神经网络理论在微分对策中的应用

阐述了微分对策理论在实际应用中存在的问题,并从动态冲突的实际过程出发,将神经网络理论与分层式智能控制理论相结合,来模型化微分对策问题.将微分对策的双向优化问题转化成基于神经网络理论的目标机动性辨识和单向优化控制问题,将微分对策的定性与定量结合起来,为有效加入人的经验提供了一种技术途径.并采用自适应分布式学习速率,大大提高了神经网络的学习速度和精度.     

月球软着陆的时间最优安全着陆区搜索算法

以时间为最优参数,提出了一种模拟人类在月球软着陆过程中识别障碍物、选择安全着陆点的思维模式,利用高程图寻找安全着陆点的软着陆算法。综合考虑着陆器能容忍的障碍物高度、粗糙度、坡度和着陆器的水平机动距离,根据时间最优设计算法,计算简单、速度快、可靠性高。仿真结果表明了算法的正确性和可靠性。     

确定时间序列协方差函数的方法

提出一种确定时间序列协方差函数的方法,它首先根据(多元)时间序列构造其互协方差函数随机序列、互相关函数随机序列或自协方差函数随机序列、自相关函数随机序列,然后采用谱分析和多点平均方法对互协方差函数随机序列、互相关函数随机序列或自协方差函数随机序列、自相关函数随机序列的趋势项进行分离,分别求得其周期项和非周期项的函数表达式,再综合给出整个趋势项函数。从而得到原时间序列的互协方差函数、互相关函数或自协方差函数、自相关函数的函数形式,并通过最小二乘方法确定其中的待定参数。该方法可用于时间序列协方差函数的建模、分析和预测,并且计算简单易行、精度高,便于实际应用。      

我国早期原子钟研制历程回顾

“2019全国时间频率学术会议”是由四个专业委员会联合每两年举办一次的20周年纪念会。20年来，我国原子钟事业已有长足发展，成为世界上原子钟研制与开发的大国。但总体上说，我们的工作还是以跟随为主，真正属于自主创新的较少。不改变这种局面，我们还难以成为独立自主的时间频率强国，为国家经济和国防建设作出应有贡献。本文回顾了我国原子钟研发的情况，提到一些从基础研究上属于原始创新的案例。阐述了这些案例是在简陋的实验条件下依靠对原子钟内各类实验现象进行深入的物理分析基础上出现的。同时，也指出了在比较粗糙的工艺条件下实现精细的技术指标中能工巧匠所起的特殊作用。文章也约略提到国内各单位间无私协作的崇高精神。本文将讲述一些故事，并就原子钟产业的问题表示一点看法。中国要实现“强国梦”，阻力和困难还很多很艰巨，我们必须拥有丰富的原始创新来加以克服。为此，坚韧的奋斗钻研精神和传统仍不失借鉴与继承意义。     

职业院校学生终身学习能力的培养策略研究

分析了终身学习的内涵与内容,提出培养职业院校学生终身学习能力的必要性,并提出了切实可行的提高职业院校学生终身学习能力的具体措施。     

Modeling M(3000)F2 based on extreme learning machine

This paper presents an novel extreme learning machine (ELM)-based prediction model for the ionospheric propagation factor M(3000)F2 at Darwin station (12.4°S, 131.5°E; −44.5°dip) in Australia. The proposed ELM model is trained with hourly daily values of M(3000)F2 from the period 1998–2014 except 2001 and 2009. The hourly daily values of 2001 (high solar activity) and 2009 (low solar activity) are used for validating the prediction accuracy. The proposed ELM for modeling M(3000)F2 can achieve faster training process and similar testing accuracy compared with backward propagation neural network (BPNN). In addition, the performance of the ELM is verified by comparing the predicted values of M(3000)F2 with observed values and the international reference ionosphere (IRI −2016) model predicted values. Based on the error differences (the root mean square error (RMSE) and the M(3000)F2 percentage improvement values M(3000)F2_IMP(%)), the result demonstrates the effectiveness of the ELM model compared with the IRI-2016 model at hourly, daily, monthly, and yearly in high (2001) and low (2009) solar activity years. The ELM also shows good agreement with observations compared with the IRI during disturbed magnetic activity.     

