基于神经网络的飞行科目模板样本集建立方法

为建立某一飞行科目的模板样本集,提出一套基于神经网络和卡尔曼滤波的数据处理方法。任选一次试飞样本,建立Kohonen自组织神经网络进行参数降维、聚类分析、特征提取等,使样本量缩减90%以上,得到该科目的模板样本集。用处理后的样本训练BP神经网络,对其他未经处理的试飞样本进行载荷预测,误差均在3%之内,说明处理后的样本能代表该科目的数据特点,即为模板样本集。方法可以为飞机载荷监控数据库的完善工作服务。     

基于神经网络的多卫星姿态协同控制预测模型

摘要： 针对多卫星近距离对空间目标监测中的姿态协同控制问题，研究基于神经网络的智能控制模型.首先设计了面向任意姿态控制方法的神经网络自适应控制模型，该模型不改变卫星姿态控制方法本身，而是接收由理想控制模型生成的理想控制量，理想控制量经过神经网络后直接生成适用于卫星的控制量.根据神经网络对控制系统的系统级状态预测，基于一致性控制协议，设计了多卫星姿态协同控制模型.采用等效姿态角，通过数值仿真，分别验证了预测控制方法、输出状态预测、协同控制的方法正确性和有效性.     

适应拓扑变化的拥塞最小化网络更新策略

软件定义网络的出现推动了航空集群机载网络的发展，同时也为机载网络的一致性更新带来了挑战。针对拓扑变化导致的网络更新期间可用路径失效问题，提出适应拓扑变化的拥塞最小化网络更新策略。首先，为减少可用路径失效带来的数据包丢失，在更新之前采用重路由机制进行处理；然后，针对重路由机制可能引起的网络拥塞，设计了贪婪流迁移算法缓解拥塞；最后，通过瞬时拥塞最小化更新算法完成整个网络更新。仿真结果表明：与传统的拥塞一致性更新算法相比，所提更新策略用规则开销、瞬时网络拥塞方面的少量提高换取了网络更新期间数据包丢失的显著降低。     

Spatial modeling of flood probability using geo-environmental variables and machine learning models,case study: Tajan watershed,Iran

The main objective of this study was to produce flood susceptibility maps for Tajan watershed, Sari, Iran using three machine learning (ML) models including Self-Organization Map (SOM), Radial Basis Function Neural Network (RBFNN), and Multi-layers Perceptron (MLP). To reach such a goal, different physical-geographical factors (criteria) were integrated and mapped. 212 flood inventory map was randomly divided into training and testing datasets, where 148 flood locations (70%) were used for training and the remaining 64 locations (30%) were employed for testing. Model validation was performed using several statistical indices and the area under the curve (AUC). The results of the correlation matrix showed, three factors slope (0.277), distance from river (0.263), and altitude (0.223) were the most important factors affecting flood. The accuracy evaluation of the flood susceptibility maps through the AUC method and K-index shows that in the validation phase RBFNN (AUC = 0.90) outperform the MLP (AUC = 0.839) and SOM (AUC = 0.882) models. The highest percentage flood susceptibility of the area in MLP, SOM and RBFNN models is related to moderate (28.7%), very low (40%) and low (37%), respectively. Also, the validation results of the models using the Relative Flood Density (RFD) approach showed that very high class had the highest RFD value.     

面向林火持续侦察的多无人机分布式控制方法

为解决目前面向林火持续侦察多无人机（UAV）协同控制实用性与自主性不足的问题，基于蔓延速度诱导元胞自动机（SVICA）林火蔓延算法、无人机与传感器建模，构建了较为真实的三维多无人机火场侦察仿真环境与侦察效能指标，提出了一种面向林火持续侦察的多无人机双层分布式控制架构，在行动层基于强化学习训练的人工神经网络（ANN），实现了有风条件下无人机自主火场环绕与地形跟随功能，在策略层设计通过时域均匀分布算法进行各无人机空速的离散自主调节，最终达到多无人机林火持续侦察时域分布的均匀性与即时性目的。通过一系列数值仿真实验，验证了所提出的无人机分布控制策略在无人机损失和补充突发情况下的自适应性。基于无人机数量与侦察效能指标关系的实验与研究，定义了无人机出动阈值并验证了无人机长时间出动回收策略。最终实验结果表明，针对林火持续侦察任务，所提出的多无人机分布式控制方法具备一定的有效性与实用性。     

