面向天地融合网络的无线资源智能分配方法

为满足天地融合网络全时、全域通信需求,采用认知无线电技术可实现有限频谱资源的感知与高效利用,有效缓解同频干扰问题。文章提出了一种用于天地一体认知网络的信道选择和功率调整的无线资源智能分配方法,在保证主用户服务质量的前提下最大化系统数据速率。首先,将天地融合网络建模为异质图结构,通过用户距离估计信道状态信息,并且利用图卷积网络提取和分析关键环境特征。其次,采用深度强化学习探索底层拓扑环境信息,通过试错与奖惩机制不断优化资源分配策略。仿真结果验证了所提方法的收敛性,并且证明系统数据速率能够得到显著提升。     

基于CNN-LSTM神经网络的前视成像算法

雷达前视成像作为雷达成像领域的难点与重点,在自动驾驶、导航、精确制导等方面具有广阔的应用前景。传统的前视成像算法受限于天线孔径的宽度,无法实现高分辨率的成像,本文使用卷积神经网络（Convolutional Neural Networks, CNN）与长短期记忆（Long Short-Term Memory,LSTM）网络相结合实现前视成像中方位向的预测,首先介绍了扫描前视成像信号的类卷积模型及其病态性,利用脉冲压缩以及距离徙动校正对回波信号预处理,输入CNN-LSTM神经网络逐距离单元进行方位向估计。仿真结果表明：算法能有效提高前视成像的方位分辨率,实现前视成像的超分辨。     

基于改进优先经验回放的SAC算法路径规划

为解决智能体在复杂环境下的路径规划问题,提出一种基于改进优先经验回放方法的在线异策略深度强化学习算法模型.该模型采用柔性动作评价算法,通过设计智能体的状态空间、动作空间及奖励函数等实现智能体无碰撞路径规划;利用样本状态优先度与TD误差构建的样本混合优先度的离散度计算样本采样概率,进一步提出基于改进优先经验回放方法的柔性动作评价算法,提高模型学习效率.仿真实验结果验证了提出的改进柔性动作评价算法在各个参数配合下的有效性及改进优先经验回放方法在连续控制任务中模型学习效率的优越性.     

双时间尺度下基于Transformer的锂电池剩余寿命预测

准确预测锂离子电池剩余使用寿命对于掌握其健康状况和管理备件资源具有重要作用.现有锂电池剩余寿命预测方法大多局限于以循环次数为主的预测结果,本质上属于面向单一时间尺度的方法,忽略了锂电池健康状态受循环次数与工作时长双重时间尺度下的退化综合影响的现实问题.提出一种双时间尺度下基于Transformer的锂电池RUL预测模型.该方法选取容量作为表征其性能退化的关键指标,通过Kalman滤波和滑动时间窗对电池容量数据进行处理获取训练集和测试集,有效提取双时间尺度中蕴含的寿命信息,并充分考虑不同时间尺度寿命信息间的相互关系,建立容量与双重时间尺度的映射关系,实现了锂电池在双时间尺度下的RUL准确预测.通过锂电池实例验证了所提方法的有效性和潜在应用价值.     

基于迁移学习的四旋翼无人机性能驱动的故障检测

致力于解决四旋翼无人机的故障检测问题.考虑到无人机模型是一个非线性强耦合的模型,提出一种基于神经网络的性能驱动故障检测方法.然而,当无人机进入新的重力场时,已建立的故障检测系统无法适用.为了解决这个问题,进一步提出一种基于迁移学习的故障检测方法.通过子空间迁移方法和布雷格曼散度度量方式,将源域与目标域对齐,并实现了神经网络的参数迁移以及阈值设定.在四旋翼无人机系统中验证了本文所提出的方法的有效性.     

基于U-Net的海洋锋智能检测模型

海洋锋作为海洋中两种不同性质的水体之间的边界,对渔业和海洋环境保护等许多领域有重要影响,如何快速准确实现海洋锋的自动检测和识别对于海洋监测和预报具有重要的科学意义。将深度学习图像分割网络与提取锋面特征的方法相结合,利用基于U-Net架构的实例分割模型,分别建立海洋锋区和锋面中心线的智能检测模型,同时在编解码过程中采用残差学习单元对模型特征提取网络进行改进。研究结果表明,锋面智能检测模型能够准确提取先前锋面检测算法所识别的锋区和锋面中心线特征,Dice系数分别达到了0.92和0.97,达到了很好的检测效果。同时,利用不同锋面阈值得到的样本数据对模型进行训练,比较结果表明,降低样本集阈值之后模型精度有了显著的提升。     

基于启发强化学习的大规模ADR任务优化方法

随着航天事业的蓬勃发展,空间碎片尤其是低轨碎片已成为航天任务不可忽视的威胁。考虑到碎片清除的紧迫性和成本,低轨多碎片主动清除（ADR）技术成为缓解现状的必要手段。针对大规模多碎片主动清除任务规划问题,首先,基于任务规划的最大收益模型,提出一种强化学习（RL）优化方法,并依照强化学习框架定义了该问题的状态、动作以及收益函数;其次,基于高效启发因子,提出一种专用的改进蒙特卡罗树搜索（MCTS）算法,该算法使用MCTS算法作为内核,加入高效启发算子以及强化学习迭代过程;最后,在铱星33碎片云的全数据集中检验了所提算法有效性。与相关MCTS变体方法以及贪婪启发算法对比,所提方法能在测试数据集上更高效地获得较优规划结果,较好地平衡了探索与利用。     

辅助动力装置控制系统传感器智能解析余度方法

针对辅助动力装置(APU)控制系统传感器故障,提出了一种基于协方差优化集成极限学习网络(COSELM)的传感器智能解析余度方法。该方法能够根据在线序列预测误差的最小方差来自适应更新单个在线序列极限学习机的权重系数,发挥和权衡各个学习模型的优势,通过提高模型算法的稳定性和泛化性,改善传感器智能解析余度的精度。通过在某辅助动力装置控制系统传感器解析余度的验证表明,提出的COSELM方法可以解决传感器在发生偏置故障时的信号重构问题,重构误差不超过1%,适用于不同辅助动力装置个体,为其提供可靠的解析余度。     

基于分支深度强化学习的非合作目标追逃博弈策略求解

为解决航天器与非合作目标的空间交会问题,缓解深度强化学习在连续空间的应用限制,提出了一种基于分支深度强化学习的追逃博弈算法,以获得与非合作目标的空间交会策略。对于非合作目标的空间交会最优控制,运用微分对策描述为连续推力作用下的追逃博弈问题;为避免传统深度强化学习应对连续空间存在维数灾难问题,通过构建模糊推理模型来表征连续空间,提出了一种具有多组并行神经网络和共享决策模块的分支深度强化学习架构。实现了最优控制与博弈论的结合,有效解决了微分对策模型高度非线性且难于利用经典最优控制理论进行求解的难题,进一步提升了深度强化学习对离散行为的学习能力,并通过算例仿真检验了该算法的有效性。