抗离群值的鲁棒正则化贯序超限学习机

针对离群值环境下的在线学习问题,提出一种鲁棒正则化贯序超限学习机(Robust regularized online sequential extreme learning machine,RR-OSELM)。RR-OSELM以增量学习新样本的方式实现在线学习,并在学习过程中基于样本的先验误差进行逆向加权计算以降低学习模型对于离群值的敏感性;同时RR-OSELM通过融合使用Tikhonov正则化技术进一步增强了其在实际应用中的稳定性。实验结果表明,RR-OSELM具有较同类算法更好的鲁棒性和实用性,对于离群值环境下的在线建模与预测问题是积极有效的。     

湍流燃烧模拟中化学反应的加速算法研究进展

为研究湍流燃烧数值模拟中化学反应机理计算的加速方法,讨论了动态自适应化学（Dynamic Adaptive Chemistry,DAC）方法和Krylov子空间近似的指数格式的应用情况。在湍流火焰大涡模拟中,使用DAC简化可以加速化学反应计算。然而,在并行燃烧数值模拟中,处理器核心的负载极度不平衡,加速效果有限。而Krylov子空间近似的指数格式的加速效果可以作用于每个处理器核心,更有利于整体计算效率的提高。在同等精度下,相比于隐式格式耦合DAC和MTS加速方法,Krylov子空间近似的指数积分格式对化学反应计算的加速效果更为显著。     

直升机动态着舰流场下的旋翼气动载荷分析

直升机着舰流场复杂多变,严重影响着旋翼的气动环境,进而影响直升机着舰安全。本文基于计算流体力学(Computational fluid dynamics,CFD)技术建立了一个直升机动态着舰的数值模拟方法,并以此研究直升机着舰过程中的气动载荷变化。该方法以N-S方程作为控制方程,并选取k-ω湍流模型来提高对涡流场的捕捉精度,采用动量源方法模拟旋翼。应用所建立的方法,着重分析了直升机侧弦进场、垂直降落过程中的耦合流场特征和气动载荷变化。结果表明:直升机侧弦进场时旋翼会与甲板舷涡以及舰船艉部的涡回流区发生较强的涡干扰,导致拉力显著降低,在舰面效应的影响下易产生一个附加的滚转力矩,影响直升机姿态稳定;垂直降落时在上述干扰的综合作用下,旋翼拉力呈现出先减小、后增大的特点,各气动载荷在接近甲板时会出现剧烈的波动,加大了着舰风险。     

基于合成射流的旋翼翼型动态失速控制研究

针对直升机旋翼工作环境下来流速度和迎角(Angle of attack,AoA)耦合引起的动态失速问题,建立了基于合成射流的旋翼动态失速控制的数值模拟方法。采用运动嵌套网格方法,通过对翼型的平移和旋转实现变来流速度-变迎角的耦合。以积分形式的雷诺平均N-S方程为主控方程,空间离散使用Roe格式,时间离散为隐式LU-SGS方法,以OA209翼型为研究对象,在翼型上表面放置合成射流激振器,开展了射流位置、动量系数、无量纲频率以及偏角等参数对轻度失速、深度失速下翼型动态失速控制的研究。研究发现,轻度失速下,射流位置靠近气流分离点时(20%c附近,c为翼型弦长),对逆压梯度引起的轻度失速控制效果最佳。深度失速下气流分离点虽在5%c之前,但射流位于前缘分离泡后端(10%c附近)时控制效果较好。大迎角需要较大的动量系数才能有效控制。射流频率对涡结构的尺寸和数量会产生一定影响,能改变气动特性波动幅度。较小的射流偏角对轻度失速的控制更有效,而深度失速则需要较大的偏角。     

