基于有限差分法的双臂关节柔性空间机器人智能递阶控制策略

谐波减速器和力矩传感器等柔性元件广泛应用于空间机器人关节系统,以获取高减速比.这些柔性元件为空间机器人系统引入关节柔性,使得对其的稳定控制变得更为复杂.本文讨论研究了参数不确定双臂关节柔性空间机器人基于有限差分法的智能递阶控制及弹性振动抑制.运用递阶系统理论、动量守恒原理及第二类拉格朗日方法推导出系统递阶动力学模型.利用该模型,设计了基于模糊回归神经网络的非奇异Terminal滑模控制算法和基于有限差分法的滑模控制算法.采用模糊回归神经网络（Recurrent Fuzzy Neural Network,RFNN）逼近系统的不确定部分.为避免复杂的求导计算及角加速度可测要求,利用基于有限差分法的滑模控制来抑制柔性关节振动.由于设计控制器过程中未涉及惯常的奇异摄动双时标分解操作,该控制算法理论上具有适合任意大小关节柔性刚度的优点.系统对比仿真试验证明了智能递阶控制算法优于传统基于奇异摄动法的控制方案.      

基于深度学习的图像拼接篡改检测

传统图像拼接检测算法通过研究人员手动构造拼接特征,随着科技的进步以及图像处理技术的不断发展,手动构造特征的局限性逐渐体现出来,鲁棒性较弱,位置不易确定等。为了解决这些问题,构建了一种卷积神经网络（CNN）,将卷积核前置并固定,自主学习相关特征从而检测拼接篡改的图像区域。经过一系列研究,发现拼接篡改图像的拼接篡改区域特征可以被CNN模型学习。在CNN模型之前,卷积核使用高通滤波器,激活函数采用指数线性单元（ELU）,使得CNN模型具有识别拼接篡改图像边缘痕迹等特征的能力。检测结果表明:在IEEE IFS-TC图像拼接取证竞赛训练集上对拼接篡改图像拼接篡改区域定位的准确率为84.3%,对拼接篡改区域判定的真负类率为96.18%。      

基于灰色神经网络的管制员人力资源需求预测

近年来,民用航空事业发展迅速,尤其是飞行流量的增加更加重了空中交通管制的负担。因此对于空管人员的需求也在不断提高,所以本文将对空管局内管制员进行人力资源需求预测。本文结合交通需求与相关数学模型提出定量预测方法,进而使空管人力资源得到合理有效的应用。首先,对管制员劳动强度进行了分析;其次,使用灰色神经网络模型,通过每年该区的GDP数据预测未来区域交通流量,进而预测出区域扇区开放时长;在此基础上建立基于劳动强度分析与扇区开放时长的空管人力资源需求预测模型;最后以云南分局为例,得出区域未来人员需求数量。本文的研究成果,可以为国内各空管局提供参考,也可以作为保证安全运行、提高服务品质、促进行业发展的必要条件。     

可适应多维度信息变化的智能星图识别方法

为了提高当视场发生变化以及星等误差较大时星图识别方法的鲁棒性,提出了一种可适应多维度信息变化的智能星图识别方法。首先,依次选取一个导航星作为主星,利用其它星距主星的角距信息和星等信息,并考虑视场轴向变化、星等误差、角距误差的影响,构建覆盖性较全的样本库;然后构建了一种可以综合利用角距和星等信息的卷积神经网络;最后进行了网络训练和仿真试验验证。本方法提高了对角距误差和星等误差的鲁棒性,且识别速度快、识别率高、星表容量小。仿真试验结果表明,该方法在星等误差为0. 2MV、角距误差为0. 04°和0. 06°时,识别率优于97%。     

基于神经网络和证据理论的火箭发动机故障诊断

针对运载火箭动力系统故障的复杂特性和故障模式的不确定性,提出了基于神经网络和证据理论的火箭发动机故障诊断。首先以火箭视加速度和角速度作为网络输入,故障类型矩阵作为网络输出,通过BP神经网络和RBF(径向基函数)神经网络进行故障诊断;之后通过D-S证据理论融合神经网络结果;最后通过滚动时域估计方法对火箭飞行状态特征量估计。仿真结果表明诊断准确率达到99%以上,表明提出的方法对于火箭发动机故障诊断具有较高的准确性和实用性。     

基于神经网络的ICAI软件的设计与实现

介绍了一个在Ｗｉｎｄｏｗｓ９５平台上用ＶｉｓｕａｌＣ＋＋５．０开发的基于神经网络的信号与系统课程的智能化计算机辅助教学（ＩＣＡＩ）软件设计的基本原理及其关键技术的实现。该软件针对人类教学过程中的智能模拟问题,将神经网络和专家系统两大先进技术相互融合在一起采用面向对象的设计是界面友好、算法透明、程序易于维护、是计算机辅助教学课题的一个成功实例。     

发动机数控系统智能容错技术的半物理仿真研究

提出基于自联想神经网络的发动机数控系统的智能容错技术。该方法不依赖系统模型,只需要发动机的测量值来离线训练网络。若发生性能蜕化,该方法能自动切入故障诊断与最优估计的综合逻辑。文中开展了半物理仿真实验,实验结果充分证明了该技术能适应实验现场多变的环境,能正确诊断发动机传感器故障并提供解析余度,具有较好的鲁棒性。     

融合物理的神经网络方法在流场重建中的应用

神经网络融合物理先验知识能极大提高其拟合复杂变量的能力,其中融合神经网络和物理控制方程的物理融合神经网络模型（physical-informed neural network, PINN）,赋予传统神经网络所不具备的先验知识和可解释性。结合课题组对PINN方法的研究和应用,本文介绍了融合N-S方程的PINN神经网络模型预测能力。首先借助三维超声速槽道湍流的直接数值计算数据,耦合神经网络和可压缩N-S方程,应用PINN方法对槽流的瞬时流场的物理量进行预测,并对瞬时量及其统计平均值与DNS对应结果进行对比来验证训练所获PINN模型的可靠性。其次,借助不可压缩圆柱绕流与三维可压缩槽道流动的计算数据,利用PINN模型进行了N-S控制方程待定系数与待定项的重建,结果显示其在重建流场流动信息的同时可逼近方程的待定系数。研究结果证实了PINN方法可为建立流动物理模型提供工具和算法支撑。