角接触球轴承生热预测方法与灵敏度分析

通过拉丁超立方实验设计法获取角接触球轴承NSK-7015C的结构参数样本数据,采用Newton-Raphson法求解轴承变形几何协调方程、滚动体平衡方程和内圈平衡方程所构成的非线性方程组。应用Kriging和Monte Carlo相结合的方法(AK-MCS)构建样本数据与轴承生热的函数关系,在此基础之上使用全局灵敏度计算方法计算轴承结构参数对轴承生热的影响。研究结果表明:在相同轴承结构参数下,采用AK-MCS法预测的轴承生热与轴承拟静力学分析模型求得的结果差值均小于0.003 W,说明AK-MCS算法的预测结果具有较高的准确性;轴承生热对轴承滚动体直径变化反应最灵敏,轴承内、外圈沟道直径影响次之,轴承内、外圈沟道曲率半径影响最小,该研究能够为轴承结构参数的设计优化和加工精度的选择提供理论依据。      

Softmax分类器深度学习图像分类方法应用综述

基于深度学习的人工智能图像分类方法研究是当前计算机视觉领域的研究热点。面向深度学习中的Softmax图像分类方法,首先回顾了图像分类技术的发展历程,接着介绍了图像识别技术中的分类器,并解释了Softmax回归函数的分类实现原理。基于Softmax回归分类器的应用,详细阐述了多种图像分类技术,具体包括浅层神经网络、深度置信网络、深度自编码器和卷积神经网络。同时,对比介绍了各种级联模型的具体结构、训练方法、实际应用、分类效果以及优缺点。最后,从Softmax回归分类器、深度学习网络模型和高维数据分类三个方面对基于Softmax回归分类器的深度学习模型在图像分类方面的发展与应用前景进行了展望。     

基于聚类的多标记选择性集成

多标记学习和选择性集成是机器学习中的两个热点研究问题。本文利用聚类思想探究多标记学习中的选择性集成, 提出了两种具体的多标记选择性集成算法：基于最小距离的簇中心选择算法（Minimum distance based cluster center selection,MDCCS）和基于K-means的簇中心选择算法（K-means based cluster center selection, KMCCS）。在所提出的算法中,如何度量学习器之间的距离是其能否成功的关键因素。本文首先基于学习器的分类结果对其进行重新表示,在此基础上给出了学习器之间距离的计算方式。此外, 对于算法中的空簇问题给出了两种解决方法。基于Mulan数据库中的多标记数据集和5种评价指标对所提算法进行了详细的分析,实验结果表明了所提算法的有效性。     

柔性铰接板振动测量及迭代学习主动控制

大型柔性板状结构广泛应用于航空航天领域,这种结构特性极易引起低频振动,针对这一问题以柔性铰接板为研究对象,探究了柔性铰接板在受外部激励作用下弯曲模态的振动特性.为此搭建了一套用于测控柔性铰接板振动特性的实验平台,采用了立体视觉和压电陶瓷传感器分别检测柔性铰接板的振动信息,以此信息作反馈,采用了变遗忘因子的迭代学习控制方法对柔性铰接板的振动进行主动控制,同时以PD控制的实验效果作为对比.实验结果表明,不论是大幅值的快速衰减还是小幅值的残余振动抑制,迭代学习控制效果都优于PD控制.     

一种基于纯天文观测的火星车自主导航方法

提出了一种基于纯天文观测的火星车自主天文导航新方法.该方法仅需利用由星敏感器视场内测量得到的火星卫星(火卫一、火卫二)和某一恒星之间的星光角距,结合火星车的运动模型,通过Unscented粒子滤波方法,即可获得高精度的火星车实时位置信息.计算机仿真结果表明了该方法的有效性,同时对几个关键的精度影响因素进行了仿真分析.      

基于正则化多核判别分析的航空发动机滚动轴承早期故障融合诊断方法

针对基于机匣测点信号的航空发动机滚动轴承早期故障诊断问题,提出了一种基于正则化多核判别分析的融合诊断方法.该方法首先提取多种类型的滚动轴承故障特征;然后采用相同的一组核参数为不同类型的特征分别构造一组核矩阵,并将所有核矩阵组合在一起;最后通过求解一个半无限线性规划得到该组核矩阵关于正则化核判别分析的目标函数的最优线性组合系数,进一步采用该系数计算所有核矩阵的线性组合,从而实现多种类型特征信息的融合.实验结果表明:该方法诊断正确率与采用单一类型特征诊断的最高正确率相比提高了9.25%,同时可以避免核矩阵需要人工选择的问题,从而进一步提高了故障诊断的自动化水平.      

