集成学习在高误码率下AOS协议识别中的应用研究

针对天基网络中高误码率的传输特点,为保证各个异构网络之间数据能够高效可靠的传输,采用空间链路层高级在轨系统协议设计一种基于集成学习的识别方法。该方法采用集成学习模型,学习AOS协议数据,构建基于集成学习的AOS协议识别模型,实现AOS协议的准确识别,并在高误码率情况下进行实验验证。实验结果表明,集成学习模型在AOS协议识别方面具有较好的识别效果,识别运行效率有显著提升,且在较高误码率即10^-1时依然可以保持稳定的识别效果。     

基于记忆关联学习的小样本高光谱图像分类方法

高光谱图像（HSI）分类是遥感领域的基础应用之一。该任务旨在根据部分带类别标签的像素样本训练分类器,预测图像中剩余像素对应的类别标签。在实际应用中,由于人工标记样本成本过高,只能获得少量带标签的样本。针对少量样本无法准确描述数据分布从而导致训练过程过拟合的问题,提出一种基于记忆关联学习的小样本高光谱图像分类方法。考虑到无标签样本中包含大量与数据分布相关的信息,构建基于有标签样本记忆模块,并根据样本间的特征关联,利用不断更新的记忆模块学习无标签样本的潜在类别分布,构建无监督分类模型,并与传统的有监督分类模型进行联合学习。在多个高光谱图像分类数据集上的实验结果表明,所提方法能有效提升小样本高光谱图像分类的准确性。      

描述碳纳米管内水分子单链的深度学习势

碳纳米管通道内的受限水具有与体相水截然不同的物理力学性质。当纳米管直径低至约0.8 nm时,通道内水分子形成与生物水通道内类似的单链结构,并显现出极高的流速和离子排斥能力。尽管基于经验势的分子动力学模拟在揭示单链水的奇特行为方面发挥了重要作用,但其模拟结果通常依赖于水模型和壁面-水作用参数选取。本文以从头算分子动力学计算结果为数据集,通过深度神经网络训练获得描述碳纳米管内单链水的深度学习势。基于深度学习势的分子动力学模拟在势能和原子受力方面具有近似第一性原理水平的准确性但低得多的计算成本,能准确重现从头算分子动力学得到的单链水性质,包括O-H键长、H-O-H键角、取向角和密度分布等。此外,本文对比了该深度学习势与常用经典水模型所得结果的异同。本文所构建的深度学习势为以接近第一性原理的准确性进行碳纳米管内单链水体系的大尺寸、长时间模拟提供了可能。     

一种基于在轨深度学习的压缩率确定方法

如何对遥感图像中的重要目标进行精确的识别分类,是卫星遥感领域的一个难点和重要的研究方向。深度学习能较好解决识别分类的问题,但其学习模型有大量参数需要确定,会消耗大量计算和存储资源,不利于在轨实现。模型压缩是降低资源需求的有效方法,但会导致分类准确率降低。剪枝是模型压缩的主要方法之一,目前剪枝技术大多研究的是在降低计算量的情况下如何减少准确率损失,如何确定压缩率是有待研究的问题。本文提出了一种通过函数拟合准确率与压缩率关系的方法,可以据此确定相应的压缩率,并对不同的压缩方法进行比较。仿真结果表明:该方法的函数模型可以在不同场景下用较少的点拟合出准确率与压缩率关系曲线,且均方根误差最大为1.09,平均值为0.51,拟合效果较好,可据此针对不同的应用条件与需求确定相应的模型压缩率。     

基于迁移学习方法的安全运行状态评估综述

迁移学习是利用其他相关领域已有的知识解决给定领域问题的一种方法,能够有效抑制数据缺失对 准确建立状态评估模型的影响,从而为设备安全可靠运行以及维护决策等方面奠定基础。本文总结了航空航 天领域相关设备产品数据缺失条件下利用迁移学习实现运行状态评估的研究现状,探讨了迁移学习方法在状 态评估领域未来的研究方向,为航空航天领域相关研究人员提供了最新参考,以便对实际问题进行分析并据此 寻找可能的解决方案。     

基于分支深度强化学习的非合作目标追逃博弈策略求解

为解决航天器与非合作目标的空间交会问题,缓解深度强化学习在连续空间的应用限制,提出了一种基于分支深度强化学习的追逃博弈算法,以获得与非合作目标的空间交会策略。对于非合作目标的空间交会最优控制,运用微分对策描述为连续推力作用下的追逃博弈问题;为避免传统深度强化学习应对连续空间存在维数灾难问题,通过构建模糊推理模型来表征连续空间,提出了一种具有多组并行神经网络和共享决策模块的分支深度强化学习架构。实现了最优控制与博弈论的结合,有效解决了微分对策模型高度非线性且难于利用经典最优控制理论进行求解的难题,进一步提升了深度强化学习对离散行为的学习能力,并通过算例仿真检验了该算法的有效性。     

航天智能控制技术让运载火箭“会学习”

高可靠和智能化是未来智能航天器的主要特点,本文聚焦航天器高可靠、智能化的发展需求。梳理了中国运载火箭从无到有、从有到全的发展历程,提出了航天智能技术从航天器的可靠性做起,航天器的可靠性从航天智能控制做起,航天智能控制从"会学习"的火箭做起。围绕航天智能控制技术如何使运载火箭"会学习"的发展架构,进一步探索了"边飞边学"和"终身学习"智能控制技术的理论研究和应用现状,支撑中国"会学习"运载火箭高可靠和智能化的发展。     

基于深度强化学习的多无人机协同进攻作战智能规划

无人机依靠作战效费比高、灵活自主等优势逐步替代了有生力量作战,多无人机协同作战任务规划成为热点研究问题。针对传统任务规划采用的智能优化算法存在的依赖静态、低维的简单场景、机上计算较慢等不足,提出一种基于深度强化学习（DRL）的端到端的多无人机协同进攻智能规划方法。将压制敌防空作战（SEAD）任务规划过程建模为马尔科夫决策过程,建立基于近端策略优化（PPO）算法的SEAD 智能规划模型,通过两组实验验证智能规划模型的有效性和鲁棒性。结果表明：基于DRL 的智能规划方法可以实现快速、精细规划,适应未知、连续高维的环境态势,智能规划模型具有战术协同规划能力。     

做学习型工人

许振超是青岛港桥吊队队长，一名普通工人，初中文化，从事港口装卸一线作业30多年。他结合本职工作，自修了大学机电专业所有课程，掌握了先进的桥吊操作和处理技术，并带领桥吊队连续创造出世界领先的装卸效率。人们钦佩他在平凡的岗位上做出了非凡的成绩，更钦佩他刻苦学习的精神。