航空发动机限寿件疲劳可靠度计算新方法

针对目前的航空发动机限寿件（ELLP）疲劳可靠性分析中的小失效概率事件以及其极限状态函数具有较强非线性的特点,提出了一种具有自更新机制的半径外自适应重要抽样（AUMCROAIS）疲劳可靠性分析方法。该方法首先利用蒙特卡罗自适应重要抽样（MCAIS）快速逼近真实设计验算点（MPP）附近,随后以近似设计验算点为中心进行极坐标抽样,并依次构造主动学习函数,对近极限状态函数和抽样半径进行最优选取,从而实现最优抽样半径的更新,通过不断的更新确定出最优抽样半径,加速失效概率计算的收敛。本方法提高了设计验算点的收敛速度同时保证了计算精度,解决了小失效概率事件以及强非线性极限状态函数可靠度计算难题,最后以某型发动机压气机轮盘为对象应用本方法,并与传统的蒙特卡罗仿真（MCS）方法、蒙特卡罗半径外自适应重要抽样法（MCROAIS）和一阶可靠性方法（FORM）进行了对比,验证了本方法的高效率、鲁棒性和仿真精度。     

基于改进GWO-LightGBM的滚动轴承未知故障诊断

针对滚动轴承未知新故障误判影响轴承安全性和检修效率的问题,提出了一种基于改进灰狼算法（GWO）和轻量级梯度提升机（LightGBM）的故障诊断模型,实现已知/未知故障的高精度判别。为避免单一尺度下特征提取的缺失,对滚动轴承振动信号分别提取时域、频域和小波域特征建立多域特征集。设计了带未知新故障判别机制的GWO-LightGBM模型,并构造含有Halton序列和模拟退火策略的GWO实现了模型参数有效优化。实例试验结果表明,模型对已知和未知类故障平均识别率达99.57%,10次随机试验平均识别率分别比单一分类模型逻辑回归（LR）、最近邻分类器（KNN）和支持向量机（SVM）高21.98%、17.00%、9.27%,验证了模型的有效性和优越性,能高准确率地识别出已知或以前从未出现的新故障。      

飞行器智能设计愿景与关键问题

未来飞行器正朝着多元化、无人化和智能化的方向发展,高超声速、超隐身和变体等新型飞行器不断涌现。而传统飞行器解耦分拆的设计方法越来越难以满足未来飞行器综合性能全面提升的要求,只有通过整体化设计才能充分发掘飞行器的潜能。通过分析传统飞行器设计中存在的问题,提出满足全生命周期要求的飞行器智能设计体系理念,利用知识库的构建将智能赋予飞行器平台系统设计、制造生产和运维这3个阶段,并通过数字孪生技术进行飞行器全生命周期的仿真、分析和预测,以对飞行器设计、运行等数据进行更新,使该体系形成闭环。就飞行器智能设计体系中需要的关键技术及涉及的科学问题等进行了讨论,并给出了未来发展方向以供参考。     

面向智能环境的活动模式迁移学习

针对智能环境中活动模式的学习和挖掘花销大、难以实际操作等问题,提出了能够有效地将已有活动模式迁移到新环境的整体框架。迁移学习框架将活动模式的迁移过程分解为轨迹的迁移和触发持续时间的迁移,首先对已有活动模式中的活动轨迹以及触发持续时间模糊化;然后采用备选轨迹生成(ATSG)算法在新环境中生成备选轨迹集;最后采用相似度计算(SC)算法进行活动模式中的轨迹与备选轨迹间的匹配,利用活动轨迹映射(TM)算法和触发持续时间迁移(TDT)算法对活动信息进行迁移,从而在新环境中得到活动模式。理论分析和实验结果表明,相比于基于频繁模式挖掘得到活动模式的方法,本文方法大幅度地降低了得到活动模式所需的时间开销,同时,利用本文方法获取的活动模式取得了较好的活动识别效果。      

多机械臂的分布式自适应迭代学习控制

针对拓扑结构为无向连通的多机械臂系统,提出了一种自适应与迭代学习相结合的分布式控制协议来实现整个系统对给定期望参考轨迹的一致性跟踪.通过引入一个适当的自适应迭代学习参数,所提自适应迭代学习控制协议能够克服机械臂系统中的干扰和模型不确定性,并且每个机械臂的自适应迭代学习控制(AILC)律仅需要利用其与邻居机械臂的相对交互信息.进一步,在只有一部分机械臂具有期望参考轨迹信息的前提下,该控制协议可以实现整个系统对期望参考轨迹的跟踪,同时能够保证轨迹跟踪误差与控制输入的有界性.此外,利用李亚普诺夫分析方法证实了所得结论的正确性,并且通过一个实例验证了所提自适应迭代学习控制协议的有效性.      

