结合自组织映射网络及三角形算法的星图识别方法

三角形方法是最经典且应用最广的星图识别方法之一,但是存在搜索范围大、匹配冗余、抗噪能力弱等问题。将神经网络技术应用到星图识别过程中,结合自组织映射网络（SOM）优秀的分类能力和三角形算法可靠的角距匹配能力,提出了一种新的识别方法。该方法基于邻近星的分布来构建每颗导航星的特征向量,将其作为SOM网络的输入向量,通过训练得到具有分类识别功能的网络及相应的三角形库。识别阶段,输入待识别星的特征向量,网络输出识别类,在该类对应的三角形库中应用三角形算法查找匹配三角形,完成星图识别。试验发现该方法减小三角形搜索范围、实现快速匹配的同时,提高了识别系统的抗噪能力,在全天识别过程中平均识别时间低于5ms,识别率在噪声标准差为0.025时仍高达99%。     

用修正数据映射方法实现快速稳健子空间跟踪

为改善现有子空间跟踪方法的运算量大或鲁棒性/稳定性差等缺点,基于原数据映射方法(DPM),采用新的正交归一化,提出了一种快速稳健的修正DPM(MDPM)算法。通过改变符号选择跟踪信号子空间或噪声子空间,同时提供了子空间基的正交矢量,运行时无累积性误差。研究和仿真结果表明:与传统子空间跟踪算法相比,MDPM算法的鲁棒性/稳定性好、收敛速度快、运算量小。     

渐近严格伪压缩映象的Mann迭代序列

证明了希尔伯特空间上的渐近严格伪压缩映象的Ｍａｎｎ迭代序列的收敛性定理。     

用同心环域映射法求解层流偏心环域速度场

用同心环域映射法可推导出求偏心环域层流速度场的另一种表达式。该表达式形式简单,收敛快,在一定条件下还可简化成有限项之和,比过去的经典解法更适用。     

基于狄拉克符号的异构模型集成方法

针对数字工程中异构模型集成仿真的问题,提出了一种基于狄拉克符号的系统建模方法。该方法可以屏蔽子系统的建模逻辑和模型实现差异,描述全系统的集成模型和动力学演化。利用类TNEA中间件提供的状态定义和方法调用机制,可以将异构模型映射为具有相同建模逻辑和软件接口的对象模型,构成数字主线,开展虚实融合系统集成试验。该方法可以支撑航天“簇”演进模式下的新技术快速插入、新系统原位替代和新状态快速验证,并针对数字航天开展全要素虚实融合试验,在虚拟环境中摸边探底,验证核心指标。     

基于级联虚-实融合的飞机钣金零件识别方法（英文）

提出了一种级联虚实融合方法来识别具有显著相似性的各种飞机钣金零件(Sheet metal parts, SMPs)。SMP通过涉及“粗略”“精细”和“首选”阶段的级联过程进行识别和编号。该方法将虚拟工作台建模与物理工作台识别相结合。最初,通过捕获物理工作台上钣金件的主方向图像并从图像中提取8D形状描述向量来识别SMP的“粗糙”集,这导致候选SMP集的发现。随后,利用图像的灰度信息对候选SMP集进行模板匹配,以实现“精细”匹配。提出了识别可靠性的定量测量,在增强现实3D投影的帮助下启动后续的“首选”识别过程。通过实际实验验证了该方法的有效性和优越性,在测试件中达到了最高准确率96.9%。借助3D投影,人机结合准确率100%。     

改进SO优化KELM的液体火箭发动机故障检测

提出了一种ISO-KELM的液体火箭发动机故障检测模型。首先引入Tent混沌映射、动态策略和柯西变异3种方法对原算法进行改进。然后，采用改进后的蛇优化算法(ISO)对核极限学习机(KELM)惩罚因子和核函数参数进行寻优，构建了ISO-KELM液体火箭发动机故障检测模型。最后选取包含5种典型故障模式的某液体火箭发动机历史试车数据进行仿真。结果表明，ISO-KELM模型的故障检测准确率为95.2%,高于SO-KELM故障检测模型和传统BP神经网络故障检测模型，可有效检测火箭发动机的故障状态。同时也表明了ISO相比于SO,收敛速度更快，寻优精度更高。     

基于任务映射的暗硅芯片功耗预算方法

暗硅系统功耗预算问题可被归类为一种NP-hard问题，针对其存在的提高芯片均温与降低通信成本2个对立优化目标，提出了一种基于任务映射的暗硅芯片功耗预算方法。为降低计算复杂度，基于率先映射高通信量并对后续映射影响较小的任务的规则建立模型，将任务图转换为最大生成树的形式，以优先级值的大小决定任务进行映射的先后顺序。在稳态情况下逐个进行核心寻优，将排序后的任务放置于合适的核心位置，并以凸二次规划问题形式对已确定映射核心位置的功耗预算进行求解。实验表明:针对12开启核心的36核心系统，与经典的热安全功耗预算方法相比，所提方法将总功耗预算提高了11.8%，通信能耗降低了38.2%。      

基于轨迹映射的无人机拖曳式空中回收轨迹优化

针对无人机拖曳式空中回收过程中的轨迹优化问题，提出一种基于轨迹映射的无人机回收轨迹在线优化方法。首先，建立包括缆绳-浮标-无人机组合体的运动模型、机翼折叠模型在内的空中回收系统模型。随后，提出轨迹映射的思想，利用双向长短期记忆（BiLSTM）神经网络建立回收系统中回收指令和回收轨迹之间的精确映射关系。然后，利用轨迹映射网络实时预测不同指令下的回收轨迹，并根据计算的预测轨迹代价利用粒子群优化（PSO）算法优化得到最佳回收指令。最后，仿真结果表明：所提的轨迹映射网络具有较高的预测精度和计算速度，所提的方法可以优化出使无人机稳定快速回收的轨迹。