基于权值分配及多特征表示的在线多示例学习跟踪

针对复杂环境下目标跟踪过程中由于遮挡、目标姿势及光照条件变化引起跟踪漂移的问题,提出一种基于多示例学习（MIL）框架的在线视觉目标跟踪算法。该算法针对多示例跟踪算法采用单一haar-like特征不能准确描述目标外观变化及在学习过程中对样本包中各正负样本示例采用相同权值,忽略不同正负样本示例在学习过程中对包的重要性不同的特点,采用多特征联合表示目标外观构造分类器,通过将多特征互补特性融入在线多示例学习过程中,利用多特征的互补属性建立准确的目标外观模型,克服在线多示例跟踪算法对目标外观变化描述不足的问题;同时,依据不同正负样本示例对样本包的重要程度进行权值分配,提高跟踪精度。实验结果表明,本文跟踪算法对场景光线剧烈变化、遮挡、尺度变化及平面旋转等干扰具有较强的跟踪鲁棒性,通过对不同视频序列进行测试,文中算法在5组测试视频序列上的平均中心位置误差远小于对比增量式学习跟踪,仅为10.14像素,其对比算法IVT、MIL和OAB的中心位置误差分别为17.99、20.29和33.64像素。      

基于机器学习的空间翻滚目标实时运动预测

借助监督式机器学习（ML）方法,对空间翻滚目标的运动状态预测问题进行研究,为空间机器人抓捕空间翻滚目标提供可靠的数据依据。基于物理模型的运动预测方法依赖理想的建模假设,需要连续的视觉反馈信息,解决目标预测问题的能力有限。因此,本文采用机器学习中纯数据驱动方式的稀疏伪输入高斯过程（SPGP）回归方法进行空间翻滚目标的运动预测。给定空间翻滚目标运动状态的历史观测数据,通过连续优化真实观测数据,得到稀疏的伪训练数据集,进而在线快速预测目标的运动状态,预测的计算效率达到毫秒级。此外,利用马尔科夫链蒙特卡洛（MCMC）法处理连续优化过程,克服由于随机初始值造成的优化过程陷入局部极小值问题。利用Snelson数据验证了所提稀疏伪输入高斯过程回归方法的正确性,并通过4组仿真算例验证了所提方法对于空间翻滚目标运动预测的有效性和鲁棒性。     

失效卫星姿态接管的并行学习合作博弈控制

针对多颗微小卫星合作接管失效卫星姿态运动的问题,研究了考虑微小卫星控制约束的多星合作博弈策略学习与协同控制方法。首先,建立了微小卫星合作博弈模型,给出了能够处理微小卫星控制约束的多星合作博弈帕累托最优策略显式表达式。其次,针对微小卫星合作博弈策略学习需求,通过过去与当前时刻数据的并行使用,设计了基于并行学习的策略迭代方法,该方法放松了神经网络（NN）权值矢量学习对持续激励条件的要求。给出了为确保神经网络权值矢量估值收敛,所使用的过去时刻数据所需满足的条件,并通过Lyapunov方法分析了神经网络权值矢量估计误差的一致最终有界性。之后,采用并行学习策略迭代方法进行了微小卫星合作博弈帕累托最优策略数值解的逼近。所获得的合作博弈策略具有反馈控制形式,在进行神经网络权值矢量学习后,各微小卫星能够通过合作博弈策略的独立计算实现失效卫星姿态运动接管过程中的闭环协同控制。所设计方法避免了传统姿态控制方法所需进行的力矩分配,消除了微小卫星数量对其控制计算复杂度的影响。最后,通过数值仿真对所设计方法的有效性进行了验证。     

