Softmax分类器深度学习图像分类方法应用综述

基于深度学习的人工智能图像分类方法研究是当前计算机视觉领域的研究热点。面向深度学习中的Softmax图像分类方法,首先回顾了图像分类技术的发展历程,接着介绍了图像识别技术中的分类器,并解释了Softmax回归函数的分类实现原理。基于Softmax回归分类器的应用,详细阐述了多种图像分类技术,具体包括浅层神经网络、深度置信网络、深度自编码器和卷积神经网络。同时,对比介绍了各种级联模型的具体结构、训练方法、实际应用、分类效果以及优缺点。最后,从Softmax回归分类器、深度学习网络模型和高维数据分类三个方面对基于Softmax回归分类器的深度学习模型在图像分类方面的发展与应用前景进行了展望。     

工程翼型气动特性数据挖掘与建模

以伊利诺伊大学香槟分校UIUC的工程翼型库为研究对象,首先通过几何数据直接对比以及基于型函数/类函数变换(CST)的参数化方法实现了重复翼型和数据异常翼型的清洗;接着,对CST参数的取值分布规律进行分析发现其近似呈正态分布,对CST参数之间的关联规律进行挖掘得到翼型参数之间的相关性,并对CST参数进行聚类分析,其结果基本与工程翼型的分类一致;进一步,采用级差分析方法、SOM自组织映射方法和Apriori方法分析了CST参数与典型工况翼型气动特性之间的关系.其中,级差分析方法给出了各CST参数对气动特性影响的显著程度,SOM和Apriori方法则分析了CST参数和气动特性之间的相关性;最后,分别使用支持向量机(SVM)和深度神经网络(DNN)构建了CST参数与典型工况下气动特性之间的预测模型,在拟合和泛化能力方面,深度神经网络模型明显优于SVM模型.本文所得到的数据挖掘及建模结果可为工程翼型气动特性分析与设计提供支撑.     

飞机大迎角非定常气动力建模研究进展

准确建立非定常气动力数学模型,是飞机大迎角飞行控制律设计、飞行动力学分析和飞行仿真的基础与前提。鉴于此,对大迎角非定常气动力建模研究进展,包括数学建模方法和人工智能建模方法两类进行了系统综述。其中：数学类建模方法是以对非定常流动现象和机理认识为基础的,主要有气动导数模型、非线性阶跃响应模型、状态空间模型、微分方程模型、非线性阶跃响应与状态空间混合模型以及迎角速率模型等;人工智能方法回避了复杂流动机理,属于黑箱非线性系统建模,主要有神经网络模型、模糊逻辑模型和支持向量机模型等。对于每种气动力模型,阐述了其建模思路和方法,给出了典型应用情况,并对其特点和局限性作了简要评述。最后,指出了当前大迎角非定常气动力建模研究工作存在的问题和未来研究方向。     

变来流速度下旋翼翼型非定常气动特性分析

为分析变来流速度状态下的旋翼翼型气动特性,提出了利用翼型平移来模拟来流速度变化的数值方法.在此方法基础上,采用基于隐式LU-SGS(lower upper symmetric Gauss-Seidal)方法的非定常雷诺平均N-S(Navier-Stokes)(RANS)方程,模拟了SC1095旋翼翼型在定迎角 变来流速度及变迎角 变来流速度状态下的非定常气动特性.通过对比分析发现:翼型在变速度-定迎角状态下会表现出明显的非定常现象,产生了前缘分离涡,气动特性会出现明显的迟滞效应及波动现象,脉动速度越大,非定常效果越明显.并且基准速度越大,翼型气动特性的峰值越大;翼型迎角越大,非定常涡出现的也越早.考虑直升机旋翼翼型实际工作环境,在变速度-动态失速状态下,翼型最大迎角处的气动力会得到一定程度的削弱,在小迎角下的气动力得到一定程度的增强,且脉动速度越大,翼型的非定常特性也越强.      

基于卷积神经网络的结冰翼型气动特性建模

提出了基于卷积神经网络（CNN）的结冰翼型气动特性预测方法，设计了输入层结冰翼型图像规范，克服了复杂冰形在翼面同一位置法线方向存在多值，单值函数难以描述的问题。预测模型可同时预测多个迎角对应的升阻力系数，实现了直接从冰形图像到气动特性的快速预测，对升力系数和阻力系数预测结果的平均相对误差均可控制在8%以内。重点研究了不同卷积层数量、卷积核数量、卷积核尺寸对模型性能的影响规律：CNN的不同层次特征对应不同滤波频率，卷积层数增加会捕获更多高频特征量；增加卷积核数量可提取更多冰形特征，提升模型性能，但数量过多会增加冗余特征，降低模型泛化性能；阻力系数预测模型对卷积核数量的最低要求大于升力系数，其原因在于，相较升力系数，阻力系数不仅受翼面压差影响，还受摩阻特性影响，其建模所需的关键特征数量多于升力系数；增大卷积核尺寸，可扩大卷积操作“视野”，增强对冰形整体特征信息的提取，有利于提升模型泛化性能。相关结论为飞机结冰气动特性实时动态预测与监测提供了新的思路和方法支撑。     

