高频扩散焊微机过程控制及Dahlin算法应用

在介绍高频扩散焊过程控制特点和要求的基础上，推导了被控对象的数学模型，给出了ＫＨ３０－ＧＦ型真空扩散焊机炉温微机控制系统的实施方案、硬件构成，以及面向纯滞后系统的开关──Ｄａｈｌｉｎ复合控制算法和联机运行结果。     

合成孔径快速数字算法

本文描述了合成孔长雷达数字信号处理的准最佳算法，对该算法的计算复杂性及其与最佳处理相比之下的不足进行了评估，分析了合成孔径方向图的形式，提出了选择算法参数的建议。     

模块化功能组件备分优化研究

通过对影响备分因素的分析，以费用和可靠性指标为参数，从系统观点出发，建立了模块化功能组件备分优化模型，并给出一种算法。     

基于Euler方程的翼型优化设计高效基因算法研究

把基因算法 ( GAs)用于翼型优化设计 ,构造了用于优化设计的适应度函数 ,发展了一种具有全局优化性能的翼型优化设计方法。为提高算法的搜索效率 ,提出了改进型的实数编码方式 ,设计了新型的 Bézier样条翼型基因表达方式 ,并发展了高效隐式 Euler方程解算器。用此方法进行了基于升阻比极大化的跨音速和基于阻力极小化的超音速翼型优化设计数值模拟 ,取得了令人满意的结果。     

隐马尔可夫模型在对象定位中的应用与实现

以医学图像中脊柱的定位为应用背景,对经典Viterbi算法进行改进,根据全局最优搜索算法提出了可控的最优搜索算法,把隐马尔可夫模型(Hidden Markov model,HMM)应用于二维图像中线性结构对象的定位。以真实的人体脊柱X光照片为实验样本进行的定位实验,结果表明:HMM模型不需要对图像施加较多的限制,就可获得较成功的定位结果,同时引入了可控的最优搜索算法后,定位效果有了进一步的提高。还通过实验分析了可控制的最优搜索的两个控制参数对定位性能的影响,并提出了定位性能具有区间性的结论。     

测量数据部分丢失的非线性系统迭代学习控制

研究非线性离散系统的迭代学习控制．利用并行分配补偿方法(PDC)确定非线性系统的T-S模型,把非线性模型特换为局部线性模型。假定数据丢失的概率已知,采用满足Bernoulli分布的序列来描述测量数据的丢失,研究具有测量数据部分丢失的线性离散系统的迭代学习控制器的设计。结合T-S模型设计了数据丢失的迭代学习控制器,所设计的迭代学习控制器具有期望收敛特性和二次型性能指标。仿真结果表明了该设计方法的有效性。     

基于IP骨干网络的流量工程

讨论了在多个IDC（数据中心）所组成的骨干网络上实施流量工程的关键问题，首先分析了传统SPF算法的缺陷，给出了流量工程的基本概念，阐述了MPLS，REVP，IS－IS协议以及相互关系，然后给出了在MPLS网络实施流量工程的几个问题和解决方法，最后给出了在IP骨干网络上实施流量工程的成功案例。     

基于AR/CGARCH模型的液体火箭发动机自适应阈值故障检测算法

为了解决传统自适应阈值算法对时间序列方差跟踪能力不足,以及故障阶段带宽自动放大的问题,提出了紧广义自回归条件异方差（Compact General Auto-Regressive Conditional Heteroskedasticity,CGARCH）模型。针对液体火箭发动机稳态试车数据的波动性特点,提出一种基于自回归（Auto-Regressive,AR）模型和CGARCH模型的自适应阈值故障检测算法。采用AR模型对稳态参数的均值进行估计,并采用CGARCH模型对稳态参数的方差进行估计,从而利用均值和方差的估计值自适应地构造检测阈值。用某氢氧火箭发动机的热试车数据进行验证,结果表明,该算法能够准确、快速、灵敏地检测液体火箭发动机故障,在正常工作阶段,能够有效跟踪数据波动性,在故障阶段,能够避免阈值变宽带来的漏检。     

基于增量式发育深度强化学习的无人机路径规划

为了克服深度强化学习训练时间长、收敛速度慢的问题,针对密集动态障碍环境下的无人机(UAV)路径规划,引入了增量式发育知识库,对深度确定性策略梯度(Deep Deterministic Policy Gradient, DDPG)算法进行改进。首先,根据模糊匹配的思想建立威胁模式知识库,将飞行过程中遇到的密集动态障碍作为知识进行增量式存储,避免对相似障碍环境的重复训练。其次,在底层DDPG算法规划安全航路的基础上构建避障策略知识库,根据威胁模式直接输出避障策略,缩短训练时间。最后,搭建发育式的威胁-避障映射关系,实现“线上实时避障,线下自主寻优”,不断提升UAV避障性能。对比实验结果表明,所提方法能极大提高DDPG训练效率,满足UAV在密集动态障碍环境中实时避障的需求。     

海上无人机多机协同巡检航迹规划方法

随着无人机技术应用的不断深入,如何提高无人机编队的协同能力及在复杂动态环境的自适应性,已成为“集群智能”的 1个重要研究方向。文章对海上无人机多机协同航迹规划整体流程进行了分析,分别阐释了静态和动态场景下的多机协同规划方法。静态场景下主要采用分支定界法建立静态问题模型,为每架无人机划分作业区域、生成作业路径,使得整个巡检作业的航迹长度代价与作业时间代价最小;动态场景下主要针对气象变化、连续跟监、海域变化 3种突发场景,侧重于协同决策和路径规划设计对应的目标函数,采用启发式算法为整个巡检作业进行自适应航迹规划,以确保安全性和效率性。实验结果显示,无人机协同路径规划能够根据环境变化和任务需求动态调整多无人机的巡检路径,快速给出不同突发情况下的最佳动态调整方案,以应对复杂的海上环境并动态规避障碍物。