行了数值虚拟飞行仿真模拟。研究表明，基于BP神经网络的PID智能控制器能够根据所获得的实时飞行参数，实现控制参数的在线学习和自我优化、调整，相比于传统PID控制器，对于不同输入工况表现出良好的适应性...     

基于显著图数据增强的飞行器识别与检测算法

数据增强技术能够有效解决民用航空等领域机器学习模型训练数据严重不足的问题，对于提升智能模型的性能至关重要。为此，针对航空领域飞行器识别和检测的典型应用场景，本文提出基于显著图的数据增强方法，在不同种类的飞行器数据集上分别进行分类和检测试验。试验结果表明，在飞行器目标检测数据集上，利用本文提出的数据增强方法可以提升飞行器目标检测精度。     

面向新一代固体火箭的自主可控仿真技术

针对固体运载火箭气动设计工作依赖风洞试验导致的成本高、研制周期长等问题，通过大量运用中国运载火箭技术研究院的自主可控工业软件，将仿真试验纳入火箭研制工作流程，大幅减少地面试验以提升设计效率，攻克了以大头颈比整流罩特殊气动问题为代表的诸多技术难题。聚焦捷龙三号火箭研制中替代部分地面试验的仿真技术，详细阐述仿真算法在气动力、对流换热、脉动压力等工程设计中的重要作用，为中国下一代运载火箭数字化转型的发展路线探索和战略规划提供参考。     

航空领域机器学习技术应用体系研究

通过分析航空领域机器学习技术应用现状和需求和基于大数据、云计算等新一代信息技术应用，提出航空领域机器学习技术应用体系，包括：组织机构、技术方法、业务流程、标准体系、平台工具等内容，并结合航空百科知识建设项目验证该体系的有效性，为机器学习技术在航空领域的系统性、规范化应用提供参考。     

基于机器学习的机翼气动载荷重构及传感器优化布置

风洞实验通过在机翼表面布置传感器来测量相应位置的气动载荷，由于传感器布置数量有限，难以直接得到整个机翼全息气动载荷分布。本文采用机器学习方法通过有限传感器数据重构机翼表面全息气动载荷，并提出了利用仿真数据对传感器进行优化布置的方法。从计算流体力学（Computational fluid dynamics,CFD）计算所得的机翼全息气动数据中选取有限位置数据模拟传感器实验数据，对比深度学习模型、高斯过程回归（Gaussian process regression, GPR）、支持向量回归（Support vector regression, SVR）与BP神经网络（Neural network, NN）对气动载荷的重构精度。通过评估由传感器数据重构的全息载荷精度对传感器布置方式进行优化设计。以M6机翼为例在给定的两个工况条件下验证本文所提出的方法。实验结果表明，GPR模型获得了最高气动载荷重构精度；给出了M6机翼在不同传感器总数下最优的截面数和单个截面布点数，最低传感器布置数下的最优布置方式，以及流场变化相对剧烈的前缘区域与展向截面的传感器布置方式。     

面向异构大数据环境的数据脱敏模型

不同场景下数据类型和脱敏需求的差异，使得传统的数据脱敏方法难以满足大数据背景下的用户隐私保护需求。如何实现异构大数据中敏感信息的精准定向、高效脱敏，从而更好地确保数据安全、可信和可用，是本领域的研究难点。提出了一种在异构大数据环境下，基于文本、图片、音频和数据库等异构数据的脱敏模型，并对4个关键模块进行了描述。通过脱敏数据预处理，实现不同应用场景下敏感数据的自动标注和分级设置。采用数据预脱敏处理方法，并从数据可用性、数据关联性、隐私保护度、时间和空间复杂度等5个维度进行脱敏效果评价，实现定制化脱敏策略。经过脱敏任务调度完成脱敏任务分配和执行，并支持用户对部分脱敏数据恢复。基于提出的异构大数据脱敏模型，对2种典型数据脱敏应用场景进行了验证分析，表明所提模型能够实现不同应用场景下异构敏感数据的高效脱敏。      

基于机器学习的二次电子发射唯象模型

基于机器学习和深度人工神经网络（artificial neural network，ANN）提出一种二次电子发射唯象模型。利用Vaughan模型生成先验数据集，用于训练生成描述二次电子发射一般规律的先验知识ANN模型，并在不同参数条件下验证了先验知识ANN模型的正确性。然后，分别利用银和铝合金材料的二次电子发射系数实验数据修正先验知识ANN模型，分别得到了描述两种材料的特异ANN模型。测试结果表明，特异ANN模型计算结果与实验结果相比的平均绝对误差较Vaughan模型和Furman模型降低了30%以上，与复合唯象模型精度相当或更高。在小样本条件下测试了二次电子发射ANN模型的正确性，验证了分步训练方式的有效性和二次电子发射ANN模型对于小样本集的适应性。提出的基于机器学习的二次电子发射唯象模型能够避免复杂的参数修正过程，能够基于先验知识提升模型对于小样本的适应性，能够实现二次电子发射系数的连续插值，适于在数值模拟软件中使用。