一种用于ACSR的主从机并行处理系统

以微机、ＬＨ－ＳＣ１６Ａ型Ａ／Ｄ板、ＳＣ５０型Ｄ／Ａ板以及ＴＭＳ３２０Ｃ３０Ａ型ＤＳＰ板为基础，建立了时域结构响应主动控制的主从机并行处理系统。这一系统具有多通道快速运算能力，可提高控制系统的控制律，更新速率，改善控制系统的跟踪能力。     

气动伺服弹性研究的进展与挑战

飞机、导弹等飞行器的气动伺服弹性(ASE)问题源于空气动力、结构弹性以及控制系统之间的复杂耦合。随着飞行器朝着结构更轻、速度更快、性能更好的目标发展,该问题日益突出,直接影响飞行安全与性能。经过六十余年的研究,国内外在ASE分析、综合与试验方面取得了卓有成效的进展。近十余年来,若干新问题因非常规构型飞行器设计的发展而暴露出来,对ASE研究施加巨大挑战,值得重点分析。鉴于此,讨论了ASE分析中的刚弹耦合、非线性、推力矢量以及系统辨识等问题,对ASE综合中的阵风减缓、颤振主动控制和ASE优化问题加以阐述,强调了ASE试验中需要重视的技术,简要介绍了近十余年国外代表性的ASE试验项目案例,指出了一些ASE研究的新动向,并对国内的ASE研究给出了建议。     

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。     

天基激光移除空间碎片仿真平台研究与开发

为了从空间碎片和天基移除系统两方面分析激光驱动碎片变轨过程,优化移除任务规划和策略,基于真实的可观测空间碎片数据,设计并开发了一套天基激光移除空间碎片三维数值仿真平台。首先从总体设计出发,对三维数值仿真平台的需求分析、总体框架、模块功能进行了明确的描述。其次通过对激光驱动空间碎片变轨过程数学模型的分析,确定了各模块的具体实现方法。最后采用C++/Qt开发了三维数值仿真平台,通过仿真验证了设计平台的有效性。该仿真平台可用于不同天基平台和目标碎片的任务规划、碎片分布热点区域和航天器防护区域的方案设计及空间环境治理体系的优化设计。     

基于压电纤维复合材料的航天器动力学建模与振动抑制

压电纤维复合材料(MFC)在柔性航天器的振动主动抑制中具有很好的应用前景。利用哈密顿原理和压电驱动的载荷比拟方法,建立了带MFC压电驱动的离散形式的刚柔耦合动力学方程,采用线性二次型最优控制(LQR)算法进行主动控制。结果表明：在航天器的柔性体受到脉冲载荷激励条件下,使用MFC驱动器可以实现航天器挠性振动的快速抑制,并且同时保持中心刚体姿态的稳定性,即能够实现挠性振动与姿态运动的协同控制。基于MFC的主动控制方法对于高频响应也具有较好的控制效果。对于柔性占优的航天器,采用MFC的主动控制优于被动控制。本文方法在处理具有复杂柔性体的航天器时更具优势,更适合于工程应用。     

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     

基于时标分解的弹性高超声速飞行器智能控制

考虑弹性高超声速飞行器纵向动力学模型，提出了一种基于时标分解的智能控制方法。考虑刚体状态和弹性模态具有不同的时标特性，采用奇异摄动理论进行快慢时标分解，将模型转换为刚体慢变子系统和弹性快变子系统。针对刚体子系统考虑动力学不确定，基于平行估计模型构造表征不确定逼近效果的预测误差，结合跟踪误差给出复合学习控制策略。针对弹性子系统设计自适应滑模控制稳定弹性模态。通过李雅普诺夫稳定性分析可证系统状态一致终值有界。仿真表明所提出的控制方法能够实现刚弹模态的稳定收敛，且具有更高的跟踪精度、更好的学习性能和更快的收敛速度。     

Propulsionless planar phasing of multiple satellites using deep reinforcement learning

This work creates a framework for solving highly non-linear satellite formation control problems by using model-free policy optimisation deep reinforcement learning (DRL) methods. This work considers, believed to be for the first time, DRL methods, such as advantage actor-critic method (A2C) and proximal policy optimisation (PPO), to solve the example satellite formation problem of propellantless planar phasing of multiple satellites. Three degree-of-freedom simulations, including a novel surrogate propagation model, are used to train the deep reinforcement learning agents. During training, the agents actuated their motion through cross-sectional area changes which altered the environmental accelerations acting on them. The DRL framework designed in this work successfully coordinated three spacecraft to achieve a propellantless planar phasing manoeuvre. This work has created a DRL framework that can be used to solve complex satellite formation flying problems, such as planar phasing of multiple satellites and in doing so provides key insights into achieving optimal and robust formation control using reinforcement learning.     

基于DDPG算法的无人机集群追击任务

无人机的集群化应用技术是近年来的研究热点，随着无人机自主智能的不断提高，无人机集群技术必将成为未来无人机发展的主要趋势之一。针对无人机集群协同执行对敌方来袭目标的追击任务，构建了典型的任务场景，基于深度确定性策略梯度网络（DDPG）算法，设计了一种引导型回报函数有效解决了深度强化学习在长周期任务下的稀疏回报问题，通过引入基于滑动平均值的软更新策略减少了DDPG算法中Eval网络和Target网络在训练过程中的参数震荡，提高了算法的训练效率。仿真结果表明，训练完成后的无人机集群能够较好地执行对敌方来袭目标的追击任务，任务成功率达到95%。可以说无人机集群技术作为一种全新概念的作战模式在军事领域具有潜在的应用价值，人工智能算法在无人机集群的自主决策智能化发展方向上具有一定的应用前景。