基于深度强化学习的固定翼无人机编队协调控制方法

由于运动学的复杂性和环境的动态性,控制一组无人机遂行任务目前仍面临较大挑战。首先,以固定翼无人机为研究对象,考虑复杂动态环境的随机性和不确定性,提出了基于无模型深度强化学习的无人机编队协调控制方法。然后,为平衡探索和利用,将ε-greedy策略与模仿策略相结合,提出了ε-imitation动作选择策略;结合双重Q学习和竞争架构对DQN（Deep Q-Network）算法进行改进,提出了ID3QN（Imitative Dueling Double Deep Q-Network）算法以提高算法的学习效率。最后,构建高保真半实物仿真系统进行硬件在环仿真飞行实验,验证了所提算法的适应性和实用性。     

Attenuation prediction for fade mitigation using neural network with in situ learning algorithm

Increasing demand of bandwidth in communication satellites has forced satellite links to be designed in Ku bands and above. But at these frequencies, rain and other tropospheric elements result in large attenuation. To mitigate the tropospheric attenuation of microwave satellite signals above 10 GHz using any standard Fade Mitigation Technique (FMT), it is essential to have a priori knowledge about the level of attenuation. Hence, short-term rain attenuation prediction models play a key role in maintaining the link in which necessary compensation can be applied depending on the early information of attenuation. This paper presents a method of attenuation prediction using Adaptive Artificial Neural Network. Here In situ Learning Algorithm (ILA) has been used to enable the system to track the non-stationary nature of the attenuation. To validate this, Ku Band data, collected at three different sites in India have been used for the purpose of prediction. The performance of the algorithm is determined through the estimation of prediction accuracy by comparing the predicted values with the measured data. Results obtained using the mentioned technique shows considerably good accuracy even up to 20 s of prediction interval with acceptable ratio between the under and over predictions. The prediction performance is evaluated for different prediction intervals. Furthermore the present model is also compared with the persistence model and the relative performance is quantified.     

Neural Networks Combined with Importance Sampling Techniques for Reliability Evaluation of Explosive Initiating Device

Concerning the issue of high-dimensions and low-failure probabilities including implicit and highly nonlinear limit state function, reliability analysis based on the directional importance sampling in combination with the radial basis function (RBF) neural network is used, and the RBF neural network based on first-order reliability method (FORM) is to approximate the unknown implicit limit state functions and calculate the most probable point (MPP) with iterative algorithm. For good efficiency, based on the ideas that directional sampling reduces dimensionality and importance sampling focuses on the domain contributing to failure probability, the joint probability density function of importance sampling is constructed, and the sampling center is moved to MPP to ensure that more random sample points draw belong to the failure domain and the simulation efficiency is improved. Then the numerical example of initiating explosive devices for rocket booster explosive bolts demonstrates the applicability, versatility and accuracy of the approach compared with other reliability simulation algorithm.     

基于MLR的机动平台传感器误差配准算法

 基于固定平台传感器误差极大似然配准(MLR)算法,针对机动平台存在姿态角系统误差的问题,提出了对机动平台传感器系统误差和目标状态进行批处理离线估计的机动极大似然配准(MLRM)算法.该算法利用所有传感器对目标的量测值,通过把传感器量测向目标状态进行投影、对传感器系统误差和目标状态进行期望最大化迭代以及对目标的状态进行融合估计,最终实现量测、姿态角系统误差和目标状态的有效估计.仿真结果表明,该算法迭代收敛速度快,对系统误差估计精度高,对系统误差可观测性较低的配准环境的适应性强并且对传感器姿态角的相关性不敏感,具有很强的工程实用性.     

