带有拦截时间约束的协同制导方法

针对多飞行器协同拦截机动目标问题,基于有限时间滑模控制方法和一致性理论提出一种考虑拦截时间约束的协同制导方法。基于相对运动学和动力学关系,建立考虑拦截时间和角度约束的协同拦截模型;基于滑模控制理论和超螺旋控制算法分别设计了视线方向和视线法向协同制导律以保证各飞行器拦截时间在有限时间内一致收敛且拦截角度收敛到期望值;基于一致性理论证明了所提方法有限时间一致收敛性能。仿真结果表明：所提方法能够保证各飞行器以期望拦截角同时拦截目标,验证了所提方法的有效性。     

基于预测碰撞点的剩余飞行时间估计方法

分别针对顺轨与逆轨拦截飞行轨迹的特点,设计了相应的剩余飞行时间（TGO）估计方法。该方法通过对弹目碰撞点的预测,降低了发射条件差异对TGO估计精度的影响。首先对线性比例导引运动方程进行变形,得到拦截弹飞行轨迹关于弹目距离的一阶微分方程,基于预测碰撞点,对不同初始发射角造成的积分结果误差进行修正,得出了2种拦截模式下的TGO解析表达式。通过与3种现有估计方法对比分析,验证了提出方法的实时性和估计精度,且能够优化制导性能。      

THAAD增程型拦截弹预测制导方法

根据公开资料对THAAD增程型拦截弹建模,针对大射程的特点规划了高抛弹道,生成标准弹道族。提出了迭代预测命中点法,利用解析方法计算剩余飞行时间,基于多项式拟合法寻找标准弹道,确定预测命中点,完成预测制导任务。将迭代预测命中点法与迭代飞行时间法进行对比,迭代预测命中点法初值选取容易,程序运行时间减少20%,制导过程中无需调用标准弹道文件,节省了计算机存储空间。通过改变射程、航路捷径对预测制导方法进行仿真验证,结果表明,拦截弹拦截射程可覆盖到600 km,并且能完成存在航路捷径时的拦截任务,平均脱靶量在200 m以内,应对气动不确定性的效果良好。      

基于BP神经网络的飞行动态实时预测方法

针对传统Back-Propagation网络(简称BP网络)收敛速度慢、网络灵敏度过高和隐含层数难以确定等缺陷,提出一个改进型BP网络,提高了网络预测的实时性和精确性;然后将之应用到飞行动态预测问题上,充分发挥网络模型的学习、记忆和动态自适应性的优势,力图解决飞行器轨迹的描述和预测问题.      

基于LSTM循环神经网络的故障时间序列预测

有效地预测使用阶段的故障数据对于合理制定可靠性计划以及开展可靠性维护活动等具有重要的指导意义。从复杂系统的历史故障数据出发,提出了一种基于长短期记忆（LSTM）循环神经网络的故障时间序列预测方法,包括网络结构设计、网络训练和预测过程实现算法等,进一步以预测误差最小为目标,提出了一种基于多层网格搜索的LSTM预测模型参数优选算法,通过与多种典型时间序列预测模型的实验对比,验证了所提出的LSTM预测模型及其参数优选算法在故障时间序列分析中具有很强的适用性和更高的准确性。      

基于最小Wilcoxon学习方法的模糊树模型

模糊树方法采用最小二乘法学习模糊规则的后件参数,对例外点敏感.为此采用对例外点不敏感的最小Wilcoxon学习方法代替最小二乘法,提出一种基于最小Wilcoxon学习方法的模糊树建模方法,该方法既改善了模糊树方法对例外点敏感的缺点,又继承了模糊树方法的优点.通过对混沌时间序列预测研究,仿真结果表明:所提方法可以对Mackey-Glass混沌时间序列进行准确预测,验证了该方法的有效性和对例外点的鲁棒性.     

基于强化学习的时间触发通信调度方法

未来航空电子系统中将会更广泛地选择基于时间触发的通信机制进行信息传输,以保证信息交互的确定性。如何合理地进行时间触发通信调度设计是时间触发应用于航空电子互连系统的关键。针对时间触发调度的周期性任务,提出了一种基于强化学习的周期调度时刻表生成方法。首先,将流量调度任务转换为树搜索问题,使之具有强化学习所需要的马尔可夫特性;随后,利用基于神经网络的强化学习算法对调度表进行探索,不断缩短延迟时间以优化调度表,且在训练完成后,可以直接使用到消息分布相近的任务中。与使用Yices等可满足模理论（SMT）形式化求解时间触发调度表方法相比,所提方法不会出现无法判定的问题,能够保证时间触发调度设计结果的正确性和优化性。对于包含1 000条消息的大型网络,所提方法的计算速度为SMT方法的数十倍以上,并且调度生成消息的端到端延迟在SMT方法的1%以下,大大提高了消息传输的及时性。      

