神经网络理论在微分对策中的应用

阐述了微分对策理论在实际应用中存在的问题,并从动态冲突的实际过程出发,将神经网络理论与分层式智能控制理论相结合,来模型化微分对策问题.将微分对策的双向优化问题转化成基于神经网络理论的目标机动性辨识和单向优化控制问题,将微分对策的定性与定量结合起来,为有效加入人的经验提供了一种技术途径.并采用自适应分布式学习速率,大大提高了神经网络的学习速度和精度.     

基于Sarsa(λ)强化学习的空间机械臂路径规划研究

针对目标特性未知的在轨操作环境,研究了典型空间操作机械臂的路径规划策略。采用Sarsa(λ)强化学习方法实现目标跟踪及避障的自主路径规划与智能决策,该方法将机械臂系统的每节臂视为一个决策智能体,通过感知由目标偏差和障碍距离程度组成的二维状态,设计符合人工经验的拟合奖赏函数,进行各臂转动动作的强化训练,最终形成各智能体的状态-动作值函数表,即可作为机械臂在线路径规划的决策依据。将本方法应用于多自由度空间机械臂路径规划任务,仿真结果表明新算法能在有限训练次数内实现对移动目标的稳定跟踪与避障,同时各智能体通过学习所得的状态-动作值函数表,具备较强的后期在线自主调整能力,从而验证了算法较强的鲁棒性和智能性。     

深空探测VLBI技术综述及我国的现状和发展

甚长基线干涉测量（VLBI）技术是近年来深空探测研究领域中的研究热点之一。VLBI技术具有测量精度高,作用距离远等优点,这些优点使其在当前及未来的深空探测项目中具有广泛的应用前景。通过对数十篇相关文献的调研,重点阐述了深空探测VLBI技术的基本原理、研究现状,并对该技术的关键技术及未来发展趋势进行了分析和研究,最后介绍了我国深空探测用VLBI技术现状及发展。     

自由飞行下基于集成学习的概率型冲突探测算法

空中交通流量的持续增加对中、短期飞行冲突探测的精度与处理大量目标的能力的要求更高,提出基于集成学习(ensemble learning)的冲突探测算法。首先,对飞机冲突过程建模,收集飞行样本;其次,提取飞机当前位置、速度矢量、向前看时间、待转弯时刻和转角为特征量,训练基本分类器,获得元数据集;然后,以支持向量机为二级分类器,元数据集为新的特征量,训练Stacking元分类器(meta classifier),分类阶段通过Sigmoid函数概率映射法输出冲突概率;最后进行仿真分析。结果表明:基于集成学习的冲突探测算法对冲突探测具有较高的准确率,使得虚警概率大幅下降,且适用于转弯飞行。     

深空通信中提示否定确认型CFDP协议延时估算

为确定空间数据咨询委员会（CCSDS）建议高级在轨系统中CCSDS文件传输协议（CFDP）在深空通信环境中的适应性,研究了CFDP中提示否定确认型文件传输协议（Prompt NAK CFDP）的传输机理。给出了此传输方式的文件传输时延估算方法。分析了误码率、传输速率、协议数据单元的大小与数量,以及提示信息数等对传输时延的影响,获得了深空通信对误码率的要求。研究表明：CFDP可用于深空通信,为其进一步应用和改进提供了参考。     

自主空战连续决策方法

未来空战正朝着无人化、自主化方向发展,自主空战决策方法是未来空战的重要支撑手段之一。传统空战决策方法由于维度限制,存在无法处理连续动作与远视决策的问题。基于Actor-Critic 方法提出空战连续决策的统一架构,依据空战训练经验对状态空间、动作空间、奖励及训练科目进行合理设计,测试多种连续动作空间强化学习算法在高不确定性空战场景下的学习效果并进行可视化验证。结果表明：基于本文提出的方法架构,可以实现连续动作下的远视价值寻优,智能体可以在复杂空战态势下做出最优决策,对随机机动飞行目标有较高的击杀率,且空战机动轨迹具有较高的合理性。     

商用飞机持续适航事件经济性分析模型

我国某型民用飞机于2015年开始陆续交付运行,积累了大量的持续适航事件和数据,但缺少量化的评价机制用于持续适航事件的经济性分析。通过对民用飞机持续适航事件和数据的收集与分析,结合对主制造商和航空公司的成本和收益损失的计算,提出持续适航事件成本结构;在此基础上,建立单个事件的成本模型和持续适航事件经验曲线模型,进一步提出预测机型成熟期的持续适航事件成本预测模型并进行验证。结果表明：在机队持续适航成本预测模型使用的过程中,飞机停场天数、事件接收到确定措施时间和措施实施时间的取值敏感度高,在后续机队的运行过程中,应尽量减小这三个参数的取值,以降低持续适航事件成本。     

基于LSTM-ResNet模型的时变结构损伤检测

面向火箭结构健康监测,提出了一种基于深度学习的损伤检测方法,直接将多个通道的振动数据作为输入,并基于由长短时记忆网络LSTM(Long Short-Term Memory Networks)和残差卷积神经网络ResNet(Residual Convolutional Neural Networks)组合而成的LSTM-ResNet网络进行损伤识别。其优点在于,首先利用LSTM提取信号的时间依赖特征,减轻了由某些通道信号缺失带来的影响,再利用ResNet在不损耗特征的情况下进一步提取空间特征,提高了训练效率和损伤辨识准确性。通过充液圆筒振动放水实验模拟火箭飞行状态下的燃料消耗,并基于自主构建的数据集和公用数据集对LSTM-ResNet、LSTM、ResNet以及ResNet-LSTM网络进行了训练,训练结果表明,LSTM-ResNet组合网络无论在传感器是否存在故障的情况下都具有更好的性能,损伤检测精度更高。     

基于深度学习的目标检测框架组件研究

深度学习与计算机视觉的结合给目标检测研究领域带来了全新的检测模式,通过对基于深度学习的目标检测网络分析研究,目标检测网络框架可模块化地拆分为特征提取网络、多尺度融合和预测网络三个部分。从组成目标检测网络模块化的角度对各个模块进行了详细的分析综述,并给出了如何根据实际需求来构建适合的模型框架建议,为基于深度学习的目标检测方法研究提供参考。     

基于GPU的干涉测量VDIF格式数据编帧方法*

为提高深空测控网VLBI基带转换器灵活性和多种数据格式适应能力,设计一种基于GPU的VDIF格式数据编帧方法。基于CUDA并行运算架构开发符合VDIF规范的帧头计算模块、多通道单线程编帧模块和多通道多线程编帧模块。为了实现编帧过程效率的优化,设计基于纹理缓存查找表的数据量化方法和基于流式架构的多帧信号异步编帧方法。试验验证表明,设计的编帧方法结果正确,高效可靠,有望为我国深空测控干涉测量数据记录系统参与国际VLBI联合观测提供有效的支持。