基于OPNET的CAN网络建模与仿真

为分析控制器局域网(Controller Area Network, CAN)协议,评价CAN网络性能,提出在OPNET网络仿真环境中CAN网络模型的建模方法.采用网络层次化建模方法构建节点模型.介质访问控制(Medium Access Control, MAC)子层中设计MAC、错误处理和帧间空间模块,保证系统结构清晰.通过进程设计,MAC模块中实现了网络实时性模型;错误处理模块中实现了连续错误下网络不可用模型.定义和编辑链路及数据帧模型.根据实例模型进行网络模型的配置和仿真.仿真结果与实例测试结果一致,验证了网络模型的有效性.通过分析具体网络仿真环境下的仿真结果,对CAN网络性能进行了讨论.该模型提供了独立可编辑的节点模型,链路模型和数据帧模型,可实现灵活的网络配置,用于不同网络拓扑分析.     

基于启发式算法的网络可靠性分配方法

由于网络的结构特殊性,已有的经典可靠性分配方法难以直接应用.在AGREE(Advisory Group on Reliability of Electronic Equipment)方法的基础上,根据网络可靠性与部件可靠性的函数关系确定网络部件重要度,运用启发式算法逐步迭代实现了网络k/N端可靠性分配,解决了无法对网络应用串联模型开展可靠性分配的问题.以中国教育网(CERNET,China Education and Research Network)骨干网为案例,应用该方法实现了75%网络节点连通可靠性指标的分配,并进一步分析了迭代终止条件、网络可靠性指标要求等参数对分配结果的影响,通过绘制可靠性随时间变化的曲线证明了分配结果能满足网络可靠性指标要求,说明了该方法的正确性和适用性.     

面向对象的虚拟组织集成建模方法

提出了一种适应虚拟组织业务过程动态变化的虚拟组织集成建模方法(VOIM,Virtual Organization Integrated modeling),该方法集标准化面向对象的建模语言(UML,Unified Modeling Language)、功能建模集成化定义方法(IDEF0,Integration Definition for Function Modeling)和事件驱动过程链(EPC,Event-driven Process Chain)为一体,以弥补单一方法的不足,适合复杂系统特别是虚拟组织的建模,其中:IDEF0对虚拟组织的功能建模,EPC对功能视图进行细化,UML通过实体映射关系把虚拟组织模型的各个视图有机结合起来,有利于实现系统的模块化和模型的重用;同时对建模过程中UML到EPC之间的转换方法进行了研究.最后对模型进行了形式化描述,从而使VOIM具备严格定义的抽象语法和语义,为模型的验证和仿真提供了良好的基础.     

无人机全包线模糊T-S建模

针对无人机大包线一体化飞行控制要求,提出全包线模糊T-S(Takagi-Sugeno)建模方法.该方法根据非仿射系统的局部线性化原理,将模糊T-S建模转化为仅对模糊规则中隶属度函数的中心和宽度的优化过程,优化的代价函数为模糊T-S模型对无人机全包线稳定性和操纵性的逼近误差的加权值.基于敏感度逐步扩展前件变量的模糊集以实现全局优化,确定模糊规则的数量和隶属度函数的初值.采用对正则因子启发式调整的Levenberg-Marquardt算法进行快速的局部优化.算例表明,建模算法收敛迅速,所建立的模糊T-S模型采用少量模糊规则实现了对无人机全包线稳定性和操纵性的高精度逼近,适用于无人机全包线一体化控制.     

地面数字电视基带调制器芯片电源网络设计

对IR-drop和EM现象进行了解释和分析,结合地面数字电视基带调制器芯片的设计,将标准单元区域简化为电源电阻网络进行建模,根据模型计算出最大电压降,在保证最大电压降区域能够正常工作的基础上,简单有效地设计了标准单元模块区域的电源网络,最后在考虑到宏模块电源环压降的前提下,将宏模块区域转化成标准单元区域进行建模,完成了整个芯片的电源网络设计.此方法运用于早期布局,确保电源分配的可靠性,提高设计效率,通过地面数字电视多媒体广播的全模式发射端芯片的流片成功和功能的实现,证明了该方法的实用性和有效性.     

基于多信号流图的分层系统测试性建模与分析

为了对分层系统进行测试性分析,提出基于多信号流图模型的分层系统测试性建模与分析方法.该方法利用多信号流图模型建立分层系统的层次结构模型,进行测试性分析时,首先利用相关性模型法对顶层模型进行测试性分析,当层次性模块与其它模块不能区分时,再利用相关性模型法对模糊组进行测试性分析,最终实现对分层系统的诊断设计.最后,利用某具有层次性结构的滤波放大器电路对该方法进行了验证,试验结果证明,该方法对于分层系统的测试性建模与分析是有效的,能够为分层系统制定有效的诊断策略.      