基于PCC-LSTM模型的短期负荷预测方法

短期负荷预测是电网合理调度和平稳运行的基础。为提高短期负荷预测精度,提出了一种基于Pearson相关系数(PCC)和长短期记忆(LSTM)神经网络的短期负荷预测方法。该方法运用Pearson相关性分析对原始多维输入变量组成的时间序列进行相关性分析,选取与电力负荷数据相关性较大的影响因素作为输入量,实现原始数据的降维和选优;再通过LSTM神经网络结合Adam优化算法,对与电力负荷相关性较大的影响因素和负荷实际输出序列之间的非线性关系建立网络模型。以嘉捷BOX和重庆丽苑维景国际大酒店的负荷数据作为实际算例,并与Prophet、LSTNet、门控循环(GRU)神经网络模型方法进行对比。结果表明:所提PCC-LSTM模型预测精度均在91%以上,最高可达95.44%,有效提高了负荷预测的精度。      

基于协同滤波轨迹预测的机动目标RTPN拦截制导律

针对当前空中威胁目标拦截的实际需求,结合拦截器本身的机动能力,基于全覆盖协同策略,提出一种协同探测的现实真比例导引律（RTPN）制导拦截方法。所提方法解决了传统RTPN方法未考虑拦截器饱和过载限制及对任意机动目标捕获区域的确定问题。此外,针对拦截过程中对目标运动轨迹测量误差及协同探测数据丢包所引起的数据融合精度和鲁棒性问题,提出一种分布式协同滤波算法;针对数据传输和拦截器本身动力学响应延迟等问题,提出一种航迹预测算法。仿真结果验证所提方法能够有效解决饱和过载下的捕获区域确定及动力学延迟问题,及协同探测数据融合中数据丢包所引起的鲁棒性和精度问题。     

利用神经元拓展正则极端学习机预测时间序列

为实现对于时间序列预测数据的准确预测,提出一种神经元拓展正则极端学习机(NERELM,Neuron-Expanding Regularized Extreme Learning Machine),并研究了其在时间序列预测中的应用.NERELM根据结构风险最小化原理权衡经验风险与结构风险,以逐次拓展隐层神经元的方式自动确定最佳的网络结构,以避免传统神经网络训练过程中需人为确定网络结构的弊端.应用于时间序列的仿真结果表明:NERELM可有效实现对于RELM最佳网络结构的自动确定,具有预测精度高与计算速度快的优点.      

基于平面靶标的多视点云对齐方法

在大型物体三维视觉测量中,多视点云的对齐是其关键技术之一.设计了一种带有多个间距已知的角点作为特征点的平面靶标.靶标置于视觉传感器在2个不同位置测量的公共区域,2次测得特征点三维坐标.用靶标上任意3个非共线特征点的三维坐标建立单位正交基,从而求得多视点云坐标系初始变换矩阵.以初始对齐后的对应特征点之间距离平方和建立目标函数,并引入距离控制来增加约束条件,以3点求得的坐标变换矩阵为初值,采用Levenberg-Marquardt优化方法解出最优的坐标变换矩阵.采用双目视觉传感器对一石膏像在2个位置进行了测量,实验结果表明该对齐方法简单可靠,优化后的对齐精度比优化前提高了约31%.      

基于深度增强学习的卫星姿态控制方法

针对卫星在执行丢弃载荷或捕获目标等复杂任务时遭遇的姿态突然发生变化的问题,采用深度增强学习方法对卫星姿态进行控制,使卫星恢复稳定状态。具体来说,首先搭建飞行器的姿态动力学环境,并将连续的控制力矩输出离散化,然后采用Deep Q Network算法进行卫星自主姿态控制训练,以姿态角速度趋于稳定作为奖励获得离散行为的最优智能输出。仿真试验表明,面向空间卫星姿态控制的深度增强学习算法能够在卫星受到突发随机扰动后稳定卫星姿态,并能有效解决传统PD控制器依赖被控对象质量参数的难题。所提出的方法采用自主学习的方式对卫星姿态进行控制,具有很强的智能性和一定的普适性,在未来卫星执行复杂空间任务中的智能控制方面有着很好的应用潜力。     

基于深度学习的大型陨石坑识别方法研究

陨石坑是天体表面最为显著的地形特征,传统陨石坑识别方法主要是对小型陨石坑正负样本的二分类问题研究,且效率和精度均不高。以星体宏观视角下的大型陨石坑作为研究对象,结合图像处理和神经网络等方面的知识,创建了来自不同数据源的陨石坑样本数据库,研究了数据源对网络模型泛化能力的影响,提出了一种效率更高的陨石坑多分类识别方法。在非极大值抑制（NMS）算法基础上,提出了一种精度更高的陨石坑检测算法。经过参数优化和实验验证,构建的基于深度学习的多尺度多分类陨石坑自动识别网络框架取得了较高的准确率,在同源验证集上识别率可达0.985,在异源验证集上识别率可达0.863,并且有效改善了目标检测时检测框冗余及误检测的问题。      

