人工智能可解释性评估研究综述CSCD

近年来,可解释人工智能(XAI)发展迅速,成为当前人工智能领域的研究热点,已出现多种人工智能解释方法。如何量化评估XAI的可解释性以及解释方法的效果,对研究XAI具有重要意义。XAI的可解释性评估涉及主、客观因素,是一个复杂且有挑战性的工作。综述了XAI的可解释性评估方法,首先,介绍了XAI的可解释性及其评估的概念和分类;其次,总结和梳理了一些可解释性的特性;在此基础上,从可解释性评估方法和可解释性评估框架两方面,综述和分析了当前可解释性评估工作;最后,总结了当前人工智能可解释性评估研究的不足,并展望了其未来发展方向。     

模糊诊断规则自学习中规则条件优选技术研究

规则条件优选技术是模糊诊断规则自学习方法的重要环节之一.针对条件优选问题,提出了一种基于面积计算的模糊贴近度函数,并采用该函数对各规则条件的可区分程度做出评估,然后根据得到的评估矩阵设计了规则条件和测点的优选算法.仿真证明,通过条件优选可以大量减少规则中条件的数量,减少了规则学习的计算量,提高了学习的效率;同时,所研究的测点优选技术还可为自动测试程序的设计提供参考.      

受摄三体问题研究

圆型限制性三体问题模型忽略了摄动因素的影响,在很多情况下不能足够准确地描述三体系统的动力学性质。本文研究了考虑摄动影响的三体问题的动力学性质及其轨道设计。首先分析了运行在平动点附近的卫星所受的主要摄动因素;然后从系统在惯性坐标系中的动力学方程出发,推导了会合坐标系中考虑偏心率、第四体引力以及太阳光压摄动影响的一般动力学方程;最后使用两层微分修正方法将圆型限制性三体问题模型下设计的轨道转换到受摄三体问题模型下。     

基于模糊强化学习的多柔性梁振动控制仿真

空间机械结构趋向大型化、复杂化、柔性化特点,容易导致残余振动,且残余振动频率低,振动时间长.针对多柔性梁耦合结构残余振动问题,通过有限元法建立了动力学模型,分析了振动特性,呈现密频特性,拍频特征.对于残余振动问题,结合模糊强化学习控制算法,构建模糊规则表,使用ε-贪婪法选择每条规则中的动作,进而生成最终的控制电压,与环...     

Halo轨道族延拓方法及特性研究

对Halo轨道周期和运动范围等特性的研究是平动点任务设计的首要前提。针对大幅值Halo轨道和完整Halo轨道族的应用需求及其数值计算问题,面向当前应用广泛的地月系和日-地月系共线平动点,基于延拓法研究了圆型限制性三体问题下的Halo轨道族数值计算和运动学特性,给出了Halo轨道族延拓计算方法。数值仿真了族参数选择对轨道族计算的影响,得到了地月系和日-地月系共线平动点的大范围南北Halo轨道族,同时给出了轨道族的轨道周期变化和空间位置变化特性。研究结果表明,固定延拓步长下,L1点Halo轨道族应选择会合坐标系x坐标作为族参数,L2点Halo轨道族应选择y方向速度或者周期T作为族参数。方法适用于任意三体系统平动点的周期轨道族计算,特别是对其中的状态转移矩阵简单修改后可用于完整力模型下的Halo轨道（族）的数值设计。     

基于多冲量能耗估算的小推力任务窗口搜索

针对小推力轨道设计中任务窗口参数具有范围跨度大、非连续性强、对设计结果影响显著等特点,提出了一种基于多冲量能耗估算的任务窗口搜索方法.该方法基于多冲量轨道和小推力轨道的能耗一致性,先由朗伯特两冲量轨道经过数次迭代扩展快速获得多冲量轨道,再通过多冲量轨道能耗估算对任务区间进行全局栅格搜索,最终得到任务窗口的可行区域.仿真结果表明:1)该方法同时适用于交会和飞越任务;2)同朗伯特两冲量相比,它与小推力轨道能耗的一致性更强;3)同Sims和Flanagan最优多冲量相比,计算时间缩短了1～2个量级,计算效率显著提高.地球—火星交会任务的仿真应用表明,该方法只需8.59s即可获得任务窗口的可行区域,进而快速给出小推力最优转移轨道,验证了该方法的有效性.     

Crater detection via genetic search methods to reduce image features

Recent approaches to crater detection have been inspired by face detection’s use of gray-scale texture features. Using gray-scale texture features for supervised machine learning crater detection algorithms provides better classification of craters in planetary images than previous methods. When using Haar features it is typical to generate thousands of numerical values from each candidate crater image. This magnitude of image features to extract and consider can spell disaster when the application is an entire planetary surface. One solution is to reduce the number of features extracted and considered in order to increase accuracy as well as speed. Feature subset selection provides the operational classifiers with a concise and denoised set of features by reducing irrelevant and redundant features. Feature subset selection is known to be NP-hard. To provide an efficient suboptimal solution, four genetic algorithms are proposed to use greedy selection, weighted random selection, and simulated annealing to distinguish discriminate features from indiscriminate features. Inspired by analysis regarding the relationship between subset size and accuracy, a squeezing algorithm is presented to shrink the genetic algorithm’s chromosome cardinality during the genetic iterations. A significant increase in the classification performance of a Bayesian classifier in crater detection using image texture features is observed.     

基于深度置信网络的近距空战态势评估

针对传统态势评估方法权值确定困难、大规模数据处理和特征提取能力不足的问题,结合当前空战数据特征,将深度置信网络(DBN)应用于近距空战态势评估。通过密度峰值算法对空战特征数据进行聚类分析,并结合态势函数和专家判读进行修正,建立标准空战态势样本库;以重构误差和测试错误率为基础,建立网络拓扑结构和最优参数确定方法,提高模型的训练效率,并通过样本数据,对模型进行训练和验证。实验表明,模型态势分类正确率达到92.7%,模型运行时间满足应用需求,实例评估结果与客观态势一致性强。     

基于深度学习的航空发动机故障融合诊断

通过对航空发动机故障诊断,能够正确判断各部件工作状态,快速确定维修方案,保证飞行安全。在结合深度信念网络和决策融合算法的基础上,提出了基于深度学习的航空发动机故障融合诊断模型。该模型通过分析发动机的大量性能参数,先利用深度学习模型提取出性能参数中的隐藏特征,得出故障分类置信度;其后对多次故障分类结果进行决策融合,从而得出更准确的诊断结果。将普惠JT9D发动机故障系数用于数据仿真,通过算例验证本文算法的有效性;算例计算结果表明:多次实验结果经数据融合提高了可信度,该模型具有较高的故障分类诊断准确性和抗干扰能力。      

基于半监督集成学习的多核设计空间探索

随着处理器的系统结构日趋复杂,设计空间呈指数式增长,并且软件模拟技术极为费时,成为处理器设计的重要挑战。提出了一种结合集成学习和半监督学习技术的高效设计空间探索方法。具体而言,该方法包括2个阶段:使用均匀随机采样方法从处理器设计空间中选择一小组具有代表性的设计点,通过模拟获得性能响应,从而组成训练数据集;提出基于半监督学习的AdaBoost（SSLBoost）模型预测未模拟的样本配置的响应,从而搜索最优的处理器设计配置。实验结果表明,与现有的基于人工神经网络和支持向量机（SVM）的有监督预测模型相比,SSLBoost模型能够使用更少的模拟样本构建出不差于现有方法性能的预测模型;而当模拟样本数量相同时,SSLBoost模型的预测精度更高。