基于神经网络的飞行科目模板样本集建立方法

为建立某一飞行科目的模板样本集,提出一套基于神经网络和卡尔曼滤波的数据处理方法。任选一次试飞样本,建立Kohonen自组织神经网络进行参数降维、聚类分析、特征提取等,使样本量缩减90%以上,得到该科目的模板样本集。用处理后的样本训练BP神经网络,对其他未经处理的试飞样本进行载荷预测,误差均在3%之内,说明处理后的样本能代表该科目的数据特点,即为模板样本集。方法可以为飞机载荷监控数据库的完善工作服务。     

一种使用BP神经网络加速的蒙特卡洛拉格朗日水滴求解器（英文）

结冰可能威胁飞行安全。拉格朗日方法被广泛应用于求解结冰过程中的水收集系数,但是其发展受到鲁棒性问题和高计算成本限制。为了弥补拉格朗日方法的缺陷,使用蒙特卡洛积分法和反向传播(Backpropagation, BP)神经网络分别用于解决鲁棒性问题和降低计算成本。基于蒙特卡洛方法的拉格朗日求解器可实现对任意模型或计算条件的无条件稳定。构建了BP神经网络用于预测水滴撞击概率,通过筛除非撞击水滴减少计算量。BP神经网络不针对特定模型提前训练,使用异步并行策略使BP神经网络训练和水滴运动同时求解,建立了广泛适用的异步拉格朗日求解器。使用GLC-305后掠三维翼型和某型发动机短舱模型对求解器进行验证,结果显示BP神经网络可以有效提升计算效率,对比没有神经网络辅助最多节省27%运行时间,同时保有同等计算精确度。本文研究为首次尝试神经网络技术与结冰数值模拟融合,为进一步发展拉格朗日方法提供有力支撑。     

一种融合深度信息的火星局部地表图像立体匹配方法

针对火星局部地表形貌原始自然、色彩单一和纹理相似度高难以实现双目精确定位的问题,提出一种融合深度信息的火星局部地表图像立体匹配方法.利用空间金字塔特征提取模块聚合不同尺度和位置的上下文信息,然后通过分层立体匹配架构构建多尺度的匹配代价卷,用条件代价卷归一化代替批量归一化层,在立体匹配网络的代价正则化阶段以深度信息为条件调制匹配代价卷特征,从而降低计算量,提升推理速度,并生成高精度的视差图.最终利用感兴趣目标的视差值并结合相机的基线参数,得到目标点在指定坐标系下的三维坐标从而实现定位任务.在火星模拟场数据集上的视差图达到了三像素误差小于0.017％,通过与GCNet+ CCVNorm等方法的结果进行比较,表明所提出方法在火星局部地表下的优势.     

低轨星座短报文通信中的扩频信号二维快捕优化与实现

极弱信号、大多普勒动态变化条件下的接收机抗干扰、快速捕获同步技术是低轨卫星短报文数据通信的研究难点.本文首先分析了多普勒特性对低轨卫星扩频信号快捕的影响,讨论了现有各种捕获策略的优缺点.在此基础上提出双倍采样、补零的部分匹配滤波与快速傅里叶变换相结合的二维并行快速捕获优化设计方案,并进行了性能仿真分析,最后结合面向判决的同步技术,给出接收机原理样机捕获时间的实现结果.在给定前导码条件下,优化后的二维并行捕获平均时间为10 ms,远低于常规扩频码并行捕获的秒量级捕获时间,可以较好地满足低轨卫星星座全球短报文数据突发通信及随遇接入需求.     

一种正交跳频信号动态分选方法

针对复杂电磁环境下正交跳频信号分选时效不高问题,提出了一种正交跳频信号动态分选方法。首先基于滑动窗口的数据流模型,采用构造型神经网络对跳频信号频域数据和方位信息动态聚类,减轻噪声等因素影响,解决方位信息和幅度关联模糊性的问题;再在相应的覆盖簇内运用时频关联方法,实现正交跳频信号的动态分选,实验结果表明该方法是有效的。
     

基于卷积神经网络的终端空域交通复杂度辨识

辨识终端空域交通复杂度对空中交通管理的安全和效率起着关键作用。利用交通态势的瞬时图像,基于深度学习研究终端空域交通复杂度的辨识方法。构建交通态势图像,并通过对复杂性指标进行聚类实现数据标记。提出了基于卷积神经网络分类的交通复杂度辨识方法。以广州终端空域的进离场运行为研究案例实施验证。结果表明,一方面,包括飞机经度、纬度、高度和速度信息在内的图像可以充分代表空中交通的复杂性;另一方面,所提出的模型可以有效识别终端空域空中交通复杂性。     

基于改进PCNN的轴尖表面缺陷检测

脉冲耦合神经网络(PCNN,Pulse Coupled Neural Network)与传统神经网络不同,不经过训练即可用于图像处理.针对PCNN模型中结构参数较多,且需要人工反复试验进行设置的困难,改进模型结构,简化了馈送输入和连接输入,减少了待定参数;根据邻域灰度动态地计算内部连接系数,由邻域的欧氏距离计算权值矩阵,再由图像的灰度特征计算动态阈值.将改进的PCNN用于陀螺轴尖表面缺陷图像的分割,用基于完整性与正确性指标的缓冲区匹配方法评价所提方法、最大熵法及Canny方法.针对不同缺陷图像的实验表明:所提算法的完整性与正确性都高于0.9,证明所提方法更有效.     

基于神经网络的自适应非线性控制及仿真研究

研究了神经网络非线性动态系统的自适应控制方法,首先利用改进的非线性自回归滑动平均模型,采用多层前向神经网络辨识非线性系统模型,然后直接由辨识结果设计出控制器,并根据控制误差对控制律作在线修正.利用导弹模型进行了控制仿真,仿真结果表明采用此方法可以得到较好的控制效果,而且在模型不确定和有噪声干扰的情况下仍能正常跟踪给定的迎角信号,具有较好的鲁棒性.      

一种基于混沌神经网络的拟人智能控制方法

提出一种基于混沌神经网络(CNN)的拟人智能控制方法.首先利用拟人智能控制理论得到定性控制律(线性或非线性),然后利用CNN实现控制律的定量化.Hopfield神经网络具有快速的优化能力,但容易陷入局部极小,将遍历性的渐变混沌噪声引入其中,形成具有快速全局优化能力的CNN.对二级倒立摆控制的仿真和实验结果均表明该方法有效.