基于深度学习的融合空域空管指令语义解析技术

随着无人机技术的快速发展，无人机数量与空域需求显著增长，无人机进入融合空域成为趋势。为改进传统的“人在回路”空管模式，提高融合空域的管控效率，对深度学习方法用于空管指令解析进行了研究。根据空管用语的特点对指令进行整理、扩充、分类和标注，编写了可用于自然语言理解模型学习的空管指令数据集。使用BiGRU-CRF模型作为深度学习的基础架构，加入注意力机制与意图反馈机制构建联合模型获取指令意图及指令参数。分别在空管指令数据集和ATIS数据集上进行了评估，结果表明模型在意图识别和槽填充任务较基础架构均有近1.5%的提升，证明论文方法具备实用性和有效性，为无人机自然语言指控技术的发展提供了有力支撑。     

高职工学结合课程学习质量评价现状及体系构建研究

工学结合课程是我国职业院校主要的课程模式,但其课程评价仍存在诸多问题,需要"合身"、科学和更加有效的学习质量评价方案.工学结合课程学习质量评价,应建立具有工学结合课程特色的以就业竞争力和职业生涯发展为导向、"专通"结合、"柔性"的多层级学习质量评价指标体系,准确设定评价目标,改革评价内容,重视技能与绩效,注重团结合作能力,突出"多元"和"健全"的评价主体,推动过程评价落地,加强评价结果应用,以更好地促进人才培养质量的提升.     

QJ3105-99《超差、代料、质疑单管理规定》的学习理解与相关企标的制定

在充分学习理解QJ 31 0 5 - 99《超差、代料、质疑单管理规定》标准的基础上 ,概述了 5 1 9厂在航天产品地面设备的生产过程中 ,结合生产管理实际情况 ,制定企业标准 ,实施QJ 31 0 5 - 99标准的做法 ,并较具体地介绍了企业标准的有关内容。     

建构主义的学习理论对外语教学的启示

介绍建构主义的学习理论，探讨其对大学外语教学在学习主体、合作学习、计算机辅助教学等方面的重要指导意义。     

QJ1714.11A-99的学习与讨论

概述了设计文件在型号产品的研制过程中更改的意义 ,比较和研究了《航天产品设计文件管理制度　设计文件的更改规定》新旧标准的主要不同点 ,分析了新标准的实际指导意义 ,并对标准的一些内容进行了讨论。     

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。     

基于属性引导的多源遥感舰船目标可解释融合关联网络

多源遥感舰船目标关联作为前期大范围预警探测的重要手段为海上态势研判提供重要情报支撑,现有关联算法面临关联结果可解释性差,异构特征难度量,多源目标关联精度低等问题。提出了一种基于属性引导的可解释融合网络用于解决多源遥感舰船目标的关联问题。首先,提出全局关联模块,利用跨模态度量损失函数将图像特征映射到共同空间中度量,用于解决多源图像内容差异大,特征难对齐问题。然后,提出包含多头注意力模型和属性监督函数的可解释模块,提升关联精度并输出可解释的关联结果。其中多头注意力模型让网络关注到舰船目标显著性区域,属性监督函数引导模型关注舰船图像中判别性属性特征,利用属性特征帮助网络解释输出关联结果的决策依据,并以量化的形式可视化属性特征对关联结果的贡献度。最后,利用知识蒸馏的思想减小全局关联模块和可解释模块输出特征距离的差异,使得网络实现精准关联并提供可解释的关联结果。在实验部分,构建了首个多源遥感舰船目标数据集,在该数据集上的测试结果显示本文算法不仅在关联精度上优于现有算法,同时能够为关联过程提供清晰和直观的可视化关联结果。     

基于SAE-SA-1D-CNN-BGRU的涡扇发动机剩余寿命预测

为解决涡扇发动机监测数据维度高和寿命预测准确度低的问题,提出一种基于深度学习的寿命预测方法,开展了利用 神经网络获取涡扇发动机剩余寿命的研究。利用堆叠自编码（SAE）网络从高维传感器数据中提取健康因子（HI）,采用1维卷积神 经网络-双向门控循环单元（1D-CNN-BGRU）方法捕捉HI序列中的空间和时间特征,并引入自注意（SA）机制对捕捉的特征分配 权重,使用全连接层输出涡扇发动机剩余使用寿命（RUL）,以此构建复合神经网络进行面向涡扇发动机高维数据的寿命预测。结 果表明：利用NASA官方网站提供的涡扇发动机寿命试验公开数据集C-MAPSS对该方法进行验证,取得了均方根误差16.22和评 分函数225的结果。证明了基于SAE-SA-1D-CNN-BGRU的寿命预测方法可实现涡扇发动机寿命的有效预测,能为涡扇发动机 维修保障及健康管理提供有效决策支撑。     

面向激光焊接缺陷识别的可解释性深度学习方法

激光焊接在航空领域具有广泛的应用场景,基于视觉的激光焊接缺陷识别对于产品质量的提高至关重要。针对当前基于深度学习的激光焊接缺陷识别方法存在可解释性差的问题,提出了一种融合多尺度特征的类激活映射(MSF-CAM)方法。在训练阶段,以VGG16为骨架模型并将监督信息施加于多个尺度以促进模型对多尺度特征的学习。在测试阶段,对输出类别在多个尺度上的激活图进行叠加,并以此作为模型的判断依据。多尺度特征的融入不但增强了模型的可解释性,而且还提高了激光焊接缺陷识别的准确性。试验结果表明：MSF-CAM在测试集上的准确率为98.12%,识别单幅图像耗时8.28 ms。此外,MSF-CAM可以从边缘、轮廓这种初级特征的角度对模型的决策依据提供人类更容易理解的解释。