基于卷积神经网络的结冰翼型气动参数预测

针对传统CFD计算获取结冰翼型气动参数过程繁琐的问题,提出一种基于数据转换和深度学习的图形化预测方法,开展结冰翼型气动特性参数的预测研究。该方法利用卷积神经网络可有效提取图形特征的特点,通过数据转换提取翼型结冰图形,建立结冰翼型气动参数预测模型,通过训练网络建立冰形与气动参数之间的非线性映射关系。最后,以NACA0012翼型为例开展仿真试验,证明了方法的可靠性和高效性。研究结果表明,利用该方法预测气动参数平均相对误差在5%以内,预测时间在毫秒量级,可为后续飞机结冰飞行安全分析和防/除冰设计提供参考。     

遗传算法结合神经网络的多段翼型优化设计研究

为提高多段翼型增升效能,开展包括襟／缝翼偏度和缝道参数在内的优化设计研究。将神经网络与遗传算法结合的优化设计方法应用于气动优化设计,并针对30P30N三段翼型,分别以8°迎角时升阻比最大和22°迎角时升力最大为目标进行了单目标和多目标优化设计研究。研究结果表明：采用单目标设计虽可在设计点获得较好的优化结果,但在非设计状态气动性能下降;采用多目标优化设计,既可获得良好的中等迎角升阻性能,又可改善大迎角失速性能,使综合气动性能更优;遗传算法与神经网络结合的优化设计方法可满足多段翼型的多点优化设计问题,具有高效、高精度等优点,易于工程应用。     

翼型极大迎角风洞试验技术研究

在NF-3风洞的二元试验段开展了翼型极大迎角（±180°）条件下气动特性的试验技术研究。针对翼型极大迎角风洞试验的洞壁干扰,提出了风洞壁压信息洞壁干扰修正的改进方法。试验结果表明,发展的试验技术和提出的洞壁干扰修正方法适合于翼型极大迎角试验。     

翼型实用阻力测量方法的探讨

为确保二元翼型实验的精确度，一般都用测压的方法测量翼型的气动特性，即测量翼型表面的压力分布以确定翼型的升力和力矩特性，测量尾迹区的总压分布确定翼型的阻力特性。本文就如何处理尾迹区的测压数据来确保阻力测量的精确度及如何测出大迎角的阻力特性进行了一些探讨。     

涡襟翼在不同雷诺数下的控制分离特性研究

受鸟类抬起羽毛控制分离流的启发,涡襟翼成为翼型大迎角分离流的控制措施之一。采用数值模拟方法研究不同雷诺数下涡襟翼在控制翼型大迎角分离流动时的气动特性及其物理机制。结果表明：涡襟翼在低雷诺数下能够极大地改善翼型的大迎角升力特性,其物理机理是涡襟翼将翼型主分离涡的涡心位置控制在离翼型更近的区域,且涡心位置的涡量得到大幅提升,使得涡心附近的低压特性影响到翼型上表面,而且涡襟翼能够将翼型上方前区的低压与下游的高压隔开;但是在高雷诺数（对应常规飞机雷诺数）下涡襟翼改善翼型大迎角气动特性的效果远不如低雷诺数情况,由此解释了为什么鸟类能够通过羽毛抬起提高升力特性,而常规飞机的涡襟翼只能作为阻力板使用的原因。     

使用深度残差网络的乘波体气动性能预测

本文探究深度学习人工智能技术在飞行器气动外形预测中的应用。以激波装配法乘波体设计为背景,建立气动数据快速生成工具,使用拉丁超立方采样得到海量样本数据。使用深度残差神经网络构建气动外形参数到气动性能数据的代理模型,并与随机森林和双隐层神经网络等普通机器学习模型对比;同时将数据转换为图片,研究基于图片识别的深度学习模型搭建,省略飞行器外形的参数化表达。测试结果说明,深度残差网络作为数据代理模型的精度是随机森林和双隐层神经网络的3倍以上,而基于图片识别的代理模型精度提高有限。研究表明,深度残差网络在乘波体等易于生成大量数据的气动外形的性能预测中效果明显,为深度学习技术在气动外形设计中的应用奠定了基础。     

