基于残差NLSTM网络和注意力机制的航空发动机剩余使用寿命预测

针对长短期记忆（LSTM）网络对于多维数据特征识别和提取上存在不足的问题，在其改进模型嵌套式长短期记忆（NLSTM）网络的基础上，提出了一种基于注意力机制和残差NLSTM网络的剩余使用寿命预测方法。该方法将双层NLSTM网络代替残差块中的主网络，保留捷径连接中的卷积神经网络结构，既能充分提取时序特征又能保证有用数据在网络层中的跳层传递，并融入注意力机制构建多层残差网络，注意力机制的使用能够选择出对预测结果有重要影响的信息，有效提高预测的准确率。在航空发动机退化实验数据集上进行实验分析，结果表明：所述方法能有效建立监测数据与发动机健康状态之间的关系，剩余使用寿命预测误差较未改进残差结构方法平均降低10.8%，比未融入注意力机制方法平均降低18.9%，有效提高了预测精度。     

基于民机维修文本数据的故障诊断方法

在民航检修与维护过程中积累了大量蕴含丰富故障特征的文本维修记录，然而由于维修文本本身存在复杂性，其还未实现智能诊断，数据利用率低。提出一种不断修正迭代的基于预训练语言模型双向转换器编码表示（BERT）及轻量级梯度提升机（LightGBM）的飞机维修记录的故障原因分析方法，求解文本形式的维修记录中的故障原因，用以辅助维修人员进行正确的维修决策。首先，在基于BERT的故障诊断模型Transformer特征提取架构中引入多头注意力机制，以充分捕捉融合上下文的双向语义、更加关注于重点词汇；其次，为了提高诊断速度减少模型的参数并融合LightGBM模型来实现维修文本的故障原因分类；最后，将改进的模型与其他常用文本分析模型进行对比实验，在基于民机维修文本的故障诊断中该模型的准确率比TextCNN模型、LSTM模型和BiLSTM模型分别提升了38.99%、22.98%和18.16%，且BERT-LightGBM模型比BERT模型诊断速度提升了0.91%。表明所提方法在实现飞机维修文本故障诊断方面的有效性及优越性。     

复杂动态环境下无人飞行器动态避障近似最优轨迹规划

针对复杂动态环境下无人飞行器的动态障碍规避问题，基于合理假设建立了无人飞行器和动态障碍的运动学模型，并综合考虑无人飞行器飞行过程中的终端约束、控制输入约束、安全避障约束等，以能量最少为性能指标构建动态避障问题数学描述。之后，针对终端约束和控制输入约束，依据优化模型预测静态规划算法(OMPSP)生成初始轨迹；针对动态避障问题的不等式约束，引入松弛变量并结合滑模变结构控制方法设计松弛变量动力学，实现对一个、多个或同时多个动态障碍的安全规避；最后，依据有限时间微分动态规划(RHDDP)算法进行轨迹优化，获得满足上述各种约束并能规避动态障碍的近似最优轨迹。     

基于鸽群优化算法的实时避障算法

为保证机器人能安全无碰撞地抵达目标位置，提出一种在改进版圆形扩张（CSE+）法中融合鸽群优化算法的实时避障算法。所提算法引入对障碍物密集程度的判断机制，在障碍分布密集时选择最安全的路径，在障碍物分布稀松的环境中，利用鸽群优化算法在安全范围内寻找下一目标最优位置。此外，还引入了搜索树，可实现死角的检测与避免。仿真结果显示:所提避障算法能提高路径规划的性能，在障碍物分布稀松时效果更加明显，且可实现死角检测并能通过狭长通道。      

先进战斗机过失速机动大气数据融合估计方法

可控的过失速机动是先进战斗机超机动性能的重要标志，飞机飞行包线的扩大已超出传统的大气数据系统测量范围，可靠的迎角、侧滑角、总压、静压等飞行大气数据是制约先进战斗机过失速机动中飞行控制的关键因素。以中国推力矢量验证机为对象，基于过失速机动飞行试验的数据，开展大气参数估计与验证研究。结合过失速机动的时间与空间特性，研究了基于风速、地速、空速矢量和惯性姿态、导航参数的大气参数融合计算方法；针对过失速大迎角状态下飞机周围气流非定常、模型非线性导致的融合大气参数误差的复杂特性，进一步构建深度神经网络，对机动状态融合迎角、侧滑角的强非线性误差进行拟合。仿真和飞行试验表明：该方法可在大迎角飞行状态下实现主要大气参数的融合估计，过失速机动过程中融合迎角误差优于2.3°，融合得到的大气参数可为过失速大迎角机动飞行控制提供可靠的大气参数状态反馈。     

基于深度神经网络的粒子图像测速算法

粒子图像测速(PIV)作为一种流体力学实验技术,能够从流体图像中获取全局、定量的速度场信息。随着人工智能技术的发展,设计用于粒子图像测速的深度学习技术具有广泛的应用前景和研究价值。借鉴在计算机视觉领域用于运动估计的光流神经网络,采用人工合成的粒子图像数据集进行监督学习训练,从而获得适用于流体运动估计的深度神经网络模型,并且能够高效地提供单像素级别分辨率的速度场。文中采用人工合成的湍流流场粒子图像进行初步实验评估,并讨论PIV神经网络的隐藏层输出和内在原理,同时将训练而成的深度神经网络模型与传统的相关分析法、光流法对比;随后进行射流流场测速实验,验证深度神经网络PIV的实用性。实验结果表明,文中提出的基于深度神经网络的粒子图像测速在精度、分辨率、计算效率上具有优势。     

一种改进X-best引导个体和动态等级更新机制的鸡群算法

在群智能算法的改进中，常利用优秀个体加速算法收敛，但对其依赖过度会导致种群多样性和算法全局收敛性下降的现象。对此，提出一种改进X-best引导个体和动态等级更新机制的鸡群算法。首先，在个体更新阶段不仅引入优秀个体加速收敛，并且通过普通个体对优秀个体的影响进行适当平衡，因此，优秀个体与普通个体的信息都能得到利用，进而种群多样性和算法全局收敛性得到提升。其次，通过对等级更新参数进行动态优化，加强了种群等级更新机制对算法收敛的促进作用。最后，经过时间复杂度与收敛性分析，证明了改进算法仍具有简单性和全局收敛性。仿真结果表明:所提出的改进算法较其他对比算法在寻优精度、寻优成功率和收敛速度等方面都具有明显优势。      

基于3D-Winograd的快速卷积算法设计及FPGA实现

近年来，卷积神经网络（CNN）已被计算机视觉任务广泛采用。由于FPGA的高性能、能效和可重新配置性，已被认为是最有前途的CNN硬件加速器，但是受FPGA计算能力、存储资源的限制，基于传统Winograd算法计算三维卷积的FPGA解决方案性能还有提升的空间。首先，研究了适用于三维运算的Winograd算法一维展开过程；然后，通过增加一次性输入特征图和卷积块的维度大小、低比特量化权重和输入数据等方法改善CNN在FPGA上的运行性能。优化思路包括使用移位代替部分除法的方法、分tile方案、二维到三维扩展及低比特量化等4个部分。相对传统的二维Winograd算法，优化算法每个卷积层的时钟周期数减少了7倍左右，相较传统滑窗卷积算法平均每个卷积层减少7倍左右。通过研究，证明了基于一维展开的3D-Winograd算法可以大大减少运算复杂度，并改善在FPGA运行CNN的性能。