基于深度混合模型评分推荐

从用户-项目评分矩阵中学习用户对项目的个性化偏好,对于评分推荐来说至关重要。许多推荐方法如潜在因子模型,无法充分利用评分矩阵中的交互信息学到较好的个性化偏好而得到较差推荐效果。受深度学习中Wide and Deep模型应用于APP推荐启发,本文提出一种深度混合模型并命名为DeepHM用于评分推荐。与Wide and Deep模型相比,使用DeepWide和DNN部分重构Wide模型和Deep模型得到DeepHM,并且DeepWide和DNN部分共享交互信息输入。因此,DeepHM可以更有效地使用评分矩阵中的用户和项目的交互信息学到个性化偏好信息。DeepHM将评分推荐作为分类问题旨在提高推荐准确性。实验表明在公开的Movielens数据集上DeepHM算法相比现有的基于评分推荐模型具有更好的效果。     

航空制造领域移动机器人加工系统研究综述

移动机器人加工系统在航空大部件装配领域应用广泛。由于移动机器人加工系统脱离定点作业模式进行移动加工,在实际加工过程中,其大部件待加工部分的高精度定位以及切削加工过程的加工稳定性问题必须要得到研究和解决。通过对国内外先进移动机器人加工系统的研究综述,重点研究移动状态下大部件高精度定位技术以及加工过程中的振动抑制问题,以实现移动机器人的稳定切削加工,并对有待解决的问题及未来的研究方向进行了讨论和展望。     

基于DQN的反舰导弹火力分配方法研究

反舰导弹作为海上作战的主战武器，由于其精度高、射程远、威力大等特性长期以来一直被当作舰艇编队的主要防御对象。针对反舰导弹打击舰艇编队的火力分配问题，我们提出了一种基于深度Q值网络求解反舰导弹火力分配策略的算法。不同于现有的基于领域知识的方法，深度Q值网络无需依赖任何先验信息，就能够通过与模拟器的交互自动求解最佳的攻击策略。该算法使用深度神经网络拟合Q值函数，解决了传统强化学习中的状态空间过大无法遍历的问题。实验结果表明，在各种不同的舰队防御配置下，深度Q值网络求解得到的攻击策略均获得了最佳的毁伤效果。     

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。     

基于CDKF的快速协方差交叉融合跟踪算法研究

随着目标抗干扰能力的增强，单一寻的制导方式很难完成对目标的稳定跟踪和精确打击，需采用多种探测器作为传感器，提供多种观测数据以实现对目标的稳定跟踪和精确打击。建立了适当的目标运动模型和观测模型，利用中心差分卡尔曼滤波（CDKF）变换处理模型的非线性问题，避免了求解复杂的雅克比矩阵。对于分布式多传感器融合，传统的方法多采用协方差交叉（CI）融合方法，但是这类方法需要寻优求解。而快速协方差交叉（FCI）则不需要进行寻优过程，且计算量小。在此基础上，提出了用于多传感器目标跟踪的CDKF-FCI融合算法。最后，对算法进行了仿真分析，并进一步验证了提出算法的有效性。     

基于LSTMAttention网络的短期风电功率预测

提出一种基于LSTMAttention网络的短期风电功率预测方法。首先,使用LSTM网络对数值天气预测(NWP)数据的特征信息进行提取,同时采用注意力机制有效分析了模型输入与输出的相关性,从而获取了更多重要时间的整体特征；其次,使用卷积神经网络(CNN)提取NWP数据的局部特征,并引入压缩和奖惩网络(SE)模块学习特征权重,利用特征重新标定方式提高网络表示能力；最后,将局部特征和整体特征进行特征融合,通过分类器输出分类结果。利用NOAA提供的美国加利福尼亚州某风电场的数据进行案例分析,证明了所提方法的有效性。试验结果表明,与BP神经网络、自回归积分滑动平均模型(ARIMA)模型和LSTM模型相比,LSTMAttention模型具有更高的预测精度,证明了该方法的有效性。     

基于改进的卷积神经网络的步态识别

为了提高惯性传感器采集到的序列数据中步态识别的准确率,建立了一个激励层改进的卷积神经网络(CNN)模型。针对三轴加速度传感器对运动太过敏感导致步态周期划分不准确的问题,采用加速度传感器与弯曲度传感器组合获取人体运动信息。将CNN模型中激励层的线性整流函数(ReLU)改进为带泄露线性整流函数(Leaky ReLU),以解决遇到卷积输出数据小于0时神经元被抑制的问题,进而达到提高步态识别准确率的目的。实验结果表明激励层优化的CNN模型在行走、上下楼和上下坡五种步态模式下识别率达到了95.79%,与未采用弯曲度传感器的改进CNN模型和未进行激励层改进的CNN模型相比,步态识别率有所提高。     

延伸冲击孔冲击冷却流动与换热特性的数值研究

采用数值模拟方法研究了延伸冲击孔冲击冷却系统的冷却特性,分析了3个冲击雷诺数和5个冲击孔延伸长度对冲击腔内流动与换热特性的影响,给出了靶面努塞尔数分布、靶面压力分布、中心截面流速与综合换热性能的变化。结果表明：延伸冲击孔可以有效地防止横流对冲击射流的偏转作用,同时使射流出口更加贴近冲击靶面壁面,冲击速度更高,可以明显提高靶面的换热系数,并使整个靶面上的换热系数分布也更加均匀。冲击冷却的冷却性能随着冲击孔延伸长度的增加而增加,相较于传统冲击冷却（baseline）,在L/d=2.5时靶面平均努塞尔数提升达15%以上,但压力损失也相对较高;对比不同延伸长度冲击孔的综合换热性能,发现存在最佳的L/d取值范围使冲击冷却系统获得最佳的综合冷却性能。在本研究范围内,最佳的L/d= 2.5。