湍流数据同化技术及应用

近年来数据同化（DA）被引入湍流动力学研究中,通过融合实验测量和数值计算,提高了实验测量的精度和广度,改善了数值模拟的预测性能。实验观测、预测模型和同化算法是数据同化的三要素,湍流研究中的实验观测包括热线风速仪、粒子图像测速法（PIV）、压力传感器等局部测量数据,预测模型主要指流动控制方程及湍流封闭方程,而同化算法包括贝叶斯推断、集合卡尔曼滤波（EnKF）、伴随等。稳态数据同化一般结合雷诺平均Navier-Stokes （RANS）模型方程,从重新标定模型常数、修正涡黏模型方程形式误差、修正雷诺应力项等方面着手。非稳态的数据同化一般包括四维变分（4DVar）等时间连续的数据同化方式以及顺序数据同化。4DVar通过时间正向和逆向积分迭代,存储量和计算量都非常大。顺序数据同化不需要时间逆向积分,可以在若干时刻对实验观测进行间断地植入,正向求解整个系统。另外,随着人工智能的飞速发展,湍流数据同化研究也向智能化迈进。对于纯数据驱动的湍流机器学习,其缺乏物理本质的约束,而基于物理信息的机器学习在物理本质上与数据同化是一致的。     

机器学习在流动控制领域的应用及发展趋势

流动控制作为流体力学中的重要跨学科领域,一直是科学研究和工程应用关注的焦点之一。由于流动系统具有强非线性等复杂特征,对流动的控制尤其是闭环控制,一直颇富挑战性。近年来机器学习的迅速发展为许多学科带来了新的方法、新的视角和新的观点,对于流动控制领域亦是如此。通过回顾现阶段三类基于机器学习的流动控制方法,为主动流动控制领域的研究者展示机器学习在流动控制中应用的整体概况,进而勾勒出本领域的发展趋势。     

一类非线性系统的一阶D型迭代学习控制

传统的D型迭代学习控制的控制律设计方案依赖于被控系统的相对度.为解决该问题以及相对度增益与高阶微分运算的问题,针对一类具有任意高阶相对度的非线性系统,提出了基于虚拟模型的一阶D型迭代学习控制设计方法.该方法的主要思想是与具有任意高阶相对度的非线性被控系统并联一个一阶子系统,构造一个相对度为1、相对度增益可以任意设计的虚拟模型,在此基础上设计一个一阶D型迭代学习控制律,使得虚拟模型能够实现期望轨迹的完全跟踪,从而实际被控系统在一定误差范围内实现期望轨迹的跟踪.仿真实例验证了所提方法的可行性与有效性.     

基于DDPG的单目无人机避障算法

提出了一种基于单目相机的小型多旋翼无人机的连续避障策略。所提出的方法包括深度估计和导航决策两个模块。其中,在深度估计模块采用条件对抗网络对无人机采集得到的RGB图片进行训练预处理,在导航决策模块采用深度确定性策略梯度(DDPG)算法实现无人机的连续避障。在此基础上,对DDPG中的Actor网络进行改进,通过使用多模态网络代替原有策略网络,从而抑制无人机飞行震动,提高避障能力。最后,在Airsim仿真环境中进行测试,实验表明所提算法模型经过训练能够使无人机成功躲避障碍物并到达指定目标点,与原有算法相比避障轨迹得到明显改善。     

基于神经网络的飞行器再入制导研究

论述了神经网络理论在飞行器再入制导方面的应用.在分析各方法优缺点的基础上,提出了一种基于广义同归神经网络(GRNN)模型的再入制导方法.神经网络通过一组选定的轨迹样本进行有导师训练,训练好之后作为控制指令生成器,输入为再入过程中飞行器的状态参数,输出为倾侧角控制量,迎角控制量则由迎角剖面给定.仿真结果验证了该方法在再入...     

GA-BP神经网络在航空发动机状态监测中的应用研究

针对航空发动机状态监测问题,引入人工神经网络为发动机复杂非线性系统建立精确模型;选择以GA-BP贝叶斯算法作为神经网络训练算法,建立优化设计近似模型;以发动机排气温度的预测为例,构建了一个GA-BP神经网络对航空发动机状态进行预测。结果表明,GA-BP神经网络收敛速度快,泛化能力强,优于标准BP神经网络,因而为航空发动机状态监测提供了一种有效的方法。     

最小二乘支持向量机的在线学习算法研究

针对最小二乘支持向量机在线逼近过程中求解矩阵维数逐渐扩大的问题,提出了一种最小二乘支持向量机的在线学习算法。借助滚动窗口的思想,建立一个随时间滑动的建模数据区间,在线逼近中通过接受新数据删除旧数据来保持数据区间长度不变,同时数据不断更新,从而实现模型的在线学习。仿真结果表明了这种学习算法的有效性。