基于 LSTM的飞控系统状态监控

监测飞控系统状态参数是保证无人机飞行安全的重要手段。针对无人机飞控系统的组成特点和飞行控制律,设计并构建了基于长短期记忆网络(Long Short Term Memory Network,LSTM)的飞控系统状态监控模型。首先,利用无人机历史飞参数据训练模型,建立输入飞参数据与状态参数的回归映射关系;然后,利用训练好的网络模型,实时预测飞控系统的状态参数,通过对比实测值与预测值之间的差异,实现飞控系统的状态监控。选取无人机飞参数据进行实验,基于 LSTM的算法比反向传播神经网络(BPNN)、支持向量机(SVM)预测精度高,MSE平均值分别低 0.01和 0.26,MAE平均值分别低 0.05和 0.12。结果表明,所提出的方法能够有效监控飞控系统,为无人机飞行管理决策提供数据支持。     

机器学习在流动控制领域的应用及发展趋势

流动控制作为流体力学中的重要跨学科领域,一直是科学研究和工程应用关注的焦点之一。由于流动系统具有强非线性等复杂特征,对流动的控制尤其是闭环控制,一直颇富挑战性。近年来机器学习的迅速发展为许多学科带来了新的方法、新的视角和新的观点,对于流动控制领域亦是如此。通过回顾现阶段三类基于机器学习的流动控制方法,为主动流动控制领域的研究者展示机器学习在流动控制中应用的整体概况,进而勾勒出本领域的发展趋势。     

大学英语网络教学平台之建构

《大学英语课程教学要求》颁布以来,我国一些高校积极探索采用以建构主义学习理论为基础的大学英语网络教学模式,以适应学生朝个性化自主学习方向发展的需求并解决我国大学英语教学中的普遍问题。本文介绍了基于局域网和基于校园网的大学英语教学,探讨了网络英语教学中师生角色的定位。     

基于MAS和RL的舰船设备协同控制方法

在构建舰船设备协同控制多智能体系统(MAS)过程中,各Agent之间存在某种内在的冲突、联系和规律,为了有效地发现和消解这些问题,引入智能控制解决方案和强化学习方法,能为MAS系统的构建提供有效的技术保障.本文提出了基于强化学习(RL)算法即改进的遗传算法并辅之以贝叶斯学习算法,来解决舰船MAS中各Agent中的任务分配问题、实现设备协同控制的优化和学习,并以舰船运动目标下的设备协同控制来具体验证上述算法,从而体现舰船运动控制MAS的可行性.     

影响二语词汇习得的负面因素及应对措施

词汇习得是二语习得中的一个重要环节,学习者词汇学习能力对第二语言学习效果有决定性的作用,而学习者学习能力的提高与学习者对词汇记忆效率有着不可分割的联系.通过分析国内外学者所做的有关二语词汇习得的研究,针对二语词汇习得的特点,在着力阐述影响二语词汇习得的负面因素的基础上,提出了如何克服负面因素的影响,提高第二语言词汇习得效率的方法和策略.     

神经网络在直升机空空导弹攻击中的应用研究

应用神经网络方法研究了直升机发射空空导弹的一些问题。文中首先介绍了直升机空空导弹攻击的火控系统原理；其次，对复杂且不稳定的直升机飞行运动模型设计了模糊神经网络控制器；然后，用BP网络实时计算了直升机发射空空导弹的空中攻击包线；最后，设计了综合火／飞控制系统，并对所设计的整个攻击系统进行了仿真，通过仿真证明满足系统设计要求。在神经网络设计中，采用了变尺度优化算法，提高了算法的速度和精度，对空战的实时应用提供了重要的参数价值。     

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。     

一类非线性系统的一阶D型迭代学习控制

传统的D型迭代学习控制的控制律设计方案依赖于被控系统的相对度.为解决该问题以及相对度增益与高阶微分运算的问题,针对一类具有任意高阶相对度的非线性系统,提出了基于虚拟模型的一阶D型迭代学习控制设计方法.该方法的主要思想是与具有任意高阶相对度的非线性被控系统并联一个一阶子系统,构造一个相对度为1、相对度增益可以任意设计的虚拟模型,在此基础上设计一个一阶D型迭代学习控制律,使得虚拟模型能够实现期望轨迹的完全跟踪,从而实际被控系统在一定误差范围内实现期望轨迹的跟踪.仿真实例验证了所提方法的可行性与有效性.     

基于大脑情感学习模型的转台伺服系统设计

提出了基于大脑情感学习(Brain Emotional Learning,BEL)模型的高精度转台伺服系统智能控制方案。BEL模型是一种模拟哺乳动物大脑情感学习过程的仿生计算模型。设计了融合系统跟踪误差、控制输入等信息的BEL智能控制结构,通过选取不同的感官输入信号可获得不同的控制结构,采用联想学习方法在线学习BEL模型内部的节点权值来调节控制器参数,从而实现转台伺服系统的自适应跟踪控制。仿真和实验结果均表明,BEL智能控制器学习能力强,能抑制摩擦等非线性干扰因素,在实时控制系统中表现出较好的稳定性和较高的跟踪性能。     

基于深度混合模型评分推荐

从用户-项目评分矩阵中学习用户对项目的个性化偏好,对于评分推荐来说至关重要。许多推荐方法如潜在因子模型,无法充分利用评分矩阵中的交互信息学到较好的个性化偏好而得到较差推荐效果。受深度学习中Wide and Deep模型应用于APP推荐启发,本文提出一种深度混合模型并命名为DeepHM用于评分推荐。与Wide and Deep模型相比,使用DeepWide和DNN部分重构Wide模型和Deep模型得到DeepHM,并且DeepWide和DNN部分共享交互信息输入。因此,DeepHM可以更有效地使用评分矩阵中的用户和项目的交互信息学到个性化偏好信息。DeepHM将评分推荐作为分类问题旨在提高推荐准确性。实验表明在公开的Movielens数据集上DeepHM算法相比现有的基于评分推荐模型具有更好的效果。