基于半监督生成对抗网络的GPR路基病害分类识别方法

利用探地雷达（GPR）技术对道路路基进行周期性的无损检测和评估,可有效识别处于早期阶段的路基病害。为实现对路基病害的自动识别,解决人工解译方法存在评价标准不客观且效率低下的问题,提出了一种基于半监督生成对抗网络的GPR路基病害分类识别方法。提出的网络结构由一个生成器G和一个判别器D组成,生成器包括一层全连接层和四层反卷积层,判别器包括三层卷积层、两层LSTM层和一层全连接层。将待识别的GPR路基病害图像输入至训练好的判别器,便可得到分类识别结果,且可在只标注少量GPR路基病害图像的情况下获得较高的识别准确率,最高可达98.65%,验证了方法的有效性。     

基于深度学习的发动机叶片故障检测技术

为了解决航空发动机叶片故障检测中存在的检测精度欠佳、检测效率不高的问题,提出了一种基于深度学习的目标检测方法。针对小样本数据集检测精度低、模型训练速度慢等问题,对Faster R-CNN目标检测算法进行结构优化,引入Res2Net结构,通过分割串联的策略强化残差模块的卷积学习能力,搭建了细粒级的多尺度残差模型Res2Net-50,以提升模型的特征提取能力。同时,在网络的训练过程中,采用多次余弦退火衰减法对学习率进行调整,以加快模型的训练速度,提升模型的训练质量。针对航空发动机叶片裂纹和缺损2种故障类型进行网络训练与检测试验,试验结果表明：优化后的模型识别准确率提高了0.7%,模型的平均检测精度提高了1.8%,训练时间缩短了5.56%,取得了比较好的检测效果。     

面向航空航天的金属多孔夹层结构钎焊研究现状及发展趋势

金属多孔夹层结构具有质轻,比强度、比刚度高,耐高温、耐腐蚀,消音、隔热等优异性能,在航空航天领域高端装备的应用受到越来越多的关注。钎焊法是实现金属多孔夹层结构芯体与面板连接的首选方法。然而夹芯与面板大面积钎焊过程中易产生钎料对薄壁母材溶蚀、焊合率低、焊接变形大、界面易形成连续脆性反应产物等缺陷,因此金属多孔夹层大面积钎焊仍有较大难度,迫切需要开展金属多孔夹层钎焊基础研究。国内外学者针对连接界面微区反应产物的种类和分布调控、薄壁母材的溶解预测、薄壁夹芯的焊接热变形控制等难题,研究了钎焊界面组织调控新方法、钎焊工艺–钎角形态–接头组织–接头力学性能的整体对应关系,阐明接头的组织演化规律,优化接头的力学性能,具有重要的科学意义及工程应用价值。本文从金属多孔夹层结构钎焊接头界面微区调控、基于力学性能优化的钎焊接头微观形态设计、钎焊过程对结构力学性能的影响及焊后强化方法和液态钎料对母材的溶解预测模型等国内外研究进展进行综述。     

引导场对无碰撞电流片低频电磁不稳定性的影响

通过数值求解无碰撞电流片中可压缩磁流体力学模型下得到的一般形式的色散关系,讨论了无碰撞电流片中引导场对低频电磁波不稳定性的影响.结果表明,平衡态磁场中的引导场,对于三维扰动传播的波不稳定性有很强的影响.(1)在电流片中间平面上(z=0),无引导场时,没有不稳定性发生,但若存在引导场,不稳定性便发生,并随着引导场的增强,不稳定性明显增强,不稳定的波模可能是低混杂模.(2)在中间平面附近(z=0.2),电流片是不稳定的.随着引导场的增强,不稳定性增长率明显地增强,不稳定的波模从平行和反平行两个方向传播变为反平行方向一个方向传播,并且是斜传播的,具有低频哨声模或低混杂模的特征.(3)在电流片边缘附近(z=0.8),引导场对不稳定的波模和增长率没有明显影响,不稳定的波模都是准平行的哨声波.      

基于主动度量学习的空中交通相似场景识别

空中交通的快速增长不断增加了管制员的工作负荷,这已成为制约部门运行的重要因素.如果能够识别出相似的交通场景,就可以利用历史决策经验帮助管制员快速决策控制策略.考虑到交通场景众多且难以标记所有样本,本文提出了一种主动支持向量机度量学习算法(Active SVM metric learning algorithm,ASVM...     

基于强化学习的在轨目标逼近

从强化学习的角度,对在轨目标逼近问题进行研究,设计了一种整合制导与控制的端到端的算法.首先对在轨目标逼近问题进行数学建模;然后对强化学习算法原理进行简介,根据问题特点分析不同强化学习框架的优劣,确定以DDPG作为算法框架,并设计了基于强化学习的在轨目标逼近算法;最后通过仿真验证,分析了基于强化学习逼近算法的优劣性.     

电子对抗技术发展综述

随着雷达低截获技术、通信系统抗干扰技术的发展和战场上智能化电子信息装备部署的应用,战场电磁频谱环境的复杂程度日益增加。如何提高电子战感知环境-适应环境-做出决策-采取行动(OODA)环路速度,实现电磁敏捷,是电子战应对未来复杂战场环境挑战需要解决的关键科学技术问题。通过分析现代雷达技术发展对传统电子战系统的挑战,阐述认知电子战发展的必要性,并从认知概念演变、人工智能技术发展、认知电子战关键技术等方面,对传统电子战向认知电子战发展过程中人工智能技术的应用情况进行分析与总结。     

Key Problems in Coordinated Air Combat andMulti-agent Reinforcement Learning

自从协同作战的概念提出后,各军事强国在协同空战领域均取得了重大进展,协同成为提升作战能力的倍增器。近数十年来,作为解决序列问题的现代智能方法,强化学习在各领域高速发展。然而,面对高维变量问题时,传统的单智能体强化学习往往表现不佳,多智能体强化学习算法为解决复杂多维问题提出新的可能。通过对多智能体强化学习算法原理、训练范式与协同空战的适应性进行分析,提出了协同空战与多智能体强化学习的未来发展方向,为更好地把多智能体强化学习应用于协同空战提供思路。     

基于深度强化学习的无人机栖落机动控制策略设计

无人机栖落机动飞行是一种无需跑道的降落方法,能够提升无人机在复杂环境下执行任务的适应能力。针对具有高非线性、多约束特性的无人机栖落机动过程,提出了一种基于模仿深度强化学习的控制策略设计方法。首先,建立了固定翼无人机栖落机动的纵向非线性动力学模型,并设计了无人机栖落机动的强化学习环境。其次,针对栖落机动状态动作空间大的特点,为了提高探索效率,通过模仿专家经验的方法对系统进行预训练。然后,以模仿学习得到的权重为基础,采用近端策略优化方法学习构建无人机栖落机动的神经网络控制器。最后,通过仿真验证了上述控制策略设计方法的有效性。