基于高光谱和LiDAR的黄河口湿地植被分类方法

利用无人机（Unmanned Aerial Vehicle, UAV）高光谱影像（Hyper-spectral Imaging, HSI）和激光雷达（Light Detection and Ranging, LiDAR）数据开展黄河口湿地植被分类方法研究。由于高空间分辨率HSI光谱变异性强,以及LiDAR点云密度不均匀,分类结果呈现出“椒盐”现象。为了解决这些问题,本文提出了一种结合空谱特征融合和通道注意力机制的双分支卷积神经网络（SSF-C-DBCNN）。光谱注意力机制通过为每个波段分配不同的权重来减少光谱变异性的影响。空间注意力机制侧重于学习和强调特征表达能力强的密集点云区域空间信息,从而减轻LiDAR点云密度不均匀对结果的影响。最后,在双分支融合特征后引入通道注意力机制来提取更深层次的特征。利用UAV采集的HSI和LiDAR数据进行实验验证,结果表明,本文提出方法的性能优于随机森林和五种深度学习方法,分类结果更为贴合实际土地覆盖,有效地抑制了“椒盐”现象。     

基于SVM算法的虚假航迹识别

针对云雨杂波和主被动干扰导致多雷达传感器产生虚假目标航迹的问题,利用支持向量机(SVM)算法的自主学习能力,通过构建基于数据驱动的判别模型进行虚假航迹识别。针对航迹起始得到的目标潜在航迹,利用人工智能数据驱动、自学习的特点,设计了SVM算法。通过对已标记真假的目标航迹样本进行离线学习,形成虚假航迹识别的SVM分类器,实现了基于数据驱动的判别模型代替先验知识规则约束的固定模型,并在工程应用中,利用SVM分类器在线识别虚假航迹,完成实时剔除。通过实测雷达数据实验验证,该算法的目标虚假航迹准确率高达95%以上,完全满足实际的工程应用需求。相比基于阈值或规则进行硬性判断的传统虚假航迹识别方法,所提出的算法不仅提高了准确率,还具有较高的实时性,能够适应复杂多变的杂波环境,在实际应用中具有更强的适应性和实用性。因此,提出的基于SVM算法的虚假航迹识别方法对于密集杂波场景下的虚假航迹剔除问题具有显著的实际应用价值。     

基于学习自动机的雷达干扰资源分配研究

综合考虑干扰机干扰频率、干扰功率、干扰时机和干扰样式等干扰效果评估指标,构建干扰效益矩阵,建立目标函数,构建干扰资源分配博弈模型,并基于学习自动机原理提出了分布式干扰资源分配算法,求解出干扰分配决策。仿真结果表明,提出的分布式干扰资源分配算法能以很低的复杂度来获得很好的干扰性能,有效地解决了干扰资源分配问题,对实际作战指挥有一定的指导意义。     

基于YOLO智能网络的红外弱小多目标检测技术

复杂背景下的红外弱小多目标检测是红外目标检测的难点,现有算法的稳健性难以满足实际弹载应用需求。针对弹载环境下的红外场景图像开展了基于典型深度学习网络模型的目标检测应用研究,提出一种基于YOLO(you only look once)网络的智能目标检测方法,通过高维特征学习表征和推理实现红外弱小多目标检测。采用传统的模板匹配算法和YOLO深度学习算法进行识别性能对比分析,验证了YOLO网络在红外弱小多目标检测方面的良好性能。实验结果表明:YOLO算法的检测概率可达92.2%,平均检测精度为0.844,与传统的模板匹配方法相比,YOLO具有明显的优势。     

再入飞行器自适应最优姿态控制

针对再入飞行器姿态控制问题,应用自适应动态规划（ADP）理论设计了姿态控制器。将再入飞行器的姿态控制建模为非线性系统的最优控制问题,提出单网络积分型强化学习（SNIRL）算法进行求解,该算法简化了积分型强化学习（IRL）算法在迭代计算中的执行-评价双网络结构,只需要采用评价网络估计值函数就可以求得最优控制律,其收敛性得到了理论证明。基于SNIRL算法设计了自适应最优控制器,并证明了闭环系统的稳定性。通过数值仿真校验了SNIRL算法比IRL算法计算效率更高,收敛速度更快,并校验了自适应最优姿态控制器的有效性 。