基于动态语义记忆网络的长尾图像描述生成

图像描述生成任务旨在基于输入图像生成对应的自然语言描述。现有任务数据集中大部分图像的描述语句通常包含少量常见词和大量罕见词,呈现出长尾分布。已有研究专注于提升模型在整个数据集上的描述语句准确性,忽视了对大量罕见词的准确描述,限制了在实际场景中的应用。针对这一问题,提出了基于动态语义记忆网络(DSMN)的长尾图像描述生成模型,旨在保证模型对常见名词准确描述的同时,提升模型对罕见名词的描述效果。DSMN模型能够动态挖掘罕见词与常见词的全局语义关系,实现从常见词到罕见词的语义知识迁移,通过协同考虑全局单词语义关系信息及当前输入图像和已生成单词的局部语义信息提升罕见词的语义特征表示能力和预测性能。为了有效评价长尾图像描述生成方法,基于MS COCO Captioning数据集定义了长尾图像描述生成任务专用测试集Few-COCO。在MS COCO Captioning和Few-COCO数据集上的多个量化实验表明,DSMN模型在Few-COCO数据集上的罕见词描述准确率为0.602 8%,召回率为0.323 4%,F-1值为0.356 7%,相较于基准方法提升明显。      

瞬态气动模拟加热控制中的快速高精度"E-T"转换

为了准确模拟飞行器在高速飞行时的瞬态气动加热状态,必须使用快速、高精度的计算机瞬态热能控制系统,对气动模拟试验的加热过程,实行快速、高精度的非线性动态控制.为此,传感器的快速、高精度"E-T"转换是一个必须解决的非常重要的问题.提出一种高速飞行器瞬态气动加热控制系统中传感器的快速、高精度"E-T"转换方法.该方法具有计算简单、转换速度快、校正精度高的优点,使用该方法实现了高速飞行器气动加热过程中温度场高速变化状态下的瞬态非线性动态控制.     

某型减压器安全阀持续放气故障试验研究

某型飞机氧气系统所用的集成减压器在使用过程中连续多次出现低压安全阀持续放气故障,为了分析故障原因,根据该型减压器结构和工作原理,结合对故障现象和故障树的分析,设计相关试验,提出改进措施,并进行试验验证。结果表明：减压活门的阻尼特性与减压器的输出流量不匹配是导致故障的主要原因。在大流量情况下,减压活门一直处于振动状态,使其产生一定的磨损,致使减压器输出压力缓慢爬升而导致安全阀开启;当安全阀开启时,安全阀排气量远大于额定输出流量,减压器丧失压力调节功能,直至将瓶内气体排空。通过改变减压活门的阻尼特性,排除了该故障。     

对转螺旋桨流场气动干扰数值模拟

基于结构网格动态面搭接技术,通过求解三维非定常雷诺平均纳维-斯托克斯(RANS)方程,对单独螺旋桨(SRP)滑流流场进行了数值模拟,结果与风洞试验数据吻合良好,在此基础上深入研究了对转螺旋桨（CRP）的非定常滑流效应及前后桨之间的气动干扰现象。计算结果表明:所采用的非定常RANS方法能够良好刻画对转螺旋桨滑流流场的发展变化特征,适用于分析前后桨气动干扰特性。前后桨桨尖涡的复杂相互作用是导致对转螺旋桨气动干扰的直接原因,后桨桨尖涡对于前桨桨尖涡具有一定耗散作用。在气动干扰影响下,对转螺旋桨气动力会产生周期性波动,波动周期与螺旋桨桨叶数相关, 6×6对转螺旋桨在1个旋转周期内产生了12次波动。气流穿过对转螺旋桨会发生两次加速,因此在相同工况下,对转螺旋桨的拉力系数和功率系数相比于单独螺旋桨分别增大约1倍,效率提升约1.5%。      

数据采集系统动态特性的总体评价

数据采集系统动态特性的辨识和评价,是其总体性能评价中至关重要的一个目标。本文通过选取几个相互比较独立的指标来总体描述数据采集系统的动态特性,然后通过几个特殊的模型化方法将其动态特性分别以动态有效位数、传递函数、阶跃响应曲线和幅频特性、相频特性的方式给出,从而解决了数据采集系统动态特性的总体评价问题。     

考虑移动目标不确定行为方式的轨迹预测方法

针对现有方法难以预测出符合飞行移动目标不确定行为方式轨迹的问题,提出基于逆强化学习的飞行移动目标轨迹预测方法,通过学习目标行为偏好以及模拟目标行为决策过程的方式预测目标的移动轨迹。首先基于深度神经网络建立目标的行为决策模型与行为偏好模型,然后通过最大熵逆强化学习方法交替地学习模型参数。为了有效地学习目标的不确定行为特征,采用监督学习的方法学习出目标示例轨迹概率分布模型,用于指导目标行为偏好模型的训练以及初始化目标行为决策模型,同时通过对目标行为偏好模型进行预训练的方式提高其训练质量。仿真结果表明,提出的飞行移动目标轨迹预测方法可通过学习到的目标行为决策模型较为准确地模拟目标的行为方式,预测的目标轨迹分布与真实的目标轨迹分布在Kullback Leibler(KL)散度下的相似度可达0.24。     

基于自适应深度网络的无人机目标跟踪算法

针对无人机（UAV）视频中目标易受到遮挡、形变、复杂背景干扰等问题,提出一种基于自适应深度网络的无人机目标跟踪算法。首先,基于主成分分析（PCA）和卷积神经网络（CNN）算法,设计3阶的自适应深度网络进行目标特征提取,该网络对图像的H、S、I通道分别进行主成分分析学习,将得到的特征向量输入网络进行分层卷积,优化了网络结构,提高了网络的收敛速度和精度。其次,将目标深度特征输入核相关滤波算法进行目标跟踪,通过分析相邻2帧图像的变化率,采用分段自适应调整学习率的算法进行目标模板更新,有效地改善目标遮挡问题。仿真实验结果表明,该算法有效地避免了复杂因素干扰导致的跟踪精度下降,具有较好的鲁棒性,相较于全卷积跟踪（FCNT）算法平均跟踪精度提高了9.62%,平均跟踪成功率提高了11.9%。     

改进的P型迭代学习控制算法

针对多输入多输出的定常线性系统的迭代学习控制问题, 给出改进的P型迭代学习控制算法, 该算法中利用最新算出的控制分量代替旧的控制分量, 这样可以加快控制输入的收敛速度, 利用该算法进行学习控制, 使系统的实际输出以更快的速度收敛于系统的理想输出.     

天空飞行与地面风洞实验动态气动相关中的雷诺数影响

近10余年来,在3个动态气动专题领域内,地面风洞自由飞实验与对应的天空飞行器的绕流雷诺数虽然相差1~2个量级,但风洞自由飞实验结果多次预测或再现了天空飞行器出现的对飞行安全、飞行性能产生严重影响、其它地面风洞实验方法难以预测或再现的这3个专题领域内的动态气动特性,这至少为3个专题领域内天地动态气动相关中的雷诺数影响,提供了一个新的理解。