高超声速飞行器自适应神经网络容错控制

针对高超声速飞行器巡航段执行器控制效益损失故障和卡死故障问题,基于高超声速飞行器纵向运动模型,将自适应算法与改进的径向基函数神经网络(RBFNN)方法相结合,设计了一种自适应神经网络容错控制器。所提出的容错控制方法具有无需估计执行器故障值的优点,且设计的控制算法结构简单,无需大量实时计算,可以快速处理故障的发生,确保系统在参数不确定、恒定或时变执行器故障与卡死故障情况下仍具有稳定跟踪能力。最后,仿真验证了该方法的有效性。     

战斗机嵌入式训练系统中的智能虚拟陪练

智能化"实虚"对抗是现代先进战斗机嵌入式训练系统的重要功能需求。自主空战决策控制技术在未来空战装备发展中扮演关键角色。将当前的功能需求和发展中的技术结合起来,得到了空战智能虚拟陪练的概念。先进控制决策技术的引入使得智能虚拟陪练能够帮助飞行员完成复杂的战术训练,而训练中真实的对抗场景为技术的验证提供了理想的环境,大量的训练数据为技术的持续迭代优化提供了保障。作为可学习和进化的空战战术专家,智能陪练在人机对抗和自我对抗中不断优化,当其具备与人相当甚至超越人的战术能力时,可应用于未来的无人空战系统。智能虚拟陪练需要具备4项基本能力：智能决策能力、知识学习能力、对抗自优化能力和参数化表示能力。对其包含的关键技术进行了分析,提出并实现了一个基于模糊推理、神经网络和强化学习的解决方案,展示了其各项基本能力及目前达到的空战水平。未来更多的模型和算法可在智能虚拟陪练的框架中进行验证和优化。     

企业网络：类型比较及发展研究

分析了作为中间组织类型的企业网络所具有的组织结构和组织特征，并对其进行了三个层次的划分：集群层次、集团层次和联盟层次，比较分析了处于各个不同层次上的企业网络之间的差异性。认为，技术平台和合作平台将成为企业网络今后发展和进化的关键，并探讨了其相应的两个方面：虚拟创新和信任。     

分布式交互仿真技术的理论与实现

分布式交互仿真（简称ＤＩＳ）是现代仿真科技的前沿课题之一，已广泛受到到以美国为代表的西方发达国家的高度重视，并开展了深入研究。我国在该领域的研究才刚刚起步。ＤＩＳ是指运用计算机网络协议将分布于不同地域仿真模拟器连接起来，营造一个大范围的虚拟环境（ＬＳＶＥ）。在这个环境下，分布于各地的用户可进行诸如空中格斗、空地对抗、地面对抗等各种军事模拟训练。本文介绍了分布式交互仿真的发展历程与发展现状，分析了仿     

无线传感器网络定位算法改进

提出了一种建立在TEEN协议基础之上反应式网络的应用.反应式网络是一种对适时性要求较高的网络,用三角定位法对传感器节点进行定位,在定位的基础上,使得簇首节点的选定更为容易,在一定程度上能节省节点能源、延长网络寿命.     

BP网络进行0-9十个数字图像的识别

在BP算法和数字图像处理技术的基础上,本文在MATLAB软件环境下提取Word文档中26种字体的0-9十个数字的图像,使用MATLAB神经网络工具箱及图像处理工具箱进行数字的识别,给出了较详细的处理步骤及相关程序,并比较了各种识别算法的收敛速度和识别率。     

基于自适应深度网络的无人机目标跟踪算法

针对无人机（UAV）视频中目标易受到遮挡、形变、复杂背景干扰等问题，提出一种基于自适应深度网络的无人机目标跟踪算法。首先，基于主成分分析（PCA）和卷积神经网络（CNN）算法，设计3阶的自适应深度网络进行目标特征提取，该网络对图像的H、S、I通道分别进行主成分分析学习，将得到的特征向量输入网络进行分层卷积，优化了网络结构，提高了网络的收敛速度和精度。其次，将目标深度特征输入核相关滤波算法进行目标跟踪，通过分析相邻2帧图像的变化率，采用分段自适应调整学习率的算法进行目标模板更新，有效地改善目标遮挡问题。仿真实验结果表明，该算法有效地避免了复杂因素干扰导致的跟踪精度下降，具有较好的鲁棒性，相较于全卷积跟踪（FCNT）算法平均跟踪精度提高了9.62%，平均跟踪成功率提高了11.9%。     

高超声速飞行器动态神经网络反推自适应控制

针对高超声速飞行器纵向模型的高度非线性特点,在考虑模型不确定性的情况下,提出了高超声速飞行器动态神经网络调节函数反推自适应控制方法.对给定的速度指令,引入积分型Lyapunov函数设计跟踪控制器,取消了控制增益一阶导数上界的限制,且避免了控制器的奇异性;对给定的高度指令,引入调节函数技术,设计了反推控制器,避免了将模型化为严反馈形式;采用动态神经网络对未知系统动态进行自适应在线逼近.根据Lyapunov理论证明了设计的控制律保证了闭环系统的稳定性与指令跟踪的精确性.仿真结果验证了该方法的可行性及有效性.     

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。     

Optimization of beamforming and path planning for UAV-assisted wireless relay networks

Recently, unmanned aerial vehicles （UAVs） acting as relay platforms have attracted considerable attention due to the advantages of extending coverage and improving connectivity for long-range communications. Specifically, in the scenario where the access point （AP） is mobile, a UAV needs to find an efficient path to guarantee the connectivity of the relay link. Motivated by this fact, this paper proposes an optimal design for beamforming （BF） and UAV path planning. First of all, we study a dual-hop amplify-and-forward （AF） wireless relay network, in which a UAV is used as relay between a mobile AP and a fixed base station （BS）. In the network, both of the AP and the BS are equipped with multiple antennas, whereas the UAV has a single antenna. Then, we obtain the output signal~to-noise ratio （SNR） of the dual-hop relay network. Based on the criterion of maximizing the output SNR, we develop an optimal design to obtain the solution of the optimal BF weight vector and the UAV heading angle. Next, we derive the closed-form outage probability （OP） expression to investigate the performance of the dual-hop relay network conveniently. Finally, computer simulations show that the proposed approach can obtain nearly optimal flying path and OP performance, indicating the effectiveness of the proposed algorithm. Furthermore, we find that increasing the antenna number at the BS or the maximal heading angle can significantly improve the performance of the considered relay network.