基于高斯过程回归的连续式风洞马赫数控制

在风洞实验中保持实验段马赫数的稳定对实验的成功具有重要意义。传统的PID控制算法具有一定时滞性,不能满足连续变迎角实验模式下马赫数的控制精度要求。针对这一缺陷,提出了一种基于高斯过程回归的前馈控制策略,结合PID控制器共同完成马赫数控制任务。首先,对原始数据执行了预处理操作,将数据集中的异常数据进行清洗并且对清洗后的数据进行标准化;其次,选取迎角、实时马赫数、实验段截面积作为高斯过程回归模型的输入,压缩机转速作为输出,采用随机划分数据集与分组划分数据集两种策略进行建模,并将高斯过程回归与常用回归模型的预测精度进行了比较;最后,给出了利用高斯过程回归预测结果及预测置信度进行PID反馈控制的方法。实验结果表明高斯过程回归对风洞实验数据具有很好的建模能力,基于高斯过程回归的前馈控制与PID结合的控制策略能够提高连续变迎角模式下的马赫数控制精度。     

自动编码器在流场降阶中的应用

自动编码器作为一种压缩算法,在数据降维和去噪等方面有着广泛实践,有条件作为一种降阶方法在流场识别与数据处理方面得到应用。文章中以圆柱绕流为例,首先对圆柱后速度场建立了编码模型,用来对原始数据进行降维和特征提取,之后将编码后的数据与流场特征量相关联,建立了由流场编码回归圆柱表面压力系数的神经网络,探索了降维后数据的应用。结果表明,自动编码得到的结果能够承载原始速度场的主要信息,解码后速度场与原速度场测试均方根误差小于0.02,压力回归测试均方根误差可小于0.1。说明自动编码器能够作为一种流场的特征提取和降阶方法,在未来得到更广泛的应用。     

基于深度学习的非定常周期性流动预测方法

为了克服传统CFD计算需要耗费大量的计算时间与成本的缺陷,提出了一种基于深度学习的非定常周期性流场的预测框架,可以实时生成给定状态的高可信度的流场结果。将条件生成对抗网络与卷积神经网络相结合,改进条件生成对抗网络对生成样本的约束方法,建立了基于深度学习策略采用改进的回归生成对抗网络模型,并与常规的条件生成对抗网络模型的预测结果进行对比。研究表明,基于改进的回归生成对抗网络的深度学习策略能准确预测出指定时刻的流场变量,且总时长比CFD数值模拟减少至少1个量级。     

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。     

机器学习在湍流模型构建中的应用进展

借助于高性能计算机和数据共享平台的发展,研究者可以获取大量的高分辨率湍流计算数据。近年来,随着深度神经网络等人工智能技术的发展,数据驱动的机器学习方法也开始应用于湍流模型中不确定度的量化以及模型的改进和构建中。湍流大数据与人工智能相结合是湍流研究的一个新领域。研究者在取得一定成果的同时也面临着诸多困难和挑战,例如模型的泛化能力和鲁棒性等。模型构建过程包含了数据处理、特征选择以及模型框架的选取与优化等诸多方面,这些方面在不同程度上影响模型的性能。本文从机器学习在湍流建模过程中的实现方法和模型的不同作用两方面分析总结了目前主要的研究工作进展,并对这类问题面临的挑战和未来的研究展望进行了阐述。     

对中国高校“服务学习”现状的认识与反思

澄清了服务学习认识方面的两个误区,阐述了中国高校服务学习的具体分类及其在中国高校的发展现状。研究显示,中国高校服务学习在实践中存在以下问题:专业教师欠缺;组织不规范;学校与社会的联系不够紧密,服务对象的范围狭窄。基于此,提出加强专业教师的培养、健全组织管理、加强与社会各界的沟通与合作等建议。     

航空发动机传感器信号重构的K-ELM方法

针对航空发动机传感器信号重构,提出了评价核极限学习机（K ELM）模型性能的一种快速留一交叉验证方法.结果表明:该方法可以避免原始的留一验证方法N次模型的显式训练,将计算复杂度降低为原来的1/N（N为样本数目）.该算法可以快速准确评价核极限学习机的性能,为核极限学习机确定最优的核参数.      

面向智能感知的小样本学习研究综述

小样本学习指只利用目标类别的少量监督信息来训练机器学习模型。由于其实用价值，学术界和工业界提出很多针对该问题的解决方案，但是目前国内缺少该问题的综述。本文对国内外学者提出的小样本学习算法及基于小样本学习的目标检测算法进行了系统的总结和探索。首先，给出了小样本学习的问题定义，列举其与其他一些经典的机器学习问题之间的联系，同时从理论上阐述小样本学习问题面临的挑战；接着，对基于小样本学习的图像分类进行了概述，并对其中代表性的工作进行介绍与分析；在此基础上，重点针对基于小样本学习的目标检测，特别是零样本条件下的目标检测问题，详细介绍和分析了现有的研究工作；最后，立足于现有方法的优缺点，从问题设定、理论研究、实现技术以及应用场景等几个方面对小样本学习的未来发展进行了展望，期望为该领域后续的研究工作提供启示。     

基于标杆定位的跨国公司技术学习方式分析

运用标杆定位管理的方法，选取发达国家、发展中国家和中国在技术创新管理领域作出突出贡献的跨国公司，通过对比各公司技术学习的实例与效果，探讨跨国公司技术创新管理的相关原则。