不确定航迹自适应预测模型

针对现有航迹预测技术中，存在无模技术缺乏理论分析支持、能力有限、适用范围窄、有模技术先验假设过多、前提条件严苛、通用性差等问题，通过理论推导，利用循环和多层神经网络结构，研究提出了具有理论严谨、先验假设少、适用范围广、通用性强等优点的不确定航迹自适应预测模型，同时给出了典型的实现方法。该模型克服了现有航迹预测方法的缺点与不足，并具有无模与有模两类技术的优点与长处，仿真和实测实验验证表明：该模型能很好地提取识别出数据中存在的模式，并基于模式，进行正确有效地预测，能有效解决不同实际环境中的航迹预测问题，效果明显。     

基于神经网络和人工势场的协同博弈路径规划

协同博弈路径规划是空战自主决策、机器人体育比赛等应用场景中的重要问题，其难点在于对环境对抗性反馈的实时自适应和多智能体的相互配合。提出一种基于神经网络和人工势场的协同博弈路径规划方法，使用反向传播（BP）神经网络自适应调整人工势场函数系数，并将人工势场作为神经网络输出端的特征提取。为解决真实样本质量和数量不足的问题，基于遗传算法仿真生成样本数据用于神经网络训练，并通过滚动时域的思路面向动态博弈优化样本性能。从样本数据中提炼出距离差与航向差以反映协同和博弈特性，利用神经网络的黑盒特性和学习能力解决协同博弈问题。应用于二对一反隐身超视距空战路径规划，比经典人工势场法有明显性能提升，且计算开销可接受，计算复杂度分析表明该方法可以较好扩展到多机对抗场景。     

ENGINE SENSOR FAULT DIAGNOSIS USING MAIN AND DECENTRALIZED NEURAL NET WORKS

ＡｎａｌｙｔｉｃａｌｒｅｄｕｎｄａｎｃｙｔｅｃｈｎｉｑｕｅｓｓｕｃｈａｓｅｘｔｅｎｄｅｄＫａｌｍａｎｆｉｌｔｅｒ，ｃｏｍｐｏｎｅｎｔｓｔｒａｃｋｉｎｇｆｉｌｔｅｒａｎｄｓｏｏｎｃａｎｄｅｔｅｃｔ，ｉｓｏｌａｔｅａｎｄａｃｏｍｍｏｄａｔｅｆａｉｌｕｒ...     

一类组合神经网络在协同空战分析中的应用

为了在恶劣、复杂的协同空战环境里帮助飞行员进行更有效的决策，在其指挥级，提出了一类有／无教师组合神经网络－ＰＢ－ＳＯＦＭ网络，并用它来完成目标分析和攻击排序。对于典型的２：４空战，给出了ＢＰ－ＳＯＦＭ网络的结构，并探讨了各个子网的训练和测试方法，及该组合神经网络的使用方法。设计并实现了一个基于ＢＰ－ＳＯＦＭ网络的多机协同空战仿真系统。仿真结果表明，该系统是可行的。     

非定常气动力的结构自适应神经网络建模方法

讨论了非线性非定常气动力的结构自适应神经网络模型建模方法,该方法具有同时进行结构辨识与参数辨识的优点;利用纵向大振幅强迫振荡风洞试验数据,验证了建模方法及所建模型的有效性,结果表明:结构自适应神经网络模型对非定常气动力有很好的逼近能力,由于采用飞行参数的时间离散数据作为输入量,模型可直接应用于飞行仿真研究。