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。     

基于复杂网络的车载自组织网络脆弱性分析

车载自组织网络(VANET)作为智能交通的重要基础应用，其安全稳定地运行是交通系统乃至社会经济可持续发展的需要。以最大连通度、连通分支平均规模、全局网络效率等参数为脆弱性测度指标，基于复杂网络理论，应用车辆仿真软件(VanetMobiSim)建立了VANET网络拓扑模型，详细研究了在随机攻击和蓄意攻击模式下脆弱性量化指标随节点移除比例的变化关系；通过仿真实验分析了节点密度、信号辐射半径及不同攻击策略对VANET脆弱性的影响。仿真结果表明:VANET在蓄意攻击下比较脆弱，基于节点介数的蓄意攻击效能最强；节点密度、信号辐射半径越小，VANET连通性越差，网络越脆弱。所提方法和结果为VANET拓扑控制优化和网络管理决策提供了理论依据。      

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。     

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。      

多斜率自适应卷积神经网络激活函数

针对卷积神经网络中激活函数无法有效为处于不同激活程度的像素点提供特定梯度响应的问题，设计了一种由多个分段线性函数组成的自适应激活函数.首先依据像素激活值的取值范围，自适应地生成多个独立的激活域，各个激活域的并集包含激活图中全体像素点的激活值；随后在每个激活域中学习一个特定的线性函数，为处于该激活域中的像素点提供特定的梯度响应；最后以NIN网络和ResNet18网络为例，在CIFAR 10和CIFAR 100数据集上，验证所提激活函数的性能.实验结果表明，与现有激活函数相比，本文提出的激活函数，由于能够更好地为处于不同激活程度的像素点提供适当的梯度响应，使分类准确率在NIN网络上分别达到87.96%和69.01%，在ResNet18网络上分别达到88.56%和73.54%.     

高超声速飞行器再入段LQR自抗扰控制方法设计

针对高超声速飞行器(HSV)再入过程中强非线性、强耦合、气动参数变化剧烈的不确定性的特点，提出一种基于线性二次型调节器(LQR)和自抗扰控制(ADRC)的高超声速飞行器再入段的姿态控制方法。首先，建立高超声速飞行器再入段线性化模型，并采用LQR方法完成了状态反馈控制律设计。然后，结合自抗扰控制技术，设计了扩张状态观测器(ESO)对系统的模型不确定性和外部干扰进行补偿，大幅增强了系统的扰动抑制能力。最后，将得到的高超声速飞行器再入段LQR自抗扰姿态控制器(LQRADRC)应用于高超声速飞行器六自由度仿真，仿真结果表明本文所提出的控制方法能够快速、精确地跟踪角位置指令，并且对系统不确定性具有强鲁棒性。     

温度对高速平板边界层转捩雷诺数的影响

为了深入研究温度对高速边界层稳定性和转捩的影响,并对不同温度条件下的转捩结果进行关联,采用线性稳定性理论和eN方法,对不同壁温、总温条件下的高速平板边界层进行了稳定性分析和转捩预测。温度条件对转捩的影响体现在两方面,一方面会改变快、慢模态的分枝特性,由此改变扰动的线性增长路径;另一方面可以改变边界层本身的不稳定性,引起扰动增长幅值和转捩位置的变化。结果表明,壁温或总温的变化,会产生不同的模态分枝类型,且总温的增加对边界层起稳定作用。另外,发现对于相同马赫数,在不高于1000K的壁温条件下,扰动的增长与壁温存在一致性的变化规律,结合eN方法,获得了转捩雷诺数与壁温比和N值的函数关系式。利用该公式,可以对不同初始扰动幅值和壁温条件的边界层转捩进行预测和关联。