基于MAS和RL的舰船设备协同控制方法

在构建舰船设备协同控制多智能体系统(MAS)过程中,各Agent之间存在某种内在的冲突、联系和规律,为了有效地发现和消解这些问题,引入智能控制解决方案和强化学习方法,能为MAS系统的构建提供有效的技术保障.本文提出了基于强化学习(RL)算法即改进的遗传算法并辅之以贝叶斯学习算法,来解决舰船MAS中各Agent中的任务分配问题、实现设备协同控制的优化和学习,并以舰船运动目标下的设备协同控制来具体验证上述算法,从而体现舰船运动控制MAS的可行性.     

影响二语词汇习得的负面因素及应对措施

词汇习得是二语习得中的一个重要环节,学习者词汇学习能力对第二语言学习效果有决定性的作用,而学习者学习能力的提高与学习者对词汇记忆效率有着不可分割的联系.通过分析国内外学者所做的有关二语词汇习得的研究,针对二语词汇习得的特点,在着力阐述影响二语词汇习得的负面因素的基础上,提出了如何克服负面因素的影响,提高第二语言词汇习得效率的方法和策略.     

同时性问题研究(一)

本文对狭义相对论同时性的相对性观点进行了分析，并提出狭义相对论在同时性的相对性问题的分析上有逻辑上的错误。关于同时性问题，文中提出了一个不同于相对论的观点，并与相对论的观点进行了比较。自1887年沃依格特（Voigt）给出了洛伦兹变换式，该变换式在近代物理学上起着重要作用，相对论在数学上就是以该变换式为基础的。但是，100多年来还无人对它作出物理解释，本文对洛伦兹变换式作出了明确的物理解释，并得出了在同一惯性参考系内，与一个事件相联系的静止点与运动点之间以洛伦兹变换式相联系的重要结论。它与相对论将洛伦兹变换作为两个作相对运动的惯性坐标系间事件的坐标变换式有重大区别。     

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。     

高动态GPS信号粗捕和精捕算法仿真实现

为了解决高动态下对GPS信号快速捕获的问题,提出了改进的部分匹配滤波(PMF)和快速傅里叶变换(FFT)相结合的粗捕方法,对其原理和结构进行了分析,并针对其引起的扇贝损失和捕获性能不高的问题,对传统PMF+FFT方法进行加窗处理;考虑到高动态下基于扩展卡尔曼跟踪的方法对捕获后参数的精度要求很高,因此在粗捕的基础上提出了基于线性调频Z变换(CZT)算法的精捕方法,并在GPS信号理论模型和模拟高动态轨迹的基础上,实现了高动态GPS数字中频信号的生成,为进一步加快捕获速度,对于冷启动时提出了一种组合码相关的卫星快速盲搜方法;最后通过MATLAB进行系统仿真实验,验证了所提出的高动态GPS信号粗捕和精捕算法能在加速度为100 g的高动态环境下有约10 Hz的捕获精度。     

神经网络在直升机空空导弹攻击中的应用研究

应用神经网络方法研究了直升机发射空空导弹的一些问题。文中首先介绍了直升机空空导弹攻击的火控系统原理；其次，对复杂且不稳定的直升机飞行运动模型设计了模糊神经网络控制器；然后，用BP网络实时计算了直升机发射空空导弹的空中攻击包线；最后，设计了综合火／飞控制系统，并对所设计的整个攻击系统进行了仿真，通过仿真证明满足系统设计要求。在神经网络设计中，采用了变尺度优化算法，提高了算法的速度和精度，对空战的实时应用提供了重要的参数价值。     

基于CBS有限元的流动-传热-变形耦合计算方法

研究了基于CBS有限元法和常规有限元法相结合的流动-传热-变形耦合计算方法。在该方法中,流体流动和传热采用CBS有限元方法计算,固体变形采用常规的有限元方法计算,实现了流体域和固体域统一的有限元网格划分,简化了变形过程中的网格生成和不同网格间的数据交换。然后,依据此方法发展了计算程序,并通过算例分析,校验了计算方法的可行性和程序的计算能力。     

先进的目视回收光学助降系统纵向着舰精度

先进的目视回收光学助降系统(Advanced visual carrier aircraft recovery system,AVCARS)是在常规的菲涅尔透镜光学助降系统中加入"肉球"偏移速度的指示信息,以提高着舰时的操纵品质和着舰精度.本文研究了AVCARS光学助降系统的工作原理,给出了其结构配置,设计了飞控系统、飞行员模型和助降控制律,并导出着舰终端误差方程.最后对在典型海浪作用下的AVCARS光学助降着舰导引系统进行了动态仿真验证,计算出了着舰终端误差,为研究舰载飞机着舰精度提供了基本思路与研究手段.     

基于全卷积孪生神经网络的复杂监控场景下前景提取方法

由于光照变化、相机抖动和动态背景等因素影响,现有基于传统图像处理方法的前景提取算法并不能在复杂场景下获得良好的分割效果。针对此类问题,本文提出了一种基于全卷积孪生神经网络的前景提取算法,仅需任意2帧图像即可准确提取运动前景。将输入的2帧图像分为背景图像与待提取图像,将其输入全卷积孪生神经网络得到二者的相似性度量图,该相似性度量图中包含待提取图像相对于背景图像的各像素变化情况信息;接着将相似性度量图与待提取图像融合,利用编解码网络以实现端到端的前景提取。在CDnet2014数据集上进行综合评估与测试,结果均证明了该方法的有效性。