统计学习与知识发现

知识发现是将知识从隐性转化为显性的一个过程,它是知识管理的重要组成部分.为此阐述了利用统计学习的知识发现方法,以及统计学习中主要使用的分类学习,并强调了使用数据驱动指导知识构建的合理性和优越性,最后结合实例分析了几个主要的统计学习方法及其应用.     

开闭环PD型快速迭代学习控制方法及其在直流电动机中的应用

针对一类非线性系统的学习控制问题,提出了一种开闭环PD型快速迭代学习控制方法。此学习控制方法利用了系统当前的跟踪误差信号和前次迭代控制的跟踪误差信号,以及它们的微分信号,同时采用可调比例系数,根据系统误差的变化及时地调节比例系数,从而使目标的跟踪能力得到提高。通过分析给出了此快速迭代学习算法收敛的条件,直流电动机的仿真应用说明了此学习控制方法对于非线性系统具有较强的有效性和较好的可行性。     

基于小波的能源消费弹性系数预测方法

能源消费弹性系数反映了一个国家能源消费增长速度与国民经济增长速度之间的比例关系,是衡量一个国家能源利用效率的重要指标。鉴于数据中存在较多的噪声,首先用小波分析方法对数据进行滤波,然后用滤除了噪声的数据作为输入变量,用支持向量回归方法建模,并预测未来10年我国能源消费弹性系数变化的规律。实际数据检验表明,该预测方法还是可行的。     

模糊滑模迭代学习控制算法在液压系统中应用

普通比例(P, Proportion)和比例微分(PD, Proportion and Differential)迭 代学习控制(ILC, Iterative Learning Control)算法在液压位置伺服系统中收敛速度比较 慢,很难在实际中应用.为了提高ILC算法的收敛速度,将滑模控制算法引入ILC,提出模糊 滑模迭代学习控制(FSMILC, Fuzzy Sliding Mode Iterative Learning Control)算法,利 用滑模控制响应快的优点来加速ILC的收敛速度,利用模糊控制来减小滑模控制所引起的抖 动问题.FSMILC算法的实质是以系统的滑模函数作为模糊控制器的输入,以模糊控制器的输 出作为ILC的控制增量.通过仿真可以看出,FSMILC算法能够实现系统快速收敛,相对于P型 和PD型具有明显优势.      

基于分层式强化学习的移动机器人导航控制

针对未知环境下的移动机器人导航问题,本文提出了一种基于分层式强化学习的混合式控制方法。利用栅格-拓扑相结合的环境表示及地图学习方法,通过分层式强化学习在不同控制层次的扩展设计移动机器人的反应式和慎思式导航控制,实现了全局导航和局部导航控制的协调优化。实验及测试结果证明,该控制方法能实现导航任务的全局优化,避免陷入局部极小,并对未知动态环境具有较强的适应性。     

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。     

弱引力下小行星动量驱动机器人的可控跳跃行为

以小行星表面着陆探测为背景,提出一种动量驱动机器人(MoRo)以满足弱引力复杂环境下的探测需求。该机器人利用弱引力环境下的摩擦和碰撞特性,通过主动辨识环境参数,规划和控制动量轮以产生期望的驱动力矩,完成可控性跳跃及腾空后的稳定拍照等任务。首先,基于MoRo的动量轮刹车机构特性,分析了MoRo在弱引力环境下的跳跃机理并对其跳跃方式进行了规划;接着考虑动量轮驱动机构三闭环伺服系统的非线性特性,基于Herze碰撞模型和Karnopp摩擦模型建立了MoRo在小行星表面的跳跃行为动力学模型;其次,使用机器学习算法建立环境参数和MoRo运动的函数关系,并基于环境参数规划动量轮转速实现跳跃距离和腾空高度的可控。最后,通过数值仿真校验了MoRo跳跃规划方法和控制方法的可行性。