人工智能在卫星任务规划中的应用

智能规划与调度是实现卫星自主规划其飞行任务的关键。将人工智能方法应用于卫星的任务规划,以执行对地观测任务为例,将任务规划问题归于组合优化问题,建立了相应的数学模型,并应用Hopfield神经网络算法进行求解,结果表明,该方法可用于单个仪器的任务规划。     

固体燃料冲压发动机燃速的人工神经网络辨识

由于固体燃料冲压发动机(SFRJ)结构的特殊性,其燃速的预测比较困难。为探讨燃速对于不同飞行工况的依赖性,对模拟试验的结果采用BP人工神经网络进行了辨识,并将辨识结果与用最小二乘法辨识的结果进行比较。从辨识的结果来看,这种辨识方法具有精度高、处理实验数据迅速、能进行在线辨识等特点,能够较好地满足工程应用的要求。此外,在利用人工神经网络对类似的大样本系统进行辨识时,如果能采用一些数学上的处理技巧。      

面向对象型有限元建模专家系统的设计与实现

介绍了运用面向对象原理与人工智能逻辑推理技术相结合的方法来构造航空结构有限元建模专家系统(OOFEMES).着重论述了系统的结构、功能设计与实现策略,包括领域知识的获取、分类、表达与组织,以及知识的推理与运算求解方式.给出了针对飞机结构不规则性(如开口、断接等情况)进行模型局部修正的任务处理流程,并通过应用实例,说明该系统应用的有效性.      

基于改进粒子群优化算法的巡航导弹航路规划

粒子群优化(PSO, Particle Swarm Optimization)算法是继遗传算法、蚁群算法之后的又一种新的群体智能算法,经常用于复杂问题的求解.由于其迭代公式是面向连续空间的,因此更适合解决非网格拓扑的航路规划问题.标准的粒子群优化算法在寻优的过程中容易出现早熟现象,针对这种现象,提出了一种改进的粒子群优化算法.改进算法根据相应的代价函数选择精英粒子和较差粒子,对较差粒子采用了带有动能补偿的速度更新策略,从而避免了寻优过程中的早熟现象;在单个粒子的运动方面引入了最差粒子的失败经验,让群体中粒子有效避开最差解.仿真表明:改进算法在航路规划的应用中具有更强的搜索能力,获得的航路代价在进化代数相同的前提下更小.      

基于改进NL-means算法的显微CT图像降噪

显微CT(Computed Tomography)采用微焦点射线源,射线剂量低,CT图像噪声大,对其降噪十分必要.综述了现存主要CT图像降噪算法及其优缺点,介绍了NL(nonlocal)-means算法,根据实验结果分析了其会在图像平滑区域引入人工伪影的不足.根据NL-means算法的不足,在原算法中引入图像的梯度信息,提出了改进的降噪算法,改进算法保持了原算法优良的降噪功能,并能有效抑制人工伪影,且能够提高图像细节对比度,实验结果验证了改进算法的有效性.     

被动成像广域空中监视系统综述

被动成像广域空中监视（Wide Area Airborne Surveillance, WAAS）系统因其良好的隐蔽性和动态监视的实时性、持久性及大面积覆盖,已成为情报监视侦察的重要工具,广泛应用于军事、民用领域。文章结合典型被动成像广域空中监视系统（如自动实时地面全部署侦察成像系统 ARGUS-IS）的特点,从光电传感器设计、数据传输与信息处理等方面阐述被动成像WAAS的系统特点及关键技术环节;重点分析了大视场高分辨率的实现方式、海量数据传输与存储、数据智能分析等制约被动成像WAAS性能的瓶颈技术,为被动成像WAAS的研制与应用提供了参考。     

显性质量成本与智力成本的装备有限激励价格模式

在对现行装备定价成本构成分析的基础上,提出了显性质量成本与智力成本,并进而构建了基于显性质量成本与智力成本的装备有限激励价格构成模式。     

Retrieval of spinach crop parameters by microwave remote sensing with back propagation artificial neural networks: A comparison of different transfer functions

Back propagation artificial natural network (BPANN) is a well known and widely used machine learning methodology in the field of remote sensing. In this paper an attempt is made to retrieve the spinach crop parameters like biomass, leaf area index, average plant height and soil moisture content by using the X-band scattering coefficients with BPANN at different growth stages of this crop. The maturity age of this crop was found to be 45 days from the date of sowing. After 45 days from the date of sowing, this crop was cut at a certain height for production. Then, it is a point of interest to investigate the microwave response of variation in production. Significant variations in all the crop parameters were observed after cutting the crop and consequently made the problem more critical. Our work confirms the utility of BPANN in handling such a non-linear data set. The BPANN is essentially a network of simple processing nodes arranged into different layers as input, hidden and the output. The input layer propagates components of a particular input vector after weighting these with synaptic weights to each node in the hidden layer. At each node, these weighted input vector components are added. Each hidden layer computes output corresponding to these weighted sum through a non-linear/linear function (e.g. LOGSIG, TANSIG and PURLIN). These functions are known as transfer functions. Thus, each of the hidden layer nodes compute output values, which become inputs to the nodes of the output layer. At nodes of output layer also a weighted sum of outputs of previous layer (hidden layer) are obtained and processed through a transfer function. Thus, the output layer nodes compute the network output for the particular input vector. In this paper, output nodes use linear transfer function. Different transfer functions e.g. TANSIG, LOGSIG and PURELIN were used and the performance of the ANN was optimized by changing the number of neurons in the hidden layers. The present analysis suggests the need of critical analysis of the BPANN in terms of selection of the best transfer function and other network parameters for the better results.     

民用飞机智能飞行技术综述

人工智能已成为民用飞机技术创新发展与竞争的新赛道。在面向民用飞机全生命周期的多种人工智能融合应用中,智能飞行致力于改变传统飞行驾驶模式,重构未来飞行的人机交互模式与空中交通管理架构,成为行业特征最为显著、最具备颠覆性变革的方向,是民用飞机智能化竞争的新焦点。阐述了智能飞行理念,规划辅助智能、增强智能、完全智能三阶段实施路线,以25部、23部、轻型运动类飞机为对象,制定智能飞行推进路线,构建技术体系,提炼影响智能飞行在应用落地过程中需要解决的可信适航与人为因素两项关键应用基础技术,分享对于智能飞行的思考。     

管制-飞行状态相依网络演化过程

动态、准确的管制系统运行态势预测是航空运输系统各相关单位开展协同决策的关键基础。基于航空器间的冲突情况、管制员对航空器的管控情况以及管制移交情况构建管制-飞行状态相依网络,探究、分析其演化规律,采用相关性分析和主成分分析证明了所选5项指标的合理性。设置自由飞行和固定航线飞行两种仿真场景,通过计算平均节点度、平均点强等拓扑指标的最大李雅普诺夫指数证明各时间序列均具有混沌特性,选择长短期记忆（LSTM）人工神经网络方法对各时间序列的演化规律进行预测,并与其他预测算法进行对比。仿真结果表明LSTM算法能对管制系统的演化过程进行有效的预测,且预测精度高于贝叶斯算法和支持向量机算法;在自由飞行条件下,5项指标的预测误差绝大部分在20%以内,固定航线飞行的预测效果优于自由飞行。