一种基于改进后的孤立森林机器学习方法在飞行器控制系统试验电源数据包络分析中的应用

为了弥补当前试验数据包络分析方法存在的缺陷,提出并实现了一套新的数据包络分析方法。针对控制系统设计方式相同的不同飞行器多条数据一致性判断问题,采用改良后的孤立森林方法进行数据包络分析,快速找出异常电源电压数据。这种方法还可以推广到类似其他采样数据的数据包络分析场景。在此基础上开发了数据包络分析软件,并进行了多次验证试验。结果表明,提出的数据包络分析方法能有效判断出飞行器控制系统电源所涉及链路中的隐性或显性问题。     

液氧深度过冷大流量加注关键技术研究

为了提高火箭运载系数和工作稳定性,有必要对液氧（LO2）深度过冷大流量加注进行研究。重点分析了国内外液氧深度过冷大流量加注的工程应用方案及关键设计参数,总结给出了液氧深度过冷大流量加注技术难点,提出了泵抽真空过冷与高压氮气引射抽真空过冷两种液氧深度过冷大流量加注设计方案。通过对液氧深度过冷大流量加注关键技术研究,为我国深度过冷液氧在低温火箭上大规模应用与地面加注系统的能力提升提供了技术参考。     

结合非局部注意和多层残差的遥感图像建筑物提取方法

随着城市化和遥感技术的发展,高分辨率遥感图像地物提取任务也越来越具有挑战性。针对现有的方法无法捕捉图像中长距离的空间关系,以及遥感图像存在误检漏检等问题,提出了结合基于非局部注意力的多层残差遥感图像建筑物提取方法(NAMR-Net)。在改进后的U-Net的结构基础上,引入了自适应非局部注意力模块(ANAB),以及多层残差学习模块(MRLB)。因此,网络可以从不同的卷积层中融合长距离像素间的特征,并通过2阶段的训练,有效地提升建筑物的分割质量,并在2个公开数据集WHU、Massachusetts上进行了实验。结果表明:NAMR-Net可以实现遥感图像中建筑物目标的高质量分割,并优于近年来几种较先进的方法。     

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。     

考虑低空运行环境求解无人机任务分配问题的研究

在低空救援中如何合理地分配无人机的搜救任务长期以来都是研究的重点。在分层级分布式分配方法的基础上建立多目标多无人机任务分配模型,在模型中以搜救费用、无人机使用数量、完成任务的均衡性为目标函数,采用改进的NSGA-Ⅱ算法进行求解。结果表明：本文建立的模型有效,能在不同搜救环境下给出合理有效的分配方案;在搜救中考虑以搜救效率最高为导向时,带来无人机成本和数量的增加;当实际搜救的无人机非常有限时,则需要时间成本的投入;以经济利益为导向时,则会导致搜救时间的增加。     

基于深度强化学习的多无人机协同进攻作战智能规划

无人机依靠作战效费比高、灵活自主等优势逐步替代了有生力量作战,多无人机协同作战任务规划成为热点研究问题。针对传统任务规划采用的智能优化算法存在的依赖静态、低维的简单场景、机上计算较慢等不足,提出一种基于深度强化学习（DRL）的端到端的多无人机协同进攻智能规划方法。将压制敌防空作战（SEAD）任务规划过程建模为马尔科夫决策过程,建立基于近端策略优化（PPO）算法的SEAD 智能规划模型,通过两组实验验证智能规划模型的有效性和鲁棒性。结果表明：基于DRL 的智能规划方法可以实现快速、精细规划,适应未知、连续高维的环境态势,智能规划模型具有战术协同规划能力。     

基于改进SSD算法的航拍目标检测算法研究

研究基于深度学习技术的无人机航拍图像目标检测算法,首先介绍目标检测算法SSD(Single Shot MultiBox Detector),并对其特征提取网络进行改进,采用稠密特征提取网络替换原网络的主干特征提取网络,提高算法的特征提取能力,从而提升了算法的检测精度。针对网络实时性问题,在算法中引入分组卷积,极大地减少了网络参数量,提升了网络推理速度。为解决训练中出现的正负样本不均衡问题,利用焦点损失（Focal Loss）改进了原算法的损失函数,进一步提升了网络的收敛速度和精度。最后,通过仿真验证了改进算法在目标检测精度上的优越性。     

深度学习技术在空间激光通信中的应用

与射频通信相比,空间激光通信具有传输速率高、保密性能强、终端功耗低等优点,目前已成为当前通信领域的一个研究热点。同时,空间激光通信也面临着一些严峻的技术挑战,如大气湍流导致空间激光通信的信道情况十分复杂,复杂的信道会引发信号光强度起伏剧烈,信标光跟踪与瞄准困难,接收端的信号光场波前畸变严重等。为了提升空间激光通信在复杂信道环境中的性能,学者们将深度学习技术引入到空间激光通信系统中。多项研究表明,深度学习在空间激光通信的诸多方面表现出了优越的信息处理能力。对近年来深度学习技术在空间激光通信信号处理与检测,信标光捕获与跟踪以及波前畸变探测与校正等方面的应用做一全面梳理,并对用于空间激光通信的深度学习技术的前景进行展望。     

机器学习数据融合方法在火箭子级栅格舵气动特性建模应用中的比较研究

机器学习数据融合方法可帮助降低飞行器气动数据库建立的成本,加快研制进度,目前已经成为飞行器设计方法领域越来越活跃的研究方向,但其在工程复杂问题方面的应用研究并不充分。将多种常见变可信度数据融合模型应用于运载火箭子级栅格舵落区控制的工程项目,在开展部分工况的风洞试验基础上,结合少量的CFD数值模拟结果,研究相关函数和不同模型预测完整工况气动特性数据的差异性。通过对比加法标度函数修正模型、Co-Kriging模型、分层Kriging模型和多可信度神经网络模型等4种不同的数据融合模型发现：高斯指数相关函数对气动建模问题的适应性更好;Co-Kriging模型对气动数据的内插表现最好;分层Kriging模型对内插的预测精度较高,外插效果不理想;多可信度神经网络模型在外插区域能获得更光滑、合理的预测结果。