磁悬浮柔性转子系统变学习速率单神经元自适应PID控制

为同时保证磁悬浮轴承柔性转子系统所需的低频和高频特性,在一般单神经元PID(proportion integration differentiation)控制的基础上,将转速信号引入磁悬浮轴承数字控制器,在不同转速段选择不同的学习速率以调节控制参数得到合适的磁悬浮轴承的刚度和阻尼.试验结果表明,变学习速率单神经元自适应...     

基于深度学习的目标检测框架组件研究

深度学习与计算机视觉的结合给目标检测研究领域带来了全新的检测模式,通过对基于深度学习的目标检测网络分析研究,目标检测网络框架可模块化地拆分为特征提取网络、多尺度融合和预测网络三个部分。从组成目标检测网络模块化的角度对各个模块进行了详细的分析综述,并给出了如何根据实际需求来构建适合的模型框架建议,为基于深度学习的目标检测方法研究提供参考。     

抽油机故障诊断的分布驱动主动学习算法

抽油机示功图直观显示了抽油机工作情况,但实际工况情况呈现典型的长尾分布特性,类别严重不平衡。传统方法无法准确识别小类别工况,也无法获得井下工作状态准确识别。针对这一问题,提出一种基于分布驱动的多类别长尾数据代价敏感主动学习算法（Cost-sensitive active learning algorithm based on distribution -driven multi-class long-tailed data, CALA）。首先,考虑数据分布特性,以最小化代价为优化目标确定数据的最佳聚类簇数;其次,通过加入预分类误差代价来更新之前得到的最佳聚类簇数;然后,构建集成分类模型作为分类器;最后,通过迭代来平衡数据分布。采用某油田真实的示功图数据进行测试,显著性实验分析证明CALA在小类别工况诊断上具有更好的性能。     

人工智能与空气动力学结合的初步思考

以人工智能为核心的新一轮技术革命及产业变革正在影响着社会的各个领域,世界各航空航天大国均在人工智能与空气动力学的结合方面开展了许多有益的尝试与探索。本文回顾了人工智能技术的发展历程及现状,重点讨论了大数据时代背景下人工智能在风洞试验、数值计算和飞行试验等空气动力学研究的三大手段上的应用,详细分析了人工智能在辅助海量气动数据分析与知识发现上发挥的作用,探讨了人工智能在气动建模与先进飞行器设计中蕴藏的应用价值,并指出了人工智能与空气动力学相结合所带来的挑战。     

暗弱环境下小天体陨石坑智能检测算法

针对小天体环境暗弱、存在自旋情况下,陨石坑难以检测的问题,提出了一种陨石坑智能检测算法.通过局部方差均衡算法增强暗弱环境下图像中的陨石坑特征,然后利用多视角重投影模拟小天体自旋及相机视角变化,并进行数据增强.对于陨石坑漏标或标注错误问题,采用YOLOv4结合自学习的网络结构更新数据集标注信息,有效提高标注率.同时,对于...     

基于多特征尺度特征融合的航空指挥动作识别

视觉辅助引导系统(Visual aided Guide System,VaGS)是未来航空运输必不可少的重要组成部分,可以大大节省地面指挥和引导资源,提高安全性。VaGS的核心技术是识别地面指挥员手势并将其转化为指令。介绍了一种新的高效手势识别体系结构,它主要包括2个部分:(1)采用多尺度浅层结构进行特征学习,将全局身体姿态特征与局部手势特征提这两种尺度特征进行融合;(2)所提取的特征输入到超限学习机(Exteme Learning Machine,ELM)中进行分类,输出指令。实验结果表明,在自建的40个类别的航空指挥动作数据集中,准确率达到98.5%,单帧用时0.13 ms。     

星座碰撞规避的迭代学习构型保持方法CSCD

针对低轨卫星星座运行中地球引力摄动的周期特性,基于迭代学习控制(ILC)方法,提出了星座碰撞规避的迭代学习构型保持方法。该方法由反馈控制和ILC两部分构成,分别抑制卫星运行过程中的非周期摄动和周期摄动对构型保持精度的影响,进而在地球非球形引力摄动未知条件下,通过相对构型的精确保持实现对星座卫星碰撞的有效规避。仿真结果表明,在地球J摄动影响下,与传统反馈控制相比,ILC方法以更小的控制输入实现了轨道保持精度的显著提升,进而在星座卫星轨道高度相近的情形下显著降低了碰撞风险,且控制器可在保证收敛性能的前提下,实现启动时间的灵活选择。     

基于红外视觉/激光雷达融合的目标识别与定位方法

近年来,基于可见光图像的目标识别在无人车感知领域得到了广泛应用.然而,可见光图像目标识别无法应用于弱光和黑暗环境.针对于此,提出了一种基于红外视觉/激光雷达融合的目标识别与定位算法.首先,通过基于颜色迁移的数据增强训练方法,提高了红外目标识别算法的泛化性能.继而,提出了一种基于激光雷达修正的单目深度估计方法,通过视觉图...     

复合材料钻削刀具状态集成学习分类技术

刀具状态监测关系到工件加工质量,因此实时掌握刀具的磨损状态具有重要的意义。针对单一模式识别分类器的局限性,提出了基于异态集成学习模型的刀具状态监测系统。在该系统中,根据集成学习基分类器选择原则,选取了支持向量机(SVM)、隐马尔科夫模型(HMM)以及径向基神经网络(RBF)这3个单分类器作为基分类器。为了验证监测系统的有效性,进行了复合材料钻削实验,提取了加工过程中的钻削力信号、振动信号的时域特征并利用局部保持法(LPP)进行了特征选择。通过与单分类器和集成学习分类效果的对比,表明了集成学习模型相比于单一基分类器具有更高的分类精度和更好的稳定性。     

Improving orbit prediction accuracy through supervised machine learning

Due to the lack of information such as the space environment condition and resident space objects’ (RSOs’) body characteristics, current orbit predictions that are solely grounded on physics-based models may fail to achieve required accuracy for collision avoidance and have led to satellite collisions already. This paper presents a methodology to predict RSOs’ trajectories with higher accuracy than that of the current methods. Inspired by the machine learning (ML) theory through which the models are learned based on large amounts of observed data and the prediction is conducted without explicitly modeling space objects and space environment, the proposed ML approach integrates physics-based orbit prediction algorithms with a learning-based process that focuses on reducing the prediction errors. Using a simulation-based space catalog environment as the test bed, the paper demonstrates three types of generalization capability for the proposed ML approach: (1) the ML model can be used to improve the same RSO’s orbit information that is not available during the learning process but shares the same time interval as the training data; (2) the ML model can be used to improve predictions of the same RSO at future epochs; and (3) the ML model based on a RSO can be applied to other RSOs that share some common features.