An innovative approach for integrated airline network and aircraft family optimization

The determination of optimal aerial transport networks and their associated flight frequencies is crucial for the strategic planning of airlines, as well as for carrying out market research, to establish target markets, and for aircraft and crew rostering. In addition, optimum airplane types for the selected networks are crucial to improve revenue and to provide reduced operating costs. The present study proposes an innovative approach to determine the optimal aerial transport network simultaneously with the determination of the optimum fleet for that network, composed of three types of airplanes (network and vehicle integrated design). The network profit is maximized. The passenger’s demands between the airports are determined via a gravitational model. An embedded linear programming solution is responsible for obtaining potential optimal network configurations. The optimum fleet combination is determined from a database of candidate aircraft designs via genetic algorithm. A truly realistic airplane representation is made possible thanks to accurate surrogate models for engine and aerodynamics is adopted. An accurate engine deck encompassing a compression map and an innovative engine weight calculation besides an aerodynamical artificial neural network module enable a high degree of accuracy for the mission analysis. The proposed methodology is applied to obtain the optimum network comprised of twenty main Brazilian airports and corresponding fleet.     

基于函数链神经网络的深度分类器

目前的宽度学习系统（Broad learning system，BLS）通过所建立的一系列映射节点和增强节点来形成联合节点。因为联合节点与输出层的线性连接，网络权值可以用求解伪逆的方法快速求得，避免了耗时的训练过程，从而成为快速而高效的学习方法。然而在追求高精度结果的过程中，BLS对于增强节点数量的需求过于巨大，容易造成过拟合问题。为此，本文提出了基于函数链神经网络（Functional-link neural network，FLNN）的深度分类器（FLNN based deep classifier，FLNNDC），旨在提供一种更加简单却又不失精度的BLS变体结构。FLNNDC将几个轻量级的BLS子系统堆积成栈式结构，每一个轻量级的BLS子系统随机选择一部分映射节点生成增强节点，而不是全部映射节点。和原宽度结构相比，在几个主流数据集上的实验结果表明本文所提出的FLNNDC分类器具有网络结构更小且学习速度更快的优势。     

基于ANFIS的智能导航自适应滤波算法研究

智能导弹等智能化飞行器在快速跨域、高速机动飞行时,由于传感器切换、外形改变等因素,会对组合导航信息融合系统引入随机非Gauss噪声等影响,离线优化的参数往往不能满足滤波器精度的需求。自适应网络模糊推理系统ANFIS是一种将人工神经网络和模糊推理技术相结合而成,符合人类认知特点的决策方法,它可以对导航数据进行学习,实现智能决策、实时修改滤波器内部参数,对滤波器进行优化。仿真结果表明,基于ANFIS优化的智能导航自适应滤波算法可以有效减少噪声和干扰带来的影响,提高导航精度。     

Predictive fault-tolerant control of an all-thruster satellite in 6-DOF motion via neural network model updating

The problem of controlling an all-thruster spacecraft in the coupled translational-rotational motion in presence of actuators fault and/or failure is investigated in this paper. The nonlinear model predictive control approach is used because of its ability to predict the future behavior of the system. The fault/failure of the thrusters changes the mapping between the commanded forces to the thrusters and actual force/torque generated by the thruster system. Thus, the basic six degree-of-freedom kinetic equations are separated from this mapping and a set of neural networks are trained off-line to learn the kinetic equations. Then, two neural networks are attached to these trained networks in order to learn the thruster commands to force/torque mappings on-line. Different off-nominal conditions are modeled so that neural networks can detect any failure and fault, including scale factor and misalignment of thrusters. A simple model of the spacecraft relative motion is used in MPC to decrease the computational burden. However, a precise model by the means of orbit propagation including different types of perturbation is utilized to evaluate the usefulness of the proposed approach in actual conditions. The numerical simulation shows that this method can successfully control the all-thruster spacecraft with ON-OFF thrusters in different combinations of thruster fault and/or failure.     