基于ADRC迭代学习控制的四旋翼无人机姿态控制

针对农用无人机超低空表型遥感和喷药精准悬停易受地效扰动问题，提出了一种自适应ADRC姿态控制器。首先设计了基于ADRC的姿态控制器，结合四旋翼无人机平台在0.9~1.1、1.1~1.3、1.4~1.6、2.0~2.4、2.5~2.9、3.3~3.6 m/s侧向水平风、0.9~1.1 m/s （11°）、1.1~1.3 m/s （13°）、1.4~1.6 m/s （18°）、1.8~2.0 m/s （18°）、2.1~2.5 m/s （18°）前俯向风和侧俯向风下进行干扰的预测和控制量的补偿实验。实验结果显示使用ADRC姿态控制器后无人机抗风性能有较大提升。然而在存在初始误差时，ADRC固定带宽无法满足要求，进一步设计了自适应ADRC姿态控制器（ILC-ADRC）。通过迭代学习控制在线优化自抗扰控制器带宽，实现了不同增益观测器的自适应整定。实验结合四旋翼无人机平台分别进行了机头实际方向与期望方向偏离55°、90°、180°，水平风速1.1~1.3、1.4~1.6、2.0~2.4、2.5~2.9 m/s下使用ADRC和ILC-ADRC的对比。实验结果显示采用ILC-ADRC姿态控制器，在150次控制周期内，偏航角误差均在-15°~15°之间，满足四旋翼无人机偏航角控制精度要求，同时调节时间分别缩短了40%，16.67%，12.5%，53.33%，10.34%，13.95%，27.27%，58.66%，11.86%。     

黎曼几何在计算机视觉中的应用研究进展

在计算机视觉领域，许多任务相关数据具有非欧结构，近年来基于黎曼几何的数据表征与应用研究受到了越来越多的关注。如何充分利用数据的几何结构，来提高目标识别、目标跟踪及目标检测算法的性能，是其中的一些研究热点。本文主要从三个方面介绍黎曼流形在计算机视觉中的应用研究进展。首先，从数学基本概念出发，阐述黎曼流形与图像的关系以及视觉应用的可行性，并介绍计算机视觉中具有重要应用的几种黎曼流形。其次，对黎曼流形在计算机视觉中若干常见应用进行了概述，重点介绍了与深度学习相结合的相关进展。最后，对引入黎曼流形的机器学习方法的未来发展进行了分析和讨论。     

Weighted marginal fisher analysis with spatially smooth for aircraft recognition

Due to limitations to extract invariant features for recognition when the aircraft presents various poses and lacks enough samples for training, a novel algorithm called Weighted Marginal Fisher Analysis with Spatially Smooth （WMFA-SS） for extracting invariant features in aircraft rec- ognition is proposed. According to the Graph Embedding （GE） framework, Heat Kernel function is firstly introduced to characterize the interclass separability when choosing the weights of penalty graph. Furthermore, Laplacian penalty is applied to constraining the coefficients to be spatially smooth in this algorithm. Laplacian penalty is able to incorporate the prior information that neigh- boring pixels are correlated. Besides, using a Laplacian penalty can also avoid the singularity of Laplacian matrix of intrinsic graph. Once compact representations of the images are obtained, it can be considered as invariant features and then be performed in classification to recognize different patterns of aircraft. Real aircraft recognition experiments show the superiority of our proposed WMFA-SS in comparison to other GE algorithms and the current aircraft recognition algorithm; the accuracy rate of our proposed method is 90.00% for dataset BH-AIR1.0 and 99.25% for dataset BH-AIR2.0.