基于分布式深度学习的多星计算卸载策略

在边缘计算增强的低轨卫星网络场景下,低轨卫星集群协同处理地面任务能有效降低用户响应时延。对卫星集群的联合卸载决策和资源分配优化问题进行研究,将其描述为一个混合整数规划问题,并采用了一种基于分布式深度学习算法的卫星边缘计算卸载算法（deep learning based offloading algorithm,DLOA）。该算法使用多个并行DNN用于生成卸载决策并采用经验回放存储新生成的卸载决策,当采用隐藏层结构不同的DNN,收敛速度比同构DNN提升18%,收敛值与最优值的比值基本为1,可以认为已收敛至最优。此外,探讨了DNN的数量对所使用的算法的影响,仿真结果表明采用少量DNN就可以获得近优的收敛效果。通过对不同任务规模下采用不同算法的任务完成率进行研究,结果表明DLOA算法可通过采用异构DNN和优化资源分配方案显著提升完成率,其较单星运算方案任务完成率提升1倍,较二进制粒子群算法方案提升20%。     

Unmixing method for hyperspectral data based on sub-space method with learning process

An unmixing method for hyperspectral Earth observation satellite imagery data is proposed. It is based on a sub-space method with learning process. The proposed method utilizes a sub-space for feature space during unmixing. It is used to be done in a feature space which consists of spectral bands of observation vectors. As the results from the experiments with airborne based hyperspectral imagery data, AVIRIS, it is found that the proposed unmixing is superior to the other existing method in terms of decomposition accuracy and the process time required for the decompositions.     

基于半监督迁移学习的轴承故障诊断方法

针对航空发动机轴承故障诊断过程中预测精度不足以及过拟合的问题,提出基于迁移学习的半监督集成学习器（SSIT）用以发动机轴承故障预测。首先,训练改进的基于迁移学习的极限学习机（TELM）以及基于迁移学习的支持向量机（TSVM）,分别迁移不同目标空间的高相似度样本加入到源样本空间进行训练。然后,与对应的基学习器集成同簇学习器来识别未标记样本,构成半监督学习器不断调整初始基学习器权重,并继续集成半监督基学习器的识别结果到SSIT中。通过此学习机识别提取特征后的,用以故障识别。实验结果清楚地表明:此种方法可以有效降低迁移学习中的负迁移效果,提升迁移精度10%左右,降低机器学习中的过拟合效果,提高半监督学习稳定性,与现有的预测方法相比可以提高精度9%以上。      

Analysis of the solar sail deformation based on the point cloud method

The deformation of the solar-sail membrane is an important factor for causing inaccuracies in the solar-sail missions. This paper describes the solar sail under deformation by using a new modelling technique based on point cloud and triangular mesh generation. Two types of deformation, stemming from wrinkling and billowing, are modelled. The changes in the solar radiation pressure force and the moment caused by deformation are calculated and compared to the ideal non-deformed case. The heliocentric spiral trajectory and the orbital angular momentum reversal trajectory are taken as examples to quantify the influence of the deformation from an orbit point of view. Additionally, point cloud simplification, based on the normal vector and bounding box, is utilized to simplify the original deformed-sail model. It involves a reasonable reduction and renewal of the points in the model considering the variation of surface curvature. The simplification and its modelling accuracy are numerically investigated as well as computational efficiency.     

基于改进极限学习机的光谱定量建模方法

依据近红外光谱(NIR)产生原理,提出了粒子群优化极限学习机(PSO-ELM)算法,运用于小样本氨水浓度定量分析。通过优化极限学习机(ELM)隐藏节点参数,解决了极限学习机由于输入权值和隐含层偏差随机产生的建模结果具有随机性的问题,提高了预测模型的稳定性、精确度和泛化性能。经实验验证,优化后的PSO-ELM相比ELM,模型预测集均方根误差由0.01166减小至0.00322,预测集相关系数由0.9951提高至0.9979。将优化后的模型预测结果与支持向量机(SVM)、BP神经网络算法等传统方法的建模结果进行对比,优化后的PSO-ELM算法具有较高的精确度和良好的泛化性能,模型预测效果优于传统的定量回归分析算法。     

基于时间特性的系统维修性分配改进方法

针对常用的维修性分配方法存在分配给各个产品设计部门的时间并不能完全由各部门控制的不合理现象,以航空装备为研究对象提出了基于时间特性系统维修性分配改进方法.按照将维修时间进行分类分配的思想,提出将装备每个层次产品的维修时间分为共同维修时间和个体维修时间,共同维修时间由系统总体部门或上层产品设计控制,个体维修时间受产品本身或下层单元设计决定.并给出了时间分配模型,对共同维修时间和个体维修时间分别进行分配.最后,结合工程案例利用该方法对维修性指标进行了分配应用,改进方法使得分配到各个产品单元的时间能够真正为各个设计部门所控制,从而真正影响并指导产品的设计,达到维修性分配的目的.