基于GAN网络的红外图像生成技术

当将人工智能技术应用于军事领域中的目标识别任务时，针对由红外图片采集的局限性而造成的训练数据不足的问题，提出了基于生成对抗网络以生成红外图像的方法，实现了数据集的扩充。对基本的生成对抗网络进行了改进，将网络的输入由随机噪声变为真实图片，使之实现了图片到图片的风格转换，即彩色图片转变为红外图片。经过网络模型的搭建和训练，实验结果表明，该方法能够有效生成清晰和高质量的红外图片，解决了由红外数据不足而造成的网络训练不充分的问题。     

飞行器智能设计愿景与关键问题

未来飞行器正朝着多元化、无人化和智能化的方向发展，高超声速、超隐身和变体等新型飞行器不断涌现。而传统飞行器解耦分拆的设计方法越来越难以满足未来飞行器综合性能全面提升的要求，只有通过整体化设计才能充分发掘飞行器的潜能。通过分析传统飞行器设计中存在的问题，提出满足全生命周期要求的飞行器智能设计体系理念，利用知识库的构建将智能赋予飞行器平台系统设计、制造生产和运维这3个阶段，并通过数字孪生技术进行飞行器全生命周期的仿真、分析和预测，以对飞行器设计、运行等数据进行更新，使该体系形成闭环。就飞行器智能设计体系中需要的关键技术及涉及的科学问题等进行了讨论，并给出了未来发展方向以供参考。     

基于特征建模的空间非合作目标姿态智能测量方法

为实现空间非合作目标姿态的测量，基于特征建模的思想，提出了一种根据目标激光点云数据进行高效处理的智能测姿态方法.首先，针对空间目标姿态测量的需求，寻找并实现能够高效表征目标姿态的点云数据特征.接着，应用神经网络的方法对目标点云姿态特征进行学习，通过建立合理的神经网络模型和训练数据，实现目标点云特征与姿态间非线性映射关系的建立.最后，利用目标点云仿真数据集，对方法的测量精度和测量实时性进行了评估.实验结果表明：利用特征建模的思想，提出并建立目标点云姿态协方差矩阵特征，实现了点云数据在表征目标姿态方面的信息高度压缩，为神经网络模型的轻量化设计和计算资源严重受限的在轨应用，提供了可行的智能化工程实现方案.     

空间小推力轨道最优Bang-Bang控制的两类延拓解法综述

介绍了空间小推力轨道优化问题中的最优Bang-Bang控制问题,对两类延拓解法给出了描述:第一类解法首先求解能量最优解,然后采用能量–燃耗同伦得到最优Bang-Bang控制;第二类解法引入推力开关切换准则,以双脉冲解作为初解,通过参数延拓得到最优Bang-Bang控制。对两类延拓解法进行了比较,指出了各自的优势与特点。对延拓方法应用于求解更加复杂的小推力轨道设计问题进行了展望,提出了包含初解、延拓与拼接三要素的人工智能轨道优化概念。     

智能赋能流体力学展望

人工智能（AI）是21世纪的前沿科技,流体力学如何在智能化时代焕发青春是值得本领域研究者思考的话题。从智能赋能流体力学角度,就其研究内涵、研究内容、近期研究及难点进行了总结,并对智能流体力学未来的发展进行了展望。研究指出,流体力学计算或试验中所产生的数据是天生的大数据,如何通过深度神经网络、随机森林、强化学习等机器学习方法来利用这些数据,缓解甚至替代理论和方法层面对人脑的依赖,挖掘新的知识,成为一种新的研究范式;相关研究将涵盖流动控制方程的机器学习、湍流模型的机器学习、物理量纲分析与标度的智能化以及数值模拟方法的智能化;借助人工智能技术,发展流动信息特征提取与多源数据融合的智能化是流体力学发展的迫切需求;研究内容应至少涵盖海量数据挖掘方法以及多源气动数据的智能融合;发展数据驱动的流体力学多学科、多物理场耦合建模与控制是工程应用的迫切需求,相关工作涉及多场耦合建模、气动外形智能优化设计以及流动智能自适应控制等方面。     

复杂电磁环境下频谱智能管控技术探讨

作为国土空间的重要组成,电磁频谱空间呈现出环境错综复杂、目标类型多样、用频行为多变等新挑战,导致频谱安全问题日益严峻。面向复杂电磁环境下频谱秩序安全、频谱对抗安全和频谱共享安全等需求,基于人工智能的频谱管控成为电磁频谱领域的重要研究方向,存在着具有挑战性的基础理论问题和关键技术难题。首先,调研了复杂电磁环境下频谱智能管控的国家战略需求,然后,提炼了智能频谱管控的科学意义与技术挑战,进一步从频谱管控模型机理、频谱态势感知、频谱行为推理、频谱安全决策和频谱管控应用系统等5个方面梳理国内外研究现状,并分析了相关发展动态及研究趋势。     

太阳活动区EUV图像的生成式模型耀斑分级与预报

近年来,不断发射的空基观测台持续传送回海量日面图像及日地间气象数据,为采用人工智能技术对太阳活动进行预报预警提供了数据基础。但是,极端天气爆发少,样本量较少;中等程度爆发稍多,样本量较多;常规无爆发天气常见,样本较为集中,样本不均衡状况严重影响机器学习方法在空间天气领域的广泛应用。本文面向多源多通道多尺度日面图像信息,构建了来自SOHO和SDO的1996-2015年日面活动区图像数据集;针对数据分布的不平衡,对太阳活动区图像作耀斑分级与预报。在对比分析元学习算法的基础上,设计了结合分类头设计和卷积核初始化的生成式模型;在使网络轻量化的基础上,能够将M和X级耀斑预报的检测率指标相较于普通的深度学习模型和无监督度量式模型分别提升10%和7%。