Q-learning强化学习协同拦截制导律CSCD

为实现多枚导弹协同拦截机动目标,提升拦截效能,提出了一种Q-learning强化学习协同拦截制导律。首先,基于逃逸域覆盖理论,建立了非线性多弹协同拦截模型。其次,以视线角速率为状态,依据脱靶量构造奖励函数,通过离线训练生成强化学习智能体,并结合传统比例制导控制方法,构建基于强化学习的变导引系数制导律,实时生成实现协同拦截的制导指令。最终,通过数值仿真验证了所提算法的有效性和优越性。     

基于生成对抗近端策略优化的机动策略优化算法

针对传统强化学习算法在生成空战机动策略时存在收敛效率低、专家经验利用不足的问题,研究了基于生成对抗-近端策略优化的策略生成算法。算法采用判别器-策略-价值(DAC)网络框架,在近端策略优化(PPO)算法基础上,利用专家数据和环境交互数据训练判别器网络,并反馈调节策略网络,实现了约束策略向专家策略方向优化,提高了算法收敛效率和专家经验利用率。仿真环境为基于 JSBSim开源平台的 F-16飞机空气动力学模型。仿真结高,PPO果表明,本文算法收敛效率高于算法,生成的策略模型具备较好的智能性。     

学报文风与评价标准

有不同文风，与有不同学派一样，促进了学术界繁荣。古今中外，有文章存在，就有不良之风。这里谈的不良文风主要指严重脱离实际和机械拼凑的文风。本文仅从对学术性的认识及改进论文评价标准角度谈改进文风。     

基于深度学习的翼型反设计方法

建立了一种基于深度学习的翼型反设计方法,将翼型曲线及其对应的压力分布图像作为训练学习对象,建立其内在联系的模型,实现通过卷积神经网络提取压力分布图像的特征,计算获得翼型曲线。该方法直接将压力分布图像作为模型输入,更加直观简洁,同时避免了传统方法中耗时的数值计算过程。模型测试中,6 000组压力分布图像和翼型曲线用于模型训练,另外561组用于模型验证,验证耗时仅67 s,预测的翼型曲线与CFD计算结果的平均相对误差为055%。对比实验中,通过对压力分布曲线添加噪声、改变输出层尺寸等方式,进一步验证和分析了预测模型性能。结果表明该翼型反设计方法具有较高预测精度和较强鲁棒性,能在保证精度的情况下降低计算时间,提高设计效率。     

基于粒子群核极限学习机的涡扇发动机加速过程模型辨识

针对解析法建立涡扇发动机加速过程模型精度和实时性不高的问题,提出了一种基于粒子群核极值学习机(PSO-KELM)的涡扇发动机加速过程模型数据驱动辨识方法,构建涡扇发动机加速过程模型,结合加速过程试车数据,利用PSO-KELM方法对该加速模型进行辨识。试验结果表明:低压转子转速、高压转子转速和低压涡轮出口燃气总温都较好地逼近了试车数据,最大相对误差均值分别为1.013%,0.355%和1.055%,平均计算时间为0.04ms。精度和实时性均优于反向传播神经网络和粒子群支持向量回归方法,可用于发动机状态监控和性能优化控制。     

英语写作元认知能力培养

为了解决英语写作教学费时低效的问题,根据元认知理论框架对54名高职高专商务英语专业二年级的学生进行了行动研究。研究方法包括收集相关材料、制订并实施改进写作教学的行动计划、评估计划实施的效果。结果是绝大部分学生对本学期的写作教学和在写作方面取得的成绩表示满意。最后对研究过程和结果作分析,针对不足之处提出了改进办法,并提出了有待研究的新问题。     

工程施工中深基坑高程放样的误差分析

论述了市政工程施工中深基坑高程放样方法,对放样过程中产生的误差及误差的大小进行了分析。本测量放样方法可以满足给排水工程施工,以及符合高程精度要求的验收规范。     

组织学习力视角下的学习型党组织建设

建设学习型党组织,是党所处外部世界环境的要求,是党领导的经济社会现状的要求,是党自身建设的当代节点的要求。因此,必须综合学习型组织经典定义和党组织的特殊属性,树立学习型党组织的科学涵义;必须不断加强对学习活动的指导,建立健全各项学习制度,不断创新有效的学习方式,最终提升党组织的本质竞争力。     

非英语专业本科生学习风格探究及启示

研究学习风格和英语学习成绩之间存在的关系。利用PLSPQ对河南省洛阳市三所高校的479名非英语专业二年级学生进行调查问卷,以学生的四级成绩为依据,分析其学习风格总体状况及其偏好以及在学习风格上所呈现出的差异。结果表明,非英语专业本科生触觉型学习风格的倾向性最为明显,听觉型学习风格倾向最弱,就学习风格而言,英语学习成绩优异者与成绩较差者存在较为明显的差异。结论是学习风格与学习成绩之间并没有显著的关系。     

基于深度学习的太阳10.7 cm射电流量日值的中期预报

针对太阳10.7cm射电流量中期日值预报问题,采用深度学习方法,建立了一个典型的基于多层感知器模型的神经网络。该网络采用1个包含90个神经元的隐含层,实现了一种非参数的时间序列自回归模型。预报中不仅考虑历史日值,还考虑了历史预报误差。模型根据前27d的历史数据实现了未来27d的日值预报。通过对50多年数据的训练和试验分析,该方法在短期和中期预报上较传统方法的相对误差明显降低。特别是模型经一次训练后,参数可以完全固定,不同于以往研究参数需要每天滚动更新,大大简化了日常预报,同时极为有利于模型在其他相关应用中的推广。