基于深度学习的发动机叶片故障检测技术

为了解决航空发动机叶片故障检测中存在的检测精度欠佳、检测效率不高的问题,提出了一种基于深度学习的目标检测方法。针对小样本数据集检测精度低、模型训练速度慢等问题,对Faster R-CNN目标检测算法进行结构优化,引入Res2Net结构,通过分割串联的策略强化残差模块的卷积学习能力,搭建了细粒级的多尺度残差模型Res2Net-50,以提升模型的特征提取能力。同时,在网络的训练过程中,采用多次余弦退火衰减法对学习率进行调整,以加快模型的训练速度,提升模型的训练质量。针对航空发动机叶片裂纹和缺损2种故障类型进行网络训练与检测试验,试验结果表明：优化后的模型识别准确率提高了0.7%,模型的平均检测精度提高了1.8%,训练时间缩短了5.56%,取得了比较好的检测效果。     

电子对抗技术发展综述

随着雷达低截获技术、通信系统抗干扰技术的发展和战场上智能化电子信息装备部署的应用,战场电磁频谱环境的复杂程度日益增加。如何提高电子战感知环境-适应环境-做出决策-采取行动(OODA)环路速度,实现电磁敏捷,是电子战应对未来复杂战场环境挑战需要解决的关键科学技术问题。通过分析现代雷达技术发展对传统电子战系统的挑战,阐述认知电子战发展的必要性,并从认知概念演变、人工智能技术发展、认知电子战关键技术等方面,对传统电子战向认知电子战发展过程中人工智能技术的应用情况进行分析与总结。     

Key Problems in Coordinated Air Combat andMulti-agent Reinforcement Learning

自从协同作战的概念提出后,各军事强国在协同空战领域均取得了重大进展,协同成为提升作战能力的倍增器。近数十年来,作为解决序列问题的现代智能方法,强化学习在各领域高速发展。然而,面对高维变量问题时,传统的单智能体强化学习往往表现不佳,多智能体强化学习算法为解决复杂多维问题提出新的可能。通过对多智能体强化学习算法原理、训练范式与协同空战的适应性进行分析,提出了协同空战与多智能体强化学习的未来发展方向,为更好地把多智能体强化学习应用于协同空战提供思路。     

基于深度强化学习的无人机栖落机动控制策略设计

无人机栖落机动飞行是一种无需跑道的降落方法,能够提升无人机在复杂环境下执行任务的适应能力。针对具有高非线性、多约束特性的无人机栖落机动过程,提出了一种基于模仿深度强化学习的控制策略设计方法。首先,建立了固定翼无人机栖落机动的纵向非线性动力学模型,并设计了无人机栖落机动的强化学习环境。其次,针对栖落机动状态动作空间大的特点,为了提高探索效率,通过模仿专家经验的方法对系统进行预训练。然后,以模仿学习得到的权重为基础,采用近端策略优化方法学习构建无人机栖落机动的神经网络控制器。最后,通过仿真验证了上述控制策略设计方法的有效性。     

基于隶属度和LMK-ELM的航空电子部件诊断方法

为提高航空电子部件模块级故障诊断精度，提出一种新的面向"软聚类"的局部多核学习（LMKL）-超限学习机（ELM）离线诊断方法。通过引入模糊C均值聚类对样本空间进行模糊划分，挖掘聚类内部多样性的同时，实现了对过学习的抑制；将模糊划分产生的隶属度信息融入LMKL-ELM的优化过程，运用基于初始-对偶混合优化问题的三步优化策略克服了局部核权重二次非凸的问题，在l₁-范数与l₂-范数约束下分别给出了相应的更新方法。将所提方法应用于某型机前端接收机，结果表明：与4种流行的多核诊断方法相比，该方法可有效避免漏警、抑制虚警，在l₁-范数和l₂-范数约束下，其诊断精度比其他方法的平均值分别提升了4.09%和5.13%。     

Advanced ensemble modeling method for space object state prediction accounting for uncertainty in atmospheric density