基于知识的翻边工艺设计支持系统

钣金零件是组成飞机机体的主要部分,为了提高钣金工艺设计的质量与效率,实现知识的重用和共享,对翻边工艺设计的智能化、知识获取技术进行了研究。根据翻边成形受力状态的不同,提出了翻边件的特征表示方法,总结了3种翻边组合模式,用于建立相应的设计模块;提出了面向实验和有限元数据的知识获取方法,将隐式知识从数据中提取出来,构建知识库,支持系统的智能设计。根据提出的方法,结合CAE模拟,建立翻边工艺设计支持系统,具体实际事例表明所建立的系统提高了设计的质量和效率。     

X-ray spectroscopy and variability of AGN detected in the 2 Ms Chandra Deep Field-North Survey

We investigate the nature of the faint X-ray source population through X-ray spectroscopy and variability analyses of 136 active galactic nuclei (AGN) detected in the 2 Ms Chandra Deep Field-North Survey with >200 background-subtracted 0.5–8.0 keV counts [F_{0.5–8.0 keV} = (1.4−200) × 10⁻¹⁵ erg cm⁻² s⁻¹]. Our preliminary spectral analyses yield median spectral parameters of Γ = 1.61 and intrinsic N_H = 6.2 × 10²¹ cm⁻² (z = 1 assumed when no redshift available) when the AGN spectra are fitted with a simple absorbed power-law model. However, considerable spectral complexity is apparent (e.g., reflection, partial covering) and must be taken into account to model the data accurately. Moreover, the choice of spectral model (i.e., free vs. fixed photon index) has a pronounced effect on the derived JVH distribution and, to a lesser extent, the X-ray luminosity distribution. We also find that among the 136 AGN, 10 (≈7%) show significant Fe K emission-line features with equivalent widths in the range 0.1–1.3 keV. Two of these emission-line AGN could potentially be Compton thick (i.e., Γ < 1.0 and large Fe K equivalent width). Finally, we find that 81 (≈60%) of the 136 AGN show signs of variability, and that this fraction increases significantly (≈80–90%) when better photon statistics are available.     

针对超临界翼型气动修型策略的强化学习

强化学习是一类用于学习策略的机器学习方法,通过模拟人的学习过程,与所处环境不断交互来学习动作策略,用以获得最大累积回报。以设计师在翼型气动设计中的增量修型过程为例,给出强化学习在气动优化设计中的要素定义和具体算法的实现。研究了预训练中选择不同示例对预训练和强化学习结果的影响,并将强化学习得到的策略模型在其他环境中进行了迁移测试验证。结果表明,合理的预训练能够有效提高强化学习的效率和最终策略的鲁棒性,且所形成的策略模型具有较好的迁移能力。     

基于深度学习的小目标检测研究进展

随着深度学习方法的快速发展,目标检测作为计算机视觉领域中最基本、最具有挑战性的任务之一,已取得了令人瞩目的进展。现有的算法大多针对于具有一定尺寸或比例的大中型目标,但由于待测目标尺寸小、特征弱等原因,对小目标的检测性能还远远不能令人满意。小目标检测（SOT）作为一种广泛应用于室外远程拍摄和航空遥感场景的技术,近年来受到了广泛的关注,各种方法层出不穷,但是目前对该问题的全面综述较少。从问题定义、算法分析、应用介绍、方向展望等方面对基于深度学习的小目标检测研究进展进行了综述。首先,给出了小目标检测问题的定义,阐述了其技术难点及在实际应用中面临的挑战;接着,从8个不同角度分析了检测器对小目标检测精度较低的主要原因及相应的改进方法,详细归纳总结了小目标检测在各技术方面的研究工作;然后介绍了几个特定场景下小目标检测算法的典型应用;最后,对小目标检测未来的发展趋势进行展望,提出可行的研究方向,期望为该领域的研究工作提供可借鉴和参考的思路。