基于离散事件方法的AFDX建模与仿真

采用了建模仿真的方法来分析航空电子全双工交换式以太网(AFDX,Avionics Full Duplex switched ethernet)协议.通过对AFDX协议的抽象,基于离散事件的建模方法,以基本的网络元素来抽象化网络中的端系统、交换机等设备,以离散事件来描述网络设备的行为,以此构建了AFDX网络模型,并依据模型实现了仿真.网络演算是一种理论计算AFDX最坏延迟界限的方法,将典型场景下仿真得到的结果与理论计算的结果进行比较,验证了模型.通过不同流量方案下仿真结果的对比,对AFDX进行了传输特性的分析.      

LTPB网络带宽分配策略的实时性能研究

研究LTPB(线性令牌传递总线)在通信网络中保证消息实时传输的带宽分配问题.LTPB网络带宽的分配是以保证网络消息的实时传输为目标的,网络中关键参数(一定时间内发送消息的最小量)的准确与否将关系到网络带宽分配的合理性和有效性.通过对带宽分配方法实时特性的分析,发现了当前分析方法中的不足,提出了"最差情形"的概念,并以此建立了合理的推导模型,得出了有关LTPB网络实时性分析的关键性结果,并为下一步寻求更优的带宽分配方法提供了可靠的分析基础.      

虚拟层次化无线mesh网络信道分配策略

为了获得具备良好的用户分集效果和路由稳定性的无线mesh网络,提出了一种虚拟层次化网络架构.这种无线mesh网络将临近节点聚合为虚拟小区,该小区内部节点不仅能够直接通信,还具有路由转发功能.虚拟小区内部节点之间的连接构成虚拟的底层网络,虚拟小区之间的连接则构成虚拟的顶层网络.为解决虚拟层次化无线mesh网络的信道资源分配问题,提出了一种图着色模型——广义集合T-coloring模型.该模型以虚拟小区为无线信道的分配单位,并采用射频防卫度为无线信道的干扰约束指标,在保证网络连通性的前提下,既降低信道干扰又提高信道利用率.采用虚拟小区分裂方式进一步增加了网络容量也提升了信道分配公平性.仿真结果验证了该策略的有效性.     

基于神经网络的重力卸载系统控制器设计

吊挂系统是地面模拟空间机械臂重力卸载试验的重要方法之一.针对传统PID控制方式动作响应慢、鲁棒性差等缺点,提出了一种基于径向基函数(RBF)神经网络的智能控制方式.该方式有很强的非线性拟合能力,且学习规则简单,可映射任意复杂的非线性关系,便于计算机实现.利用该特性,设计了一种重力卸载精度较PID控制方式更高的控制器.该...     

嵌入式软件可靠性测试平台仿真器分系统研究

研究了嵌入式软件可靠性测试平台中仿真器分系统的实现问题．首先介绍了软件可靠性仿真测试平台的功能及组成框架,然后以通用性和可扩展性为前提,对实现仿真器分系统的关键技术进行了探讨,着重对任务调度功能的实现进行了深入研究,提出了一种新的图型任务链的调度方法．实验结果表明,仿真器分系统的这些实现方法具有较高的可靠性、易扩展性和实用性．     

嵌入式软件可靠性测试平台仿真器分系统研究

研究了嵌入式软件可靠性测试平台中仿真器分系统的实现问题.首先介绍了软件可靠性仿真测试平台的功能及组成框架,然后以通用性和可扩展性为前提,对实现仿真器分系统的关键技术进行了探讨,着重对任务调度功能的实现进行了深入研究,提出了一种新的图型任务链的调度方法.实验结果表明,仿真器分系统的这些实现方法具有较高的可靠性、易扩展性和实用性.      

基于PPO的移动平台自主导航

为解决强化学习算法在自主导航任务中动作输出不连续、训练收敛困难等问题,提出了一种基于近似策略优化(PPO)算法的移动平台自主导航方法。在PPO算法的基础上设计了基于正态分布的动作策略函数,解决了移动平台整车线速度和横摆角速度的输出动作连续性问题。设计了一种改进的人工势场算法作为自身位置评价,有效提高强化学习模型在自主导航场景中的收敛速度。针对导航场景设计了模型的网络框架和奖励函数,并在Gazebo仿真环境中进行模型训练,结果表明,引入自身位置评价的模型收敛速度明显提高。将收敛模型移植入真实环境中,验证了所提方法的有效性。     