联邦学习安全与隐私保护综述

联邦学习是一种新型的分布式学习框架,它允许在多个参与者之间共享训练数据而不会泄露其数据隐私。但是这种新颖的学习机制仍然可能受到来自各种攻击者的前所未有的安全和隐私威胁。本文主要探讨联邦学习在安全和隐私方面面临的挑战。首先,本文介绍了联邦学习的基本概念和威胁模型,有助于理解其面临的攻击。其次,本文总结了由内部恶意实体发起的3种攻击类型,同时分析了联邦学习体系结构的安全漏洞和隐私漏洞。然后从差分隐私、同态密码系统和安全多方聚合等方面研究了目前最先进的防御方案。最后通过对这些解决方案的总结和比较,进一步讨论了该领域未来的发展方向。     

基于函数链神经网络的深度分类器

目前的宽度学习系统（Broad learning system,BLS）通过所建立的一系列映射节点和增强节点来形成联合节点。因为联合节点与输出层的线性连接,网络权值可以用求解伪逆的方法快速求得,避免了耗时的训练过程,从而成为快速而高效的学习方法。然而在追求高精度结果的过程中,BLS对于增强节点数量的需求过于巨大,容易造成过拟合问题。为此,本文提出了基于函数链神经网络（Functional-link neural network,FLNN）的深度分类器（FLNN based deep classifier,FLNNDC）,旨在提供一种更加简单却又不失精度的BLS变体结构。FLNNDC将几个轻量级的BLS子系统堆积成栈式结构,每一个轻量级的BLS子系统随机选择一部分映射节点生成增强节点,而不是全部映射节点。和原宽度结构相比,在几个主流数据集上的实验结果表明本文所提出的FLNNDC分类器具有网络结构更小且学习速度更快的优势。     

输入受限乘波体飞行器的最优跟踪控制方法

针对存在输入受限的乘波体飞行器最优跟踪问题,基于反演控制设计了最优跟踪控制器。将控制分为稳态跟踪控制和瞬态最优控制两部分。首先基于反演控制框架,引入有限时间收敛跟踪器对虚拟控制律进行估计,避免了普遍存在的“微分项膨胀”问题。其次,考虑系统中存在不确定项,设计了非线性干扰观测器对不确定项进行估计,确保控制器的鲁棒性。同时,充分考虑输入受限情况,基于辅助误差补偿策略对控制输入进行修正。然后,为了实现最优控制,基于自适应动态规划设计瞬态最优控制器。最终通过数字仿真,验证所设计控制方法的有效性。     

基于全卷积孪生神经网络的复杂监控场景下前景提取方法

由于光照变化、相机抖动和动态背景等因素影响,现有基于传统图像处理方法的前景提取算法并不能在复杂场景下获得良好的分割效果。针对此类问题,本文提出了一种基于全卷积孪生神经网络的前景提取算法,仅需任意2帧图像即可准确提取运动前景。将输入的2帧图像分为背景图像与待提取图像,将其输入全卷积孪生神经网络得到二者的相似性度量图,该相似性度量图中包含待提取图像相对于背景图像的各像素变化情况信息;接着将相似性度量图与待提取图像融合,利用编解码网络以实现端到端的前景提取。在CDnet2014数据集上进行综合评估与测试,结果均证明了该方法的有效性。     

基于动态扰动策略的人工搜索群算法

为了提高人工搜索群算法(ASSA)的整体性能,提出一种基于动态扰动策略的人工搜索群算法.为了增加算法的种群多样性,在算法初期,通过Tent映射的混沌策略产生初始种群.结合反向学习策略,算法在进化过程中对种群进行反向学习扰动,从而增加算法跳出局部最优解的可能性.算法采用动态步长的方式,在初期时能够扩大最优解的搜索范围,在...     

基于动态增添法的DBN滚动轴承故障诊断

针对深度信念网络(DBN)层数的不确定性而导致故障诊断精度不高的问题,提出了一种基于动态增添算法的DBN诊断方法.首先通过动态增添算法确定隐含层层数,之后按照逐层递减原则,设置模型的隐含层神经元节点数目;并以滚动轴承为研究对象,通过分析其训练样本与测试样本的分类误差曲线,来表明基于动态增添算法的DBN方法对滚动轴承故障...