基于BOWA小脑模型的高精度稳定 电动加载系统

 随着电动加载系统的不断发展,对控制精度、动态特性和稳定性提出了更高的要求,常规的小脑模型(CMAC)和PD控制相结合的复合控制策略难以满足加载指标要求。针对无人机舵机电动加载系统的控制需求,提出了一种基于平衡学习、最优权值和自适应学习率的新型小脑模型(BOWA-CMAC)复合控制策略,它在保留小脑模型算法正常学习过程的同时,避免了算法的过学习现象,保证了系统的稳定,同时提高了跟踪精度和动态特性。仿真和实验结果表明,BOWA-CMAC复合控制策略具有很强的鲁棒性,抑制了加载系统的多余力矩,保证了系统的稳定性,有效提高了系统的跟踪精度和动态特性,非常适合于实时控制。     

基于深度学习的先进陶瓷零件实时缺陷检测系统

传统先进陶瓷零件检测与分类的主流方法为纯机械尺寸过滤和人工判断,为解决其成本高、失误率高和损坏率高等问题,提出了基于深度学习的多目标实时检测分类模型（Multi⁃object real⁃time detection and classification model, MRDC）。该模型以YOLOv3为基础,使用SKNet作为注意力机制进行特征重构提高精确度,配合灰度图快速转化算法与跳帧检测方法提高检测速度,可实现实时缺陷检测。对实际生产中的先进陶瓷零件进行采集训练,多批次采集图像数据,每批数据含多个陶瓷零件的1 000张图像,平均精确率均值达到99.19％,用先进陶瓷零件生产线视频检验,识别分类的正确率达到100％,可以保证每分钟检测450~550个零件。多目标实时检测分类模型拥有识别速度更快、识别准确率更高和零件不易损坏等优点,可极大地节约生产原料与人力成本,减少废品产出。     

基于机器学习的二次电子发射唯象模型

基于机器学习和深度人工神经网络(artificial neural network, ANN)提出一种二次电子发射唯象模型。利用Vaughan模型生成先验数据集,用于训练生成描述二次电子发射一般规律的先验知识ANN模型,并在不同参数条件下验证了先验知识ANN模型的正确性。然后,分别利用银和铝合金材料的二次电子发射系数实验数据修正先验知识ANN模型,分别得到了描述两种材料的特异ANN模型。测试结果表明,特异ANN模型计算结果与实验结果相比的平均绝对误差较Vaughan模型和Furman模型降低了30%以上,与复合唯象模型精度相当或更高。在小样本条件下测试了二次电子发射ANN模型的正确性,验证了分步训练方式的有效性和二次电子发射ANN模型对于小样本集的适应性。提出的基于机器学习的二次电子发射唯象模型能够避免复杂的参数修正过程,能够基于先验知识提升模型对于小样本的适应性,能够实现二次电子发射系数的连续插值,适于在数值模拟软件中使用。     

人工智能可解释性评估研究综述

近年来,可解释人工智能(XAI)发展迅速,成为当前人工智能领域的研究热点,已出现多种人工智能解释方法。如何量化评估XAI的可解释性以及解释方法的效果,对研究XAI具有重要意义。XAI的可解释性评估涉及主、客观因素,是一个复杂且有挑战性的工作。综述了XAI的可解释性评估方法,首先,介绍了XAI的可解释性及其评估的概念和分类;其次,总结和梳理了一些可解释性的特性;在此基础上,从可解释性评估方法和可解释性评估框架两方面,综述和分析了当前可解释性评估工作;最后,总结了当前人工智能可解释性评估研究的不足,并展望了其未来发展方向。     

基于模糊强化学习的多柔性梁振动控制仿真

空间机械结构趋向大型化、复杂化、柔性化特点,容易导致残余振动,且残余振动频率低,振动时间长.针对多柔性梁耦合结构残余振动问题,通过有限元法建立了动力学模型,分析了振动特性,呈现密频特性,拍频特征.对于残余振动问题,结合模糊强化学习控制算法,构建模糊规则表,使用ε-贪婪法选择每条规则中的动作,进而生成最终的控制电压,与环...     

模糊诊断规则自学习中规则条件优选技术研究

规则条件优选技术是模糊诊断规则自学习方法的重要环节之一.针对条件优选问题,提出了一种基于面积计算的模糊贴近度函数,并采用该函数对各规则条件的可区分程度做出评估,然后根据得到的评估矩阵设计了规则条件和测点的优选算法.仿真证明,通过条件优选可以大量减少规则中条件的数量,减少了规则学习的计算量,提高了学习的效率;同时,所研究的测点优选技术还可为自动测试程序的设计提供参考.      

基于注意力机制特征重建网络的舰船目标检测

深度学习为遥感领域诸多应用提供了重要的技术支撑,光学遥感图像的舰船目标检测对国防侦察和预警具有重要意义.真实场景中的舰船往往呈不同方向任意排列,且小目标的占比大,经典的深度学习目标检测算法在这种复杂条件下精度低、易漏检.为此,本文设计了基于注意力机制特征重建网络的舰船目标检测算法.首先,通过引入注意力机制对多尺度特征融...     

监控视频中异常事件检测技术研究进展

异常事件检测技术是当前智能监控技术研究领域关注的一个热点,作为计算机视觉的重要研究内容,其主要目标是利用计算机自动检测出可被视为异常的事件。传统方法存在低层视频特征描述能力弱,异常检测方法计算代价大,对复杂场景建模时鲁棒性差等方面的限制。本文结合国内外的研究现状和目前的主流方法,介绍了监控视频中异常事件检测涉及的基本技术,分析了各类监控视频特征提取方法、特征学习模型和异常检测方法的优缺点,整理归纳了可用于监控视频中异常事件检测的常用实验数据集,最后讨论了监控视频中异常事件检测技术的难点、挑战及未来发展趋势。     

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。     

相关向量机及其在故障诊断与预测中的应用

相关向量机(RVM)是一种基于稀疏Bayesian学习理论的新型机器学习方法,具有概率式输出、稀疏性强、参数设置简单、核函数选择灵活等优点,克服了人工神经网络(ANN)和支持向量机(SVM)等典型机器学习方法的诸多固有缺陷。文章从模型选择与优化、模型计算效率和模型鲁棒性改进3个方面综述了RVM的理论研究进展;总结了RVM在故障诊断与预测中的应用研究现状;分析指出了当前研究中存在的问题,并讨论了基于RVM的故障诊断与预测技术的研究方向。