Mars entry fault-tolerant control via neural network and structure adaptive model inversion

The capability of autonomous fault detection and reconstruction is essential for future manned Mars exploration missions. Considering actuator failures and atmosphere uncertainties, we present a new active fault-tolerant control algorithm for Mars entry by use of neural network and structure adaptive model inversion. First, the online BP neural network is adopted to conduct the fault detection and isolation. Second, based on the structure adaptive model inversion, an adaptive neural network PID controller is developed for Mars entry fault-tolerant control. The normal PID controller will be automatically switched into neural network PID controller when an actuator fault is detected. Therefore, the error between the reference model and the output of the attitude control system would be adjusted to ensure the dynamic property of the entry vehicle. Finally, the effectiveness of the algorithm developed in this paper is confirmed by computer simulation.     

分布式对象柔性化访问控制方法

传统的访问控制机制由于将安全策略与安全机制融为一体,只能支持一种安全策略.为了使访问控制机制能够动态支持多种安全策略,引入了元策略概念,并利用元策略描述框架与基于元策略的访问控制策略模型,提出了一种柔性化访问控制方法,使访问控制机制能够将安全策略与安全策略决策机制剥离,并能够动态支持多种安全策略.上述方法已经在基于CORBA的实验系统中实现,测试结果表明该方法是有效的.      

近距空战训练中的智能虚拟对手决策与导引方法

针对近距空战训练中智能虚拟对手攻防博弈的自主决策与占位导引问题,提出了基于动态贝叶斯网络(DBN)和约束梯度法的智能虚拟对手决策和导引一体化方法。结合空间占位态势、火控攻击区和机动动作识别结果等信息,建立近距空战决策动态贝叶斯网络模型,实现根据战场动态环境变化的占位导引指标决策。针对在线识别的各类目标机动动作,建立轨迹预测模型,实现目标轨迹的实时预测。根据占位导引指标和目标预测轨迹,考虑飞行性能约束,采用约束梯度法计算智能虚拟对手的优化占位导引量。实现了近距空战智能虚拟对手空间占位决策与导引量计算的无缝结合。近距空战仿真实验结果表明:所提方法能够实现智能虚拟对手的合理化自主决策和占位导引,克服了传统方法实现机动动作方式固化的问题,具备较好的实时性和优化性。      

行星软着陆GPS有模型强化学习制导方法

由于距离地球较远、测控延时误差较大、飞行环境十分复杂且难以提前预测，行星软着陆的自主制导技术目前存在水平位置估计困难、导航参考信息匮乏、复杂地形着陆困难等挑战。针对行星软着陆存在的困难和挑战，提出了基于引导策略搜索算法的有模型强化学习制导方法，实现了着陆器在初始状态受到扰动时，无需重新规划，仍能在满足约束条件的情况下降落在指定位置。该方法将迭代线性二次调节器作为控制器，产生初始轨迹；其次，使用多层神经网络拟合制导策略；最后，利用控制器监督策略学习，进而收敛产生可行策略。针对行星表面软着陆的仿真验证结果显示该算法仅通过几次循环，即可以实现初始状态变化的快速软着陆。一方面表明了基于有模型强化学习的数据高效利用率，另一方面也证明了强化学习方法在深空探测领域中具有广阔的应用前景。     

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。     

Deep learning-based framework for monitoring of debris-covered glacier from remotely sensed images

In recent years, deep learning (DL) methods have proven their efficiency for various computer vision (CV) tasks such as image classification, natural language processing, and object detection. However, training a DL model is expensive in terms of both complexities of the network structure and the amount of labeled data needed. In addition, the imbalance among available labeled data for different classes of interest may also adversely affect the model accuracy. This paper addresses these issues using a new convolutional neural network (CNN) based architecture. The proposed network incorporates both spatial and spectral information that combines two sub-networks: spatial-CNN and spectral-CNN. The spectral-CNN extracts spectral information, while spatial-CNN captures spatial information. Moreover, to make the features more robust, a multiscale spatial CNN architecture is introduced using different kernels. The final feature vector is formed by concatenating the outputs obtained from both spatial-CNN and spectral-CNN. To address the data imbalance problem, a generative adversarial network (GAN) was used to generate data for the underrepresented class. Finally, relatively a shallower network architecture was used to reduce the number of parameters in the network and improve the processing speed. The proposed model was trained and tested on Senitel-2 images for the classification of the debris-covered glacier. The results showed that the proposed method is well-suited for mapping and monitoring debris-covered glaciers at a large scale with high classification accuracy. In addition, we compared the proposed method with conventional machine learning approaches, support vector machine (SVM), random forest (RF) and multilayer perceptron (MLP).