行星软着陆GPS有模型强化学习制导方法

由于距离地球较远、测控延时误差较大、飞行环境十分复杂且难以提前预测，行星软着陆的自主制导技术目前存在水平位置估计困难、导航参考信息匮乏、复杂地形着陆困难等挑战。针对行星软着陆存在的困难和挑战，提出了基于引导策略搜索算法的有模型强化学习制导方法，实现了着陆器在初始状态受到扰动时，无需重新规划，仍能在满足约束条件的情况下降落在指定位置。该方法将迭代线性二次调节器作为控制器，产生初始轨迹；其次，使用多层神经网络拟合制导策略；最后，利用控制器监督策略学习，进而收敛产生可行策略。针对行星表面软着陆的仿真验证结果显示该算法仅通过几次循环，即可以实现初始状态变化的快速软着陆。一方面表明了基于有模型强化学习的数据高效利用率，另一方面也证明了强化学习方法在深空探测领域中具有广阔的应用前景。     

基于多尺度联合学习的行人重识别

现有的行人重识别方法主要关注于学习行人的局部特征来实现跨摄像机条件下的行人辨识。然而在人体部件存在运动或遮挡、背景干扰等行人数据非完备条件下，会导致行人局部辨识信息丢失概率的增加。针对这个问题，提出了一种多尺度联合学习方法对行人辨识特征进行精细化表达。该方法包含3个分支网络，分别提取行人的粗粒度全局特征、细粒度全局特征和细粒度局部特征。其中粗粒度全局分支通过融合不同层次的语义信息来增强全局特征的丰富性；细粒度全局分支通过联合全部局部特征，在对全局特征进行细粒度描述的同时学习行人局部部件间的相关性；细粒度局部分支则通过遍历局部特征来挖掘行人非显著性的信息以增强局部特征的鲁棒性。为了验证所提方法的有效性，在Market1501、DukeMTMC-ReID和CUHK03三个公开数据集上开展了对比实验，实验结果表明:所提方法取得了最佳性能。      

基于深度强化学习的智能空战决策与仿真

飞行器空战智能决策是当今世界各军事强国的研究热点。为解决近距空战博弈中无人机的机动决策问题，提出一种基于深度强化学习方法的无人机近距空战格斗自主决策模型。决策模型中，采取并改进了一种综合考虑攻击角度优势、速度优势、高度优势和距离优势的奖励函数，改进后的奖励函数避免了智能体被敌机诱导坠地的问题，同时可以有效引导智能体向最优解收敛。针对强化学习中随机采样带来的收敛速度慢的问题，设计了基于价值的经验池样本优先度排序方法，在保证算法收敛的前提下，显著加快了算法收敛速度。基于人机对抗仿真平台对决策模型进行验证，结果表明智能决策模型能够在近距空战过程中压制专家系统和驾驶员。     

基于深度多模态特征融合的短视频分类

目前，短视频已经成为新媒体时代极具有代表性的产物之一，其天然的具有时短、强编辑等特点，使得传统视频分类模型不再适合于短视频分类任务。针对综合短视频分类问题的特点，提出了一种基于深度多模态特征融合的短视频分类算法。所提算法将视觉模态信息和音频模态信息输入到域分离网络中，将整个特征空间划分为所有模态共享的公有域部分及由音频模态和视觉模态分别独有的私有域部分，借助优化域分离网络，最大程度地保留了不同模态特征间的差异性和相似性。在公开的短视频分类数据集上进行实验，证明了所提算法可以有效减少特征融合时的冗余性，并将分类的平均精度提高到0.813。      

智能控制系统简述及研究构想

当代科学技术的重大变革和发展，已突破旧的自动控制系统框架向具有人的经验知识直接参与控制过程的系统框架发展.将人的智能引入控制系统，则形成智能控制系统.作为控制发展的高级阶段，智能控制系统主要解决那些用传统控制方法难以解决的复杂系统的控制问题，以提高社会生产效率，并提高人民的生活质量水平.本文主要对智能控制系统进行简述并提出一些研究构想，首先提出智能控制系统的基本概念、目的和任务，然后重点阐述智能控制系统的结构和组成以及一些控制方案和算法，最后论述智能控制系统的研究基础，即特征建模与在线学习.     

基于物理神经网络的导热问题无网格计算方法

建立了物理神经网络（PINNs）求解导热问题的通用框架，描述了三维非稳态问题、初始条件和三类边界条件及曲面边界的处理方法。使用PINNs求解了一个一维导热问题。求解结果与理论解的最大相对误差为0.001 7%，平均相对误差为0.001 1%。使用一个简化叶片的导热问题作为案例，将PINNs与传统有限元方法进行对比，探究了PINNs不同的网络架构和超参数对结果的影响。对于简化叶片的导热问题，有限元方法求解时间为11.7 s,PINNs平均求解时间为8.96 s，求解结果的最大误差为1.03%，平均误差为0.139%。微调实心叶片的内冷源强度，在训练收敛的PINNs基础上重新采样计算，新的计算收敛时间为1.41 s，证明了PINNs方法具有设计条件微调时的快速计算能力。     

一种历史信息特征敏感的行人迭代检测方法

基于深度学习的目标检测算法通常需要使用非极大值抑制等后处理方法对预测框进行筛选，无法在行人拥挤的场景下平衡模型的检测精度和召回率。虽然迭代检测的方法可以解决非极大值抑制等方法带来的问题，但是重复检测同样会限制模型的性能。提出了一种历史信息特征敏感的行人迭代检测方法。引入带权重的历史信息特征（WHIC），提高特征的区分度；利用历史信息特征提取模块（HIFEM）得到不同尺度的历史信息特征，并融合进主网络中进行多尺度检测，增强了模型对历史信息特征的敏感度，有效抑制重复检测框的产生。实验结果表明：所提方法在拥挤场景的行人检测数据集CrowdHuman和WiderPerson上取得了最优的检测精度和召回率。     

航班保障因果分析框架

航班离港延误是民航界一致关注并希望解决的重点及难点问题。针对航班离港延误产生原因不明晰及因果影响强度不确定的问题，提出了BLCNS-LV-IDA因果分析框架，从因果推断的角度出发，在航班地面保障业务范畴领域内，从定性和定量2个层面对航班离港推出延误进行因果分析。以航班离港推出延误时长为目标变量，基于特征选择和极大祖先图贪婪搜索(GSMAG)算法结合的BLCNS局部因果网络结构发现算法，构建因果网络模型；根据得到的因果网络，基于LV-IDA算法对各等价网络中的边缘进行因果效应评估。实验结果表明：BLCNS局部因果网络结构发现算法在处理变量较多的大样本数据集时有一定的优势，在50节点集的1 000、5 000、10 000样本量下，F1值较基线算法分别提高了-0.303、0.008、0.132，呈明显上升趋势，且在运行时间方面至少缩短16.29%。节点间的因果效应明确了各节点对航班延误的具体影响强度，为航班保障的精细化管理、减少航班延误提供了指导。