液体火箭发动机初始雾化液滴分布预测

在简要描述使用最大熵原理预测初始雾化液滴分布的基础上,发展了较传统方法具有更大收敛域的数值计算方法,建立了离心式喷嘴雾化特性研究实验台,使用激光相位粒子分析仪进行了雾化粒径分布研究,结果显示实验数据同使用最大熵原理预测的分布吻合性较好,在此基础上最后提出了在液体火箭发动机雾化粒径分布预测应用中的策略。     

基于内模原理的涡轴发动机状态反馈控制方法

某型涡轴发动机全权限数控系统采用了状态反馈控制方式.根据内模原理, 引入伺服补偿器, 使设计的控制系统不仅具有较强的鲁棒性, 而且在用于指令跟踪时能消除稳态误差;根据性能指标要求设计了状态反馈控制器, 从而提高控制系统的品质.与目前的PID控制方式相比较, 半物理模拟试验结果表明该控制方式有显著的性能改进.      

基于迭代学习控制的飞机全电刹车系统的研究

通过对飞机全电刹车系统模型的分析,结合迭代学习控制的特点设计出一种新的全电刹车系统的控制律。通过在matlab/simulink中仿真,取得了理想的效果,表明控制律的设计基本合理、可行。     

时间的模糊区间段表示及其运算

介绍了Allen的区间代数及其扩展--INDU网络,将Heisenberg不确定性原理应用于INDU网络,将INDU的25种基本关系中两区间有端点相等的或区间段相等的这15种关系删除,这15种关系在现实世界中是不可能出现的,就产生了有10种基本关系的FINDU网络,给出了FINDU网络的复合运算表.FINDU网络在军事多自主体系统中可以得到很好的应用.     

基于深度混合模型评分推荐

从用户-项目评分矩阵中学习用户对项目的个性化偏好,对于评分推荐来说至关重要。许多推荐方法如潜在因子模型,无法充分利用评分矩阵中的交互信息学到较好的个性化偏好而得到较差推荐效果。受深度学习中Wide and Deep模型应用于APP推荐启发,本文提出一种深度混合模型并命名为DeepHM用于评分推荐。与Wide and Deep模型相比,使用DeepWide和DNN部分重构Wide模型和Deep模型得到DeepHM,并且DeepWide和DNN部分共享交互信息输入。因此,DeepHM可以更有效地使用评分矩阵中的用户和项目的交互信息学到个性化偏好信息。DeepHM将评分推荐作为分类问题旨在提高推荐准确性。实验表明在公开的Movielens数据集上DeepHM算法相比现有的基于评分推荐模型具有更好的效果。     

基于视频的行人再识别

行人再识别是指在无交叉区域的多摄像机视频监控系统中,匹配不同摄像机中的相同行人目标。本文提出了一种基于视频的行人再识别方法,用HOG3D来描述一组视频的时空特征,在训练集上用预训练的DenseNet来微调模型参数,利用迁移学习得到的模型来提取视频中行人的表观特征,融合两种特征来描述视频序列中的行人。最后将融合的高维特征降维,并用度量学习方法计算行人对之间的距离。本文在PRID 2011和iLIDS-VID这两个视频数据集上进行了使用,实验结果表明本文的方法取得了较高的累积匹配得分。     

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。     

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。     

模糊变分原理在求解结构固有频率中的应用

在处理含模糊参数的结构固有频率问题时,现有的方法局限于先将模糊参数转化为区间数求解,再由区间解构造出相应的模糊解.由于现有方法计算量较大,所以提出了基于模糊变分原理的模糊里兹法和模糊有限元法.通过在瑞利商变分中直接引入模糊参数,得到了结构固有频率问题的模糊变分原理.作为模糊变分原理的应用,推导了模糊里兹法和模糊有限元法.这两种方法都可以直接得到问题的模糊解,与传统的区间解法相比,提高了计算效率.算例表明,这两种方法不但具有较高的计算精度,而且可以很大程度上减少计算量.