基于虚拟基线变换和RBFNN的宽频段DOA估计

提出利用虚拟基线变换的方法解决了频率高端的相位模糊,克服由于相位模糊性造成的方向特征的多值模糊问题,从而简化了从方向特征到波达方向的映射关系。提取无模糊的方向特征,训练RBF神经,进行宽频段波达方向估计。理论分析和试验表明,该解模糊方法计算量小,能有效消除圆阵列的相位模糊,适用阵元数大于等于5的任意均匀圆阵列天线（6元除外）;利用解模糊后的特征建立的DOA估计模型结构简单,性能大大优于直接建模和相关干涉仪法,具有优越的性能和工程实用性。     

柔性空间机械臂系统的模糊滑模神经网络控制及柔性振动主动抑制

研究了参数不确定漂浮基柔性空间机械臂关节空间的轨迹跟踪及柔性振动主动控制问题.运用虚拟力概念,生成能同时反映柔性振动和刚性运动的虚拟期望轨迹,设计了一种自适应非奇异Terminal滑模控制器来跟踪该虚拟期望轨迹,以实现载体姿态及关节稳定跟踪运动轨迹并对所产生的柔性振动进行主动抑制的控制目标.所设计的控制器结合了Terminal滑模控制快速收敛性,模糊小波神经网络优良的函数逼近特性及鲁棒技术处理逼近误差的优势,利用自适应算法在线自适应调节模糊小波神经网络的所有网络权值和参数,使控制器具有很强的鲁棒性.仿真实验证明了所提控制方案的有效性.      

图模型与学习算法结合的贝叶斯网络自动建模

针对纯数据驱动的贝叶斯网络结构学习算法的准确度和效率较低的问题,提出了一种融合多信号流图模型与K2学习算法的贝叶斯网络自动建模方法。该方法利用多信号流图模型能够描述信号之间传递与依赖关系的能力,结合K2学习算法在结构学习中的优势,实现了专家知识与数据驱动方法有效融合的贝叶斯网络结构自动学习算法。通过与常用网络结构学习算法的对比实验证明,该融合算法显著降低了结构学习对学习范围和训练数据规模的要求,具有更高的学习准确度和运算效率。采用真实系统实例阐述了该融合算法的应用过程,验证了算法的实用性。      

基于能量均衡的助航灯光单灯监控WSNs路由协议

机场助航灯光无线传感器网络能量 有限,但部分灯光所处位置不规则,导致该区域设置的簇头节点因消耗较大过早死亡从而形 成传输过程中的区域空洞,破坏了整个无线传感器网络的能量均衡,影响网络工作寿命 。在分区路由协议的基础上提出能量均衡、簇头位置均匀分布的WSNs路由协议。该协 议由两部分组成,针对不规则区域（对应单排长排灯位置）采用链式传输协议,对其他区域 采用逻辑分区的分簇路由协议,在簇头选举算法中加入候选簇头节点分布区域限制和节点能量 约束。为验证协议的有效性,按照机场灯光进近区灯光位置分布进行了MATLAB仿真。仿真结 果表明,该协议具有良好的网络能量均衡能力,传感器网络可以获得较长的生命周期,适宜 机场助航灯光监控类应用场合。     

基于深度学习的航天器组合体惯性参数在轨智能辨识

针对在轨服务过程形成新组合体的动力学参数未知的问题,借助深度学习在多参数寻优上的优势,提出了一种基于卷积神经网络的智能参数辨识算法,实现在外力作用下,线动量和角动量不守恒条件下的航天器组合体多参数辨识。利用卷积神经网络权值共享的特点,设计4层卷积神经网络,通过短时间内对大量特定存储形式的状态数据的训练,实现航天器组合体多参数快速高精度辨识。利用数学仿真试验对算法的可行性进行验证,结果表明：在24s内,质量与质心位置收敛;1190s内,惯量参数收敛,辨识精度在3%以内。说明所提方法在外界随机干扰力和力矩影响下能准确快速辨识出航天器组合体质量、质心位置和惯量矩阵。     

每束多馈源天线的设计特点研究

每束多馈源是一种能够在多色复用情况下有效减少反射面使用数量的多波束天线配置方案,鉴于国内外对这一方案的研究尚处于初级阶段,对这类配置天线的设计特点研究需求更为迫切。文章对这类天线相对于每束单馈源天线存在的一些设计差异和设计要求开展了研究。重点提出了相邻同色波束最大干扰的概念,并首次将馈电网络结构与波束优化相结合,在理论上确保了网络的可实现性。最后,结合这类天线的特点,对进一步改善波束性能给出了两点设计构想,并分析了构想的可行性。