基于飞行资源分离的航班延误传播研究

在航班串设计及机组排班过程中,经常涉及飞行资源(飞机、机组)分离的问题。而延误航班的飞行资源分离将导致共享资源的衔接航班发生延误,并传播至后续航班串。本文考虑带有飞行资源分离的航班串,利用基于贝叶斯网络的比例风险回归模型,对资源分离后的航班离港延误进行分析。对比两种不同时刻飞机与机组资源分离方案下,各延误因素对衔接航班离港延误,以及整个后续航班串延误时间的影响,结果表明,不同时刻分离方案会造成不同的延误传播效果。本文为飞机、机组资源分离时刻的选择提供了定量分析方法,结果表明,资源分离时刻的不同对衔接航班的离港延误,以及整个后续航班串延误波及时间的影响都不同。     

多航天器协同探测效能影响参数不确定性分析

为解决传统基于蒙特卡洛仿真的探测效能不确定性分析评价方法中时间效率低，参数关系映射单一的问题，提出一种基于神经网络的不确定性分析方法，利用人工神经网络在拟合回归分析上的非线性特性，设计了能够替代复杂系统的神经网络结构，能够通过少量仿真计算结果作为训练样本实现模型的收敛并能有效反映被替代系统的原有特性。选择以一个多航天器的天文观测任务作为典型用例，建立了仿真分析模型，并与蒙特卡洛仿真方法结果进行了对比，验证了此方法的准确性和计算效率。     

拓扑数据分析在复杂脑网络分析中的应用

针对复杂脑网络分析中网络结构变化阈值选择中没有公认的标准确定合适阈值这一问题，基于拓扑分析中的持续同调性理论，本文提出一种多尺度大脑网络建模分析方法，该方法在大脑全尺度距离范围之内，通过不断增加阈值，运用Rips过滤算法捕获网络的动态持续拓扑特征，并用条形码和持续图对拓扑特征可视化，最后通过计算持续图之间的Bottleneck距离和Wasserstein距离分析持续特征的稳定性。实验结果表明，该方法能更准确地提取大脑网络的拓扑结构特征并提高诊断分类的准确性。     

基于IPSO-Elman神经网络的飞机客舱能耗预测

为了提高飞机客舱使用地面空调制冷时客舱能耗的预测精度，提出了一种改进的粒子群优化（IPSO）Elman神经网络的飞机客舱能耗预测模型。依据对算法中惯性权重与学习因子的收敛域分析，得出了二者合理的取值范围，将粒子到全局最优位置间距离与参数的取值范围相结合，构造了惯性权重与学习因子的动态调节函数，对其进行非线性的动态调节，并引入了变异因子，提出了一种跳出局部最优的策略，防止粒子群优化（PSO）陷入局部最优。将IPSO-Elman应用于Boeing738飞机客舱能耗预测中，与PSO-Elman、Elman算法进行性能比较，仿真结果表明基于IPSO-Elman的客舱能耗预测模型在预测精度和收敛速度方面均有一定的提升。该研究结果为飞机客舱能耗预测模型的建立提供了理论依据，对飞机地面空调的节能与机场电能合理调配提供了支持。     

基于混合深度特征的红外目标抗干扰识别算法

复杂干扰条件下的红外空中目标识别技术是空战对抗领域的热点研究课题,复杂人工干扰严重遮蔽目标,导致目标特征的连续性与显著性遭到破坏,无法全面描述识别对象的特性,造成空中目标识别准确率下降。针对此问题,提出一种基于图像混合深度特征的空中目标抗干扰识别算法。首先,基于卷积神经网络进行图像深度特征的提取,将深度特征与梯度直方图(Histogram of Gradient, HOG)特征进行有效融合,构建混合深度特征。针对作战场景中的目标与干扰的对抗态势多样性,将支持向量机的二分类模型改进为三分类模型,对目标、干扰以及目标干扰粘连三种状态进行精确分类。实验结果表明：在复杂干扰环境下,基于混合深度特征的空中目标抗干扰识别算法正确率为92.29%,该算法可以有效地解决目标被干扰遮蔽、形成目标干扰粘连状态时的抗干扰识别问题。     

基于功能脆弱性的空中交通相依网络流量分配

依据空中交通管理与航班运行规则,采用复杂网络理论构建由机场、航路与管制扇区组成的相依网络模型,建立不同扰动策略的影响规则,提出以网络流量熵和交通流损失比变化率为指标识别网络功能脆弱性。并以网络总流量熵最小为目标,建立基于改进遗传算法的网络流量协调分配策略,以降低空中交通相依网络的脆弱性。以民航华北地区空域为原型,发现了其相依网络脆弱性表现规律和脆弱源,采用遗传算法求解网络流量分配方案,优化结果降低了网络总熵值和功能脆弱性,其中机场网络流量分配后效果最为显著,验证了方法的有效性,研究结果可为空中流量管理决策提供一定的理论支撑。