KDTGAN：基于Transformer-GAN和知识蒸馏的高光谱目标检测

高光谱目标检测在地球观测中至关重要,被广泛应用于军事和民用领域。然而,由于高光谱图像的背景复杂性和目标样本的有限性,该任务面临较大的挑战。本文首先采用CEM（约束能量最小化）粗检测方法提取背景数据。随之,引入了一种新的知识蒸馏模型,即KDTGAN（通过Transformer-GAN实现）。教师模型的生成器采用了Transformer编码器的结构,并结合多尺度数据融合的方法,能够准确地学习背景分布,进而通过重构背景信息实现目标检测。为了克服GAN（生成对抗网络）训练不稳定的挑战,特别是纯背景数据的稀缺性,本文提出了一种新的损失算法,以减小可疑目标样本对模型性能的负面影响。为了降低模型的计算负担,本文引入知识蒸馏,并设计新的蒸馏损失对学生模型加以约束,使模型轻量化的同时提高学生模型检测精度。实验结果表明：KDTGAN相较于当前检测方法表现更优,具有更高的检测精度和鲁棒性。     

三角形涡发生器综合换热性能全局优化和知识挖掘

为了强化布置三角形涡发生器的U型通道综合换热性能,耦合基于子元模型的全局优化算法、三角形涡发生器参数化方法、三维RANS方程求解技术与基于总变差分析的知识挖掘技术,建立了高效的三角形涡发生器综合换热性能优化与知识挖掘方法。在验证本文数值方法正确性的基础上,以综合换热性能最优为目标函数,对布置于U型通道内的三角形涡发生器进行设计优化与知识挖掘。优化后,最优设计的三角形涡发生器诱导产生的下洗涡对的强度和间距增加,使得U型通道的综合换热性能相对提高了14.5%。同时对设计空间进行知识挖掘,筛选对综合换热性能影响显著的设计变量,分析显著变量对目标函数的影响机制。结果表明:三角形涡发生器的高度对通道换热能力和阻力损失的影响最为显著,而三角形涡发生器的宽度对通道综合换热性能的影响最为显著。     

基于军民融合的服务保障人员的知识结构模型研究

在现有航空装备服务保障模式下,服务保障人员存在理论知识不充足、知识结构单一、能力提升进展缓慢等方面问题。通过研究分析国内外航空装备服务保障模式现状,从中找出不足和差距,借鉴国外基于性能的综合保障(PBL)经验,在军民融合时代的背景下,面向装备全寿命周期,利用知识管理,多维度梳理航空装备服务保障人员需具备的知识,构建知识结构模型。总体目标是为提高服务保障人员的个人能力和专业素养提供路径指导,持续为部队提供优质服务和产品,从而保证航空装备完好性和任务持续能力。     

基于标准知识应用的战车设计开发平台

针对防空导弹战车研制过程中存在的设计流程和设计产品不规范等问题,本文提出了基于标准知识应用的战车设计开发平台,明确了战车的设计流程,给出了通用产品设计模板,使产品设计规范化,促进了战车快速、高效地开发。     

基于本体的航空制造企业异构知识集成研究

在分析军工制造企业的知识需求的基础上,提出了基于本体的制造企业知识集成架构.并在集成开发环境中构建了制造企业初步本体.研究了基于本体的企业知识建模、知识在知识库中的存储模型以及基于概念的知识检索等关键技术.原型系统的初步验证表明,基于本体的知识集成可以有效解决飞行器制造企业异构知识源的语义集成问题.     

飞机翼类典型结构件库系统设计与实现

分析了飞机翼类典型结构件的特征知识,采用吸纳法实现知识驱动飞机翼类典型结构件几何设计,研发了独立于CAD平台的结构件知识库。实现了翼类典型结构件设计资源的重用,在降低变形设计难度的同时提高了设计效率,并为其他零件和标准件库的建立提供了一个新的方法。     

专家知识在在轨管理中应用的设想

随着在轨航天器的种类和数量日趋增多,航天器工作状态的实时监测诊断成为我国航天器长期管理中的重大工程技术课题。文章提出了一种面向对象的航天器实时监测、故障诊断知识描述语言的设计思想,该描述语言具有较强的可扩展性和继承性,能够适应在轨航天器日益增多对地面管理提出的自动化、智能化的迫切要求。     

民航机务人员个体特征因素对安全行为的影响

为提高民航机务人员安全行为,探讨个体特征因素对民航机务人员安全行为的影响机理。基于文献综述并结合民航机务员工的访谈分析,确定影响民航机务人员安全行为的个体特征因素,在此基础上构建了民航机务人员个体特征因素与安全行为关系的假设模型。通过对国内航空公司维修基地一线机务维修人员进行实地调研和问卷调查,并利用结构方程模型对问卷数据进行实证检验。结果表明,自我效能感、安全态度、安全意识、安全知识、安全责任心、安全价值观均对安全服从行为、安全参与行为产生影响。其中,自我效能感对安全参与行为影响最大,安全意识对安全服从行为影响最大。     

工程翼型气动特性数据挖掘与建模

以伊利诺伊大学香槟分校UIUC的工程翼型库为研究对象,首先通过几何数据直接对比以及基于型函数/类函数变换(CST)的参数化方法实现了重复翼型和数据异常翼型的清洗;接着,对CST参数的取值分布规律进行分析发现其近似呈正态分布,对CST参数之间的关联规律进行挖掘得到翼型参数之间的相关性,并对CST参数进行聚类分析,其结果基本与工程翼型的分类一致;进一步,采用级差分析方法、SOM自组织映射方法和Apriori方法分析了CST参数与典型工况翼型气动特性之间的关系.其中,级差分析方法给出了各CST参数对气动特性影响的显著程度,SOM和Apriori方法则分析了CST参数和气动特性之间的相关性;最后,分别使用支持向量机(SVM)和深度神经网络(DNN)构建了CST参数与典型工况下气动特性之间的预测模型,在拟合和泛化能力方面,深度神经网络模型明显优于SVM模型.本文所得到的数据挖掘及建模结果可为工程翼型气动特性分析与设计提供支撑.