For objects in the low Earth orbit region, uncertainty in atmospheric density estimation is an important source of orbit prediction error, which is critical for space traffic management activities such as the satellite conjunction analysis. This paper investigates the evolution of orbit error distribution in the presence of atmospheric density uncertainties, which are modeled using probabilistic machine learning techniques. The recently proposed “HASDM-ML,” “CHAMP-ML,” and “MSIS-UQ” machine learning models for density estimation (Licata and Mehta, 2022b; Licata et al., 2022b) are used in this work. The investigation is convoluted because of the spatial and temporal correlation of the atmospheric density values. We develop several Monte Carlo methods, each capturing a different spatiotemporal density correlation, to study the effects of density uncertainty on orbit uncertainty propagation. However, Monte Carlo analysis is computationally expensive, so a faster method based on the Kalman filtering technique for orbit uncertainty propagation is also explored. It is difficult to translate the uncertainty in atmospheric density to the uncertainty in orbital states under a standard extended Kalman filter or unscented Kalman filter framework. This work uses the so-called “consider covariance sigma point (CCSP)” filter that can account for the density uncertainties during orbit propagation. As a test-bed for validation purposes, a comparison between CCSP and Monte Carlo methods of orbit uncertainty propagation is carried out. Finally, using the HASDM-ML, CHAMP-ML, and MSIS-UQ density models, we propose an ensemble approach for orbit uncertainty quantification for four different space weather conditions.     

An ensemble deep learning based shoreline segmentation approach (WaterNet) from Landsat 8 OLI images

Shorelines constantly vary due to natural, urbanization and anthropogenic effects such as global warming, population growth, and environmental pollution. Sustainable monitoring of coastal changes is vital in terms of coastal resource management, environmental preservation and planning. Publicly available Landsat 8 OLI (Operational Land Manager) images provide accurate, reliable, temporal and up-to-date information about coastal areas. Recently, the use of machine learning and deep learning algorithms have become widespread. In this study, we used our public Landsat 8 OLI satellite image dataset to create a majority voting method which is an ensemble automatic shoreline segmentation system (WaterNet) to obtain shorelines automatically. For this purpose, different deep learning architectures have been utilized namely as Standard U-Net, Dilated U-Net, Fractal U-Net, FC-DenseNet, and Pix2Pix. Also, we have suggested a novel framework to create labeling data from OpenStreetMap service to create a unique dataset called YTU-WaterNet. According to the results, IoU and F1 scores have been calculated as 99.59% and 99.79% for the WaterNet. The results indicate that the WaterNet method outperforms other methods in terms of shoreline extraction from Landsat 8 OLI satellite images.     

基于机器学习的导弹干扰试验效果评估实证研究

针对复杂电磁环境下导弹干扰试验影响因素众多,难以量化,试验数据采集困难以及实验数据中普遍存在类不平衡等问题,基于机器学习创建导弹试验干扰效果评估模型,采用随机森林、支持向量机、朴素贝叶斯、多层感知机等常见模型对导弹试验干扰效果进行评估。特别针对小数据样本中的类不平衡问题提出 2阶段分类模型,采用过采样方式解决类不平衡问题并采用随机森林进行分类。基于开源的导弹干扰效果评估数据,通过实证研究说明,基于过采样的随机森林模型在干扰效果评估问题中具有较强的泛化能力和鲁棒性,在 AUC指标上,该模型比多层感知机模型在中位数上最多提高 60%,建议在后续的试验中采用该模型进行导弹干扰效果评估。     

测量数据部分丢失的非线性系统迭代学习控制

研究非线性离散系统的迭代学习控制．利用并行分配补偿方法(PDC)确定非线性系统的T-S模型,把非线性模型特换为局部线性模型。假定数据丢失的概率已知,采用满足Bernoulli分布的序列来描述测量数据的丢失,研究具有测量数据部分丢失的线性离散系统的迭代学习控制器的设计。结合T-S模型设计了数据丢失的迭代学习控制器,所设计的迭代学习控制器具有期望收敛特性和二次型性能指标。仿真结果表明了该设计方法的有效性。     

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。