应用三向测量数据的深空探测器实时滤波定位算法

三向测量数据是深空探测器的一类重要观测数据,文章采用不敏卡尔曼滤波(UKF)算法实现了应用三向测量数据的深空探测器实时滤波定位计算,给出了三向测量体制下的观测模型及观测预测值计算方法,建立了动力学及非动力学两种方式下的滤波预测模型。利用嫦娥三号探测器的实测数据对算法进行了有效性验证,结果表明,文章所给出的观测及预测模型建立方法,适用于三向测量数据,动力学建模算法的稳定性与抗野值能力优于非动力学建模算法,但复杂度又高于非动力学建模方法。上述研究结果对深空探测器的定位或定轨计算具有一定的参考价值。     

BP神经网络辨识发动机模型

<正>神经网络应用于系统辨识时,与传统的基于最小二乘算法的辨识方法相比较具有以下几个鲜明的特点,这也是BP神经网络具有的特点。(1)不要求建立实际系统的辨识格式。故可省去对系统阶次确定这一步骤,神经网络本质上已作为一种辨识模     

航空电子企业中数据挖掘技术的应用

以Oracle数据库为源头在微软SQL Server Analysis Services平台上通过建立数据挖掘模型并在航空电子企业中得到实践与应用。     

基于最大条件熵的射频隐身数据链猝发通信模型

为提高数据链的低被截获性能,以数据链发射时刻的不确定性为对象,提出了一种基于最大条件熵的射频隐身数据链猝发通信模型。该模型以先验数据为训练样本空间,以拉格朗日乘子为优化粒子,将最大条件熵的对偶规划问题作为目标,利用混合混沌粒子群优化(HCPSO)算法进行优化计算,最终确定最大条件熵概率分布模型。与单阈值方法 (STM)和双阈值方法(DTM)的对比仿真结果表明:利用最大熵方法(MEM)自适应生成的发射规划,不仅具有最大的发射时刻条件熵,射频隐身性能最好,而且MEM的通信总时间、通信占空比也最大,对环境约束特征的适应性最好,因此,MEM具有最优的综合性能。     

结合颅骨形态特征与神经网络的民族判别

针对颅骨民族判别问题，提出结合颅骨形态特征与神经网络的判别方法，可以推进法医人类学的发展，加快探索民族发展历程。首先，根据颅骨形态学相关研究，提取36个维吾尔族和汉族颅骨数据的几何特征；其次，采用反向传播神经网络（BPNN）对特征向量进行民族判别，并通过Adam算法对网络进行优化，避免陷入局部最优值，添加正则化项保证算法稳定性；最后，分别采用2种网络结构进行对比实验，输入层、隐藏层和输出层的神经元个数分别为36、6、2和36、12、2，并设置不同初始学习率进行对比实验。结果表明:隐藏层神经元个数为12、学习率为0.000 1时，分类精度最高，测试阶段平均准确率最高为97.5%。为了验证所提方法的普适性，生成116例国外颅骨数据进行实验，测试阶段平均准确率为90.96%。相比较于支持向量机（SVM）、决策树、KNN、Fisher等机器学习方法，所提方法学习能力更强且分类精度有明显提升。      

本地标准时间频率的产生与保持

近年来，地方协调时UTC(BIRM)守时能力稳步提升，截至目前，UTC(BIRM)与UTC的相对频率偏差优于3E-14，时间偏差优于20ns。本文概括介绍了守时系统的组成，本地频率驾驭与主备同步技术，以及TA(BIRM)算法研究等。     

基于多策略GWO算法的不确定环境下异构多无人机任务分配

针对具有复杂约束的异构多无人机对地目标侦察打击任务分配问题，考虑不确定的任务执行时长、目标消失时间和无人机巡航速度等不确定因素对任务分配结果的影响，基于模糊可信性理论构建以最小化总成本为优化目标的异构多无人机任务分配的模糊机会约束规划模型，并提出一种多策略融合的灰狼优化算法（IMSGWO），通过引入自适应控制参数调整策略、自适应惯性权重策略、最优学习策略与跳出局部最优策略，在增强种群多样性的同时，提高算法的搜索能力。数值分析结果表明：所提算法能够有效求解不确定环境下的异构多无人机任务分配问题。     

基于改进YOLOv5s的安全帽检测算法

针对现有安全帽检测算法难以检测小目标、密集目标等缺点，提出一种基于YOLOv5s的安全帽检测改进算法。采用DenseBlock模块来代替主干网络中的切片结构，提升网络的特征提取能力；在网络颈部检测层加入SE-Net通道注意力模块，引导模型更加关注小目标信息的通道特征，以提升对小目标的检测性能；对数据增强方式进行改进，丰富小尺度样本数据集；增加一个检测层以便能更好地学习密集目标的多级特征，从而提高模型应对复杂密集场景的能力。此外，构建一个面向密集目标及远距离小目标的安全帽检测数据集。实验结果表明：所提改进算法比原始YOLOv5s算法平均精确率（mAP@0.5）提升6.57%，比最新的YOLOX-L及PP-YOLOv2算法平均精确率分别提升1.05%与1.21%，在密集场景及小目标场景下具有较强的泛化能力。     

数控机床主轴热误差测点优化及建模技术研究

为了减少热误差对数控机床加工精度的影响,首先利用热成像仪初步找出机床温升明显的位置,然后利用灰色理论对16个温度测点的试验数据进行优化处理,找出与热误差关联度较高的测点;将优选出的温度测点数据和实测的Z轴热误差数据进行划分,采用GM (1,n)灰色预测和BP神经网络建立热误差预测模型,并在试验机床上进行验证。试验结果表明:采用灰色GM (1, n)模型预测结果与实际测量平均相对误差为10.17%,采用BP神经网络预测与实测结果平均相对误差为5.19%,优于灰色GM (1,n)预测,能起到提高热误差预测精度的作用。