一种星-箭连接动态界面力的深度学习反演方法

针对于星-箭连接动态界面力无法通过力传感器直接测量,且典型时域动载反演方法难以准确计算界面力的时域变化等难点,提出了基于长短时记忆(LSTM)神经网络的星-箭界面力深度学习反演方法。首先通过卫星地面测试试验得到数据依据,以卫星主体结构的加速度测量数据为输入层,以星-箭界面力测量数据为输出层,利用LSTM神经网络建立输入和输出间的反演映射关系模型,实现卫星在发射过程中较高精度的界面力反演。进而,设计并开展了某典型卫星结构的正弦扫频和随机振动实验,测试LSTM界面力反演方法的可行性。结果分析可知,所提出的基于LSTM深度学习反演方法能够精确地获得动态界面力时程数据,两项性能指标均优于目前典型的载荷反演方法。     

改进PointNetLK的点云智能配准与位姿图优化方法

针对空间在轨服务任务中的非合作目标相对位姿测量问题,提出一种目标可测部位点云的智能配准方法。首先,通过Straight Through滤波算法对半物理仿真平台采集得到的点云进行目标提取,以消除背景数据等杂乱信息;其次,改进PointNetLK神经网络点云配准算法,将提取后的点云数据作为输入,从而获得初步配准结果,解决非合作目标先验信息缺失导致的无法配准问题;最后,建立基于位姿图的优化模型,以降低配准误差,提高配准精度。实验结果表明,与传统迭代最近点(ICP)算法相比,配准综合误差从6.3598降低到1.7291,精度提高约 72.81% 单次耗时从33.16 s降低到4.2 s,效率提升约87.33%,与当前SM ICP等其他算法相比,也具有一定的优势。     

Gray bootstrap method for estimating frequency-varying random vibration signals with small samples

During environment testing, the estimation of random vibration signals （RVS） is an important technique for the airborne platform safety and reliability. However, the available meth- ods including extreme value envelope method （EVEM）, statistical tolerances method （STM） and improved statistical tolerance method （ISTM） require large samples and typical probability distri- bution. Moreover, the frequency-varying characteristic of RVS is usually not taken into account. Gray bootstrap method （GBM） is proposed to solve the problem of estimating frequency-varying RVS with small samples. Firstly, the estimated indexes are obtained including the estimated inter- val, the estimated uncertainty, the estimated value, the estimated error and estimated reliability. In addition, GBM is applied to estimating the single flight testing of certain aircraft. At last, in order to evaluate the estimated performance, GBM is compared with bootstrap method （BM） and gray method （GM） in testing analysis. The result shows that GBM has superiority for estimating dynamic signals with small samples and estimated reliability is proved to be 100% at the given confidence level.     

基于GA-ELM的飞行载荷参数识别

针对用复杂飞行数据识别飞行载荷时的精度低、速度慢等问题,提出一种结合遗传算法(GA)和极限学习机(ELM)的GA-ELM模型。该模型使用ELM神经网络作为计算核心,用遗传算法产生ELM网络输入层到隐含层的权值矩阵和隐含层偏移量;用GA-ELM模型对飞行数据进行识别,并与BP神经网络和原始ELM神经网络的识别结果进行对比。结果表明:GA-ELM模型是一种有效且高精度的飞行载荷参数识别方法。     

MBD环境下计算机辅助零件分类技术

针对MBD环境下的零件分类问题，研究MBD信息提取、零件编码转换和深度学习分类算法技术，并创建MBD-计算机辅助零件分类系统（MBD-CAPC），实现从输入MBD模型到输出零件分类结果的自动化。     

试析马克思理论体系的两个思想资源

除了常说的三大理论来源以外,马克思的理论体系的形成还有很多丰富的思想资源,其中,基督教和《圣经》传统、古希腊神话和西方文学作品对马克思科学世界观、人生观、价值观的形成产生了深刻影响,马克思对他们采取了批判的借鉴的态度,从中汲取了丰富的营养,成为马克思理论体系重要的思想资源。     

Blood and small intestine cell kinetics under radiation exposures: Mathematical modeling

Mathematical models which describe the dynamics of two vital body systems (hematopoiesis and small intestinal epithelium) in mammals exposed to acute and chronic radiation are developed. These models, based on conventional biological theories, are implemented as systems of nonlinear differential equations. Their variables and constant parameters have clear biological meaning, that provides successful identification and verification of the models in hand. It is shown that the predictions of the models qualitatively and quantitatively agree with the respective experimental data for small laboratory animals (mice, rats) exposed to acute/chronic irradiation in wide ranges of doses and dose rates. The explanation of a number of radiobiological effects, including those of the low-level long-term exposures, is proposed proceeding from the modeling results. All this bears witness to the validity of employment of the developed models, after a proper identification, in investigation and prediction of radiation effects on the hematopoietic and small intestinal epithelium systems in various mammalian species, including humans. In particular, the models can be used for estimating effects of irradiation on astronauts in the long-term space missions, such as Lunar colonies and Mars voyages.     

情感因素对语言学习的影响

情感因素对语言学习具有重大的影响。在学生智商水平相当的情况下,情感差异会导致学生学习成绩的高低之分。情感差异是由家庭、环境、情趣、学习方法等综合因素造成的。积极的情感会对学生的学习起到促进作用；反之,消极的情感则会阻碍学生的学习。教师在教学中应善于引导学生,促进学生积极情感的产生,减少消极情感的作用,以提高教学效果。     

基于深度增强学习的卫星姿态控制方法

针对卫星在执行丢弃载荷或捕获目标等复杂任务时遭遇的姿态突然发生变化的问题,采用深度增强学习方法对卫星姿态进行控制,使卫星恢复稳定状态。具体来说,首先搭建飞行器的姿态动力学环境,并将连续的控制力矩输出离散化,然后采用Deep Q Network算法进行卫星自主姿态控制训练,以姿态角速度趋于稳定作为奖励获得离散行为的最优智能输出。仿真试验表明,面向空间卫星姿态控制的深度增强学习算法能够在卫星受到突发随机扰动后稳定卫星姿态,并能有效解决传统PD控制器依赖被控对象质量参数的难题。所提出的方法采用自主学习的方式对卫星姿态进行控制,具有很强的智能性和一定的普适性,在未来卫星执行复杂空间任务中的智能控制方面有着很好的应用潜力。     

TopPixelLoss:类别不均衡的遥感影像语义分割损失函数

针对遥感影像中类别不均衡的小目标分割效果不理想的问题，提出了一种类别不均衡小目标二分类分割的损失函数——TopPixelLoss损失函数。首先计算出每个像素的交叉熵，然后将所有像素的交叉熵按从大到小进行排序，随后确定一个K值作为阈值，筛选出前K个交叉熵最大的像素，最后对于筛选出的K个像素交叉熵取平均，做为损失值。在ISPRS 提供的 Vaihingen 数据集上，使用PSPNet网络与普通交叉熵、FocalLoss、TopPixelLoss三种损失函数分别对车辆进行二分类分割试验。结果表明，不同的K值，使用TopPixelLoss损失函数的平均交并比（MIoU）、F1-score、准确度（ACC）都最高;当K值为5×104时效果最佳，MIoU、F1-score、ACC分别比FocalLoss提高了3.0%、5.0%、0.1%。TopPixelLoss损失函数是一种针对类别不均衡分割非常有效的损失函数