电力场景下基于无人机视觉的运动目标追踪方法

随着人工智能技术的发展,面向电力系统的运动目标追踪技术逐渐得到关注,现有方法虽有一定成效,但是大多基于固定摄像头的监控视频录制,不能灵活追踪运动目标,当运动目标离开摄像头视野时,存在运动目标丢失问题。为此,利用无人机设备,并基于深度学习和核相关滤波技术,提出了一个电力场景下基于无人机视觉的运动目标追踪方法（MTTS_UAV）。所提方法采用改进的目标追踪方法与目标检测方法相结合的方式来追踪运动目标隐患,并引入2种无人机飞行控制模块:启发式和数据驱动式,使得无人机的飞行速度和方向可以根据目标移动情况自适应地调节。在真实变电站的安全帽人员数据集上进行了大量实验,对所提方法的追踪效果进行评估,结果表明:所提方法在真实数据集上的平均像素误差（APE）和平均重叠率（AOR）分别可达到2.37和0.67,验证了方法的有效性。      

涡轮冷却器动态特性研究

从飞机空调的温度控制系统设计的需要出发，首先用理论推导的方法求得涡轮冷却器的动态数学模型的结构形式，然后提出不用理论推导的方法求得涡轮冷却器动态数学模型的模型参数，而用辨识实验的方法求得涡轮冷却器的动态数学模型的模型参数。还推导了辨识的计算公式，论述了辨识实验的方法、步骤和结果。最后提出了涡轮冷却器动态特性的计算方法，并且以欧拉法为例论述了涡轮冷却器动态特性计算的具体公式和步骤。     

尾族自由飞试验模型的设计问题

本文阐述了尾旋自由飞模型的设计要求和模型缩尺比例数Ｋ的选取原则；对影响模型质量ｍ＿ｍ的诸因素进行了深入的分析；剖析了真实飞机发生尾旋的高度Ｈ＿Ａ与模型试验高度Ｈ＿ｍ的确定问题；对模型的结构设计和回收系统设计的一些主要问题也作了简要的讨论。     

高浊度原水絮凝过程的动力学和机理研究

本文选用无机低分子铝盐，铁盐：无水ＡｌＣｌ３，ＦｅＣｌ３，ＦｅｃＬ３，６Ｈ２Ｏ和无机高分子聚合氯化铝ＰＡＣ以及无机与有机高分子ＰＡＭ复配等絮凝剂处理高浊度原水，实验测定了余浊与静沉时间、水体密度与静沉时间的变化曲线；采用多次多因素多水平正交试验进行最佳水力条件选择，并结合矾花大小变化对絮凝过程力学和机理进入深入的研究，为管式絮凝器的研制提供了理论依据。     

减少特征向量导数计算空间与时间的探索

从几种不同途径初步探索了减少大型结构特征向量导数计算的时间以及对计算机内存空间的信赖，从而发现了各个不同途径中存在的问题，并指出了解决这些问题的方向。     

基于自适应动态规划的航空航天飞行器鲁棒控制研究综述

自适应动态规划方法(ADP)是一种基于强化学习框架的智能控制方法,通过函数近似技术,最终得到动态规划问题的近似最优控制策略.本文对ADP方法在航空航天飞行器鲁棒控制的研究进行综述.首先,介绍了ADP方法基本结构框架与典型算法实现原理.进一步,对于ADP方法在高超声速飞行器系统,导航制导系统以及无人机系统在鲁棒控制中的相关研究进行介绍.最后,对未来航空航天飞行器领域ADP方法的发展前景进行了分析.     

基于生成对抗网络的零样本图像分类

在图像分类任务中,零样本图像分类问题已成为一个研究热点。为了解决零样本图像分类问题,采用一种基于生成对抗网络（GAN）的方法,通过生成未知类的图像特征使得零样本分类任务转换为传统的图像分类任务。同时对生成对抗网络中的判别网络做出改进,使其判别过程更加准确,从而进一步提高生成图像特征的质量。实验结果表明:所提方法在AWA、CUB和SUN数据集上的分类准确率分别提高了0.4%、0.4%和0.5%。因此,所提方法通过改进生成对抗网络,能够生成质量更好的图像特征,从而有效解决零样本图像分类问题。      

基于神经网络的机器人迭代学习控制

针对机器人动力学模型的不确定性和负载扰动,提出了一种采用神经网络的机器人迭代学习控制方法。该方法将反馈控制和神经网络学习控制相结合,反馈控制沿时间轴方向使关节运动跟踪期望轨迹,神经网络学习控制沿迭代轴方向使关节运动逼近期望轨迹。文中还给出了基于ＢＰ神经网络的学习控制算法。仿真结果表明,该方法能克服机器人动力学模型的不确定性和负载扰动,具有良好的鲁棒性和控制性能。     

液压减震器动力特性的影响因素研究

介绍了摩托车液压减震器的结构及原理,建立了其动力特性的理论模型。通过数字仿真计算研究了液压油的容性、感性等对减震器动力特性的影响情况,得出了两者影响刚好相反的结论,并与实际测量结果对比,验证了模型的正确性。这对减震器性能优化及结构改进具有指导价值,为建立基于几何尺寸参数的减震器动力特性模型奠定了基础。     

基于MPP编程环境的一种并行子空间迭代法

子空间迭代法是科学与工程计算中求解广义特征值问题的有效方法 ,针对向量机和共享内存的多处理机 ,前人已成功地作了并行处理。文中给出了适合 MPP大规模并行计算机的并行子空间迭代法。该算法将广义特征值问题转换为一般特征值问题 ,其计算工作量主要体现在矩阵乘法 ,通过对该方法作并行处理 ,使矩阵求逆及一部分乘法运算转换为各结点机上三角形方程组的并行求解。在大规模并行计算机 PA R95上结合 J8- II机翼的动力特性问题对该算法作了数值试验 ,结果说明所给算法是非常有效的