基于对比学习的终端区相似气象场景识别（英文）

为了提高终端区相似气象场景（Similar weather scenarios,SWSs）的识别准确率,提出一种基于对比学习的SWS(SWS based on contrastive learning,SWS-CL)识别模型。首先,针对对流天气图像特点,设计了一种数据增强方法来增加天气图像样本的数量和质量。接着,设计了一种对比损失函数使向量表征空间中的正样本与锚点样本之间的距离更近,而负样本与锚点样本之间的距离更远,进而基于对比学习技术在无标记样本集上训练得到相似气象场景分类预训练模型。最后,利用少量标记样本对预训练SWS-CL模型进行监督微调,进一步提高SWS-CL模型的性能。在广州终端区气象图像集上的对比实验表明,所提出的数据增强方法能有效提高气象图像集的质量,所提出的SWS-CL模型能取得令人满意的识别精度,且在标签稀少的数据集上具有明显的优势。     

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。     

基于分层式强化学习的移动机器人导航控制

针对未知环境下的移动机器人导航问题,本文提出了一种基于分层式强化学习的混合式控制方法。利用栅格-拓扑相结合的环境表示及地图学习方法,通过分层式强化学习在不同控制层次的扩展设计移动机器人的反应式和慎思式导航控制,实现了全局导航和局部导航控制的协调优化。实验及测试结果证明,该控制方法能实现导航任务的全局优化,避免陷入局部极小,并对未知动态环境具有较强的适应性。     

基于神经网络的BTT导弹逆控制方案设计

对基于神经网络的倾斜转弯(BTT)导弹逆控制进行了研究。用径向基函数(RBF)神经网络结构和最近邻聚类算法,对导弹系统逆动力学系统进行动态模型辨识,以辨识模型为控制器与BTT导弹控制系统串联构成动态伪线性系统;用逆系统法设计了一种用于BTT导弹非线性控制的经典控制与神经网络在线自学习综合控制方案,实现了导弹三通道的线性化控制和输出的渐近无差跟踪。仿真结果表明:该方案可根据设计指标要求实现对BTT导弹的非线性控制,且有较强的鲁棒性。     

一种无人机自主避障与目标追踪方法

针对无人机自主避障与目标追踪问题,以深度Q网络(DQN)算法为基础,提出一种多经验池深度Q网络(MP DQN)算法,使无人机避障与追踪的成功率和算法的收敛性得到优化。更进一步,赋予无人机环境感知能力,并在奖励函数中设计了方向奖惩函数,提升了无人机对环境的泛化能力以及算法的整体性能。仿真结果表明,相较于DQN和双重DQN(DDQN)算法,MP DQN算法具有更快的收敛速度、更短的追踪路径和更强的环境适应性。     

航天器轨道追逃博弈多阶段强化学习训练方法

针对航天器轨道追逃博弈问题,提出一种多阶段学习训练赋能方法,使得追踪星在终端时刻抵近逃逸星的特定区域,而逃逸星需要通过轨道机动规避追踪星。首先,构建两星的训练策略集,基于逻辑规则设计追踪星和逃逸星的机动策略,通过实时预测对方的终端位置,设计己方的期望位置和脉冲策略,显式给出追逃策略的解析表达式,用于训练赋能;其次,为提升航天器的训练赋能效率及应对未知环境的博弈能力,提出一种基于强化学习技术多模式、分阶段的学习训练方法,先使追踪星和逃逸星分别应对上述逻辑规则引导下的逃逸星和追踪星,完成预训练;再次,开展二次训练,两星都采用邻近策略优化(PPO)策略进行追逃博弈,在博弈中不断调整网络权值,提升决策能力;最后,在仿真环境中验证提出的训练方法的有效性,经过二次训练后,追踪星和逃逸星可有效应对不同策略驱动下的对手,提升追逃成功率。     

攻击角度约束下的分布式强化学习制导方法

为提高导弹在攻击角度约束下对目标的打击效能,提出了一种基于深度确定性策略梯度算法的分布式强化学习制导策略。为了最大限度地减小攻击角度误差,设计了一种新的奖励函数,使导弹在满足视场角约束的同时,视线角向期望值收敛。此外,为了增强强化学习模型的泛化能力,提出了一种分布式探索策略,提高了模型训练过程中对环境的探索效率。仿真结果验证了所提出的分布式强化学习制导方法能够在固定攻击角度约束下实现对目标的精准打击。与传统制导律相比,所提制导方法的攻击角度误差更小,收敛速度更快。     

面向航天异构平台的深度学习编译器加速技术优化

为了解决TVM编译器在航天应用过程中优化时间过长的问题,针对TVM的自动搜索框架Ansor,提出一种新的基于LightGBM算法的成本模型来预测代码的运行时间。LightGBM算法由于减少了分裂点数量、样本数量、特征数量,使得新成本模型有效地降低了计算量,在不损害准确率的条件下加快了模型的训练速度,缩短了优化时间。实验结果表明,在相同的优化任务下,具有新成本模型的Ansor在优化时间上提高了1.6倍,整体推理时间提高了6.1%。     

认知风格理论对外语教与学的启示

认知风格是学习者习惯性的认知特点,它相对固定。不同学习者往往具有不同的认知特点。在二语习得理论中,认知风格被视为学习者个体内在因素之一。研究认知风格对于教与学都具有重要的意义。     

运用行为科学中的“双因素理论”，调动大学生的学习积极性

运用行为科学中的激励理论——“双因素理论”，就影响当代大学生学习积极性的所谓“保健因素”和“激励因素”，进行了分析研究，从中找出根本性和决定性因素，在此基础上，提出了调动学生学习积极性的相应策略，供教学人员参考。