基于小波的能源消费弹性系数预测方法

能源消费弹性系数反映了一个国家能源消费增长速度与国民经济增长速度之间的比例关系,是衡量一个国家能源利用效率的重要指标。鉴于数据中存在较多的噪声,首先用小波分析方法对数据进行滤波,然后用滤除了噪声的数据作为输入变量,用支持向量回归方法建模,并预测未来10年我国能源消费弹性系数变化的规律。实际数据检验表明,该预测方法还是可行的。     

模糊滑模迭代学习控制算法在液压系统中应用

普通比例(P, Proportion)和比例微分(PD, Proportion and Differential)迭 代学习控制(ILC, Iterative Learning Control)算法在液压位置伺服系统中收敛速度比较 慢,很难在实际中应用.为了提高ILC算法的收敛速度,将滑模控制算法引入ILC,提出模糊 滑模迭代学习控制(FSMILC, Fuzzy Sliding Mode Iterative Learning Control)算法,利 用滑模控制响应快的优点来加速ILC的收敛速度,利用模糊控制来减小滑模控制所引起的抖 动问题.FSMILC算法的实质是以系统的滑模函数作为模糊控制器的输入,以模糊控制器的输 出作为ILC的控制增量.通过仿真可以看出,FSMILC算法能够实现系统快速收敛,相对于P型 和PD型具有明显优势.      

基于X射线脉冲星的深空探测器自主导航方案

X射线脉冲星自主导航系统可以为深空探测器提供位置、速度、时间和姿态等丰富且自主的导航信息,以X射线脉冲星测得的信息作为量测量,结合轨道动力学方程,对航天器的轨道进行自主估计确定。论文阐述了该方案的导航原理,在借鉴现有航天器导航系统的基础上,提出了基于X射线脉冲星导航的方案,介绍了方案的硬件组成、系统结构,并针对方案中导航敏感器多冗余的特征,给出了基于多传感器组合导航技术的结构,最后用仿真资料对方案做了性能概算和精度估计。     

天线组阵技术研究及其在我国深空测控通信系统中的应用

研究深空通信系统中天线组阵技术实现方案,并通过数值仿真对几种基本的天线组阵方案和算法的性能进行比较分析。仿真结果表明,采用SUMPLE算法的全频谱合成技术能够获得很好的合成效率,是适合我国深空探测工程测控通信系统设计的有效方案,有望在我国后续的深空探测工程中得到应用。     

月球与深空探测频率规划研究

介绍国际电（ITU）和空间频率协调组（SFGC）关于月球与深空探测频率使用的一些规定和建议,研究国外月球与深空探测频率使用规划和发展趋势,探讨我国月球与深空探测频率使用需求,提出我国月球与深空探测频率建议和发展方向。     

航天器深空飞行中的遥控问题

分析了航天器深空飞行中与遥控工作密切相关的信息传输时延,分析了遥控工作面对的控制实时性、控制精度、控制验证等方面的问题;从遥控工作的控制方式、发令工作模式、遥控工作机制、发令时间补偿等方面提出了解决思路。     

基于分层式强化学习的移动机器人导航控制

针对未知环境下的移动机器人导航问题,本文提出了一种基于分层式强化学习的混合式控制方法。利用栅格-拓扑相结合的环境表示及地图学习方法,通过分层式强化学习在不同控制层次的扩展设计移动机器人的反应式和慎思式导航控制,实现了全局导航和局部导航控制的协调优化。实验及测试结果证明,该控制方法能实现导航任务的全局优化,避免陷入局部极小,并对未知动态环境具有较强的适应性。     

基于深度学习的发动机叶片故障检测技术

为了解决航空发动机叶片故障检测中存在的检测精度欠佳、检测效率不高的问题,提出了一种基于深度学习的目标检测方法。针对小样本数据集检测精度低、模型训练速度慢等问题,对Faster R-CNN目标检测算法进行结构优化,引入Res2Net结构,通过分割串联的策略强化残差模块的卷积学习能力,搭建了细粒级的多尺度残差模型Res2Net-50,以提升模型的特征提取能力。同时,在网络的训练过程中,采用多次余弦退火衰减法对学习率进行调整,以加快模型的训练速度,提升模型的训练质量。针对航空发动机叶片裂纹和缺损2种故障类型进行网络训练与检测试验,试验结果表明：优化后的模型识别准确率提高了0.7%,模型的平均检测精度提高了1.8%,训练时间缩短了5.56%,取得了比较好的检测效果。     

电子对抗技术发展综述

随着雷达低截获技术、通信系统抗干扰技术的发展和战场上智能化电子信息装备部署的应用,战场电磁频谱环境的复杂程度日益增加。如何提高电子战感知环境-适应环境-做出决策-采取行动(OODA)环路速度,实现电磁敏捷,是电子战应对未来复杂战场环境挑战需要解决的关键科学技术问题。通过分析现代雷达技术发展对传统电子战系统的挑战,阐述认知电子战发展的必要性,并从认知概念演变、人工智能技术发展、认知电子战关键技术等方面,对传统电子战向认知电子战发展过程中人工智能技术的应用情况进行分析与总结。     

Key Problems in Coordinated Air Combat andMulti-agent Reinforcement Learning

自从协同作战的概念提出后,各军事强国在协同空战领域均取得了重大进展,协同成为提升作战能力的倍增器。近数十年来,作为解决序列问题的现代智能方法,强化学习在各领域高速发展。然而,面对高维变量问题时,传统的单智能体强化学习往往表现不佳,多智能体强化学习算法为解决复杂多维问题提出新的可能。通过对多智能体强化学习算法原理、训练范式与协同空战的适应性进行分析,提出了协同空战与多智能体强化学习的未来发展方向,为更好地把多智能体强化学习应用于协同空战提供思路。