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。     

扑旋翼飞行器气动特性分析及机翼拓扑优化设计

建立微型扑旋翼飞行器运动学模型,基于面元法研究低雷诺数下非定常场中扑旋翼飞行器的气动特性,得到机翼气动特性和一个工作周期内的最大气动载荷。建立扑旋翼飞行器机翼有限元模型,基于变密度法和独立连续映射法(Independent continuous mapping,ICM)对机翼进行静力学和动力学拓扑优化设计,通过改变机翼拓扑结构优化机翼模态频率,得到同时满足结构静力学和动力学要求的扑旋翼飞行器机翼拓扑结构。本文为扑旋翼飞行器机翼结构优化设计提供了基本思路和研究基础。     

基于改进灰狼优化算法的涡扇发动机性能/喷流噪声综合优化控制研究

为保证整个飞行过程中满足噪声适航标准和飞行器的安全性,需要按照最严苛的噪声要求进行发动机设计,并留有很大的安全裕度,因而导致发动机的性能潜力未能得到发挥。本文对传统灰狼算法进行了改进,提出自适应概率变异策略,在优化过程中调整狩猎模式,提升了算法的全局搜索能力;基于该算法开展涡扇发动机性能/喷流噪声综合寻优控制研究,根据不同飞行需求对航空发动机性能进行优化,获得最佳控制量,在满足安全性和噪声指标的同时,提高发动机的性能。仿真结果表明,改进后的算法具有更好的全局寻优性能,最大推力模式下可提升推力13.45%,最小油耗模式可降低油耗3.19%,最低涡轮前温度模式可降低涡轮前温度2.07%。     

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。     

变体辅助的无人机栖落机动模糊控制设计

无人机（Unmanned aerial vehicle, UAV）的栖落机动是一种大幅度的俯仰运动,易引起升降舵操纵力矩饱和。本文以变体方式增强无人机的俯仰操纵能力,并研究其对应的控制设计方法。首先对栖落机动建立了纵向动力学模型,并通过采用轨迹线性化和张量积变换方法转换得到T-S模糊模型。基于Lyapunov稳定理论和平方和方法,设计了满足控制输入约束的栖落机动多项式模糊控制器。对非变体与变体下的栖落机动控制过程进行了仿真,结果验证了控制律的有效性,并且表明变体辅助的无人机具有更强的操纵性能,能提高栖落机动中升降舵的抗饱和能力。     

内装式空射运载火箭重力出舱机箭耦合动力学分析

研究了以运输机为平台的内装式运载火箭空射过程载机和火箭的耦合动力学建模。建模针对两个阶段：第一阶段,火箭固定于载机机舱内,两者构成一个整体,按照普通刚体的力学方法处理;第二阶段,火箭解锁后,沿着舱内的发射筒向外滑行,载机和火箭形成两刚体相互作用的耦合系统,基于牛顿-欧拉法建立系统动力学模型。载机在空射火箭过程中,油门和升降舵满偏,在加速前飞的同时拉大姿态俯仰角,火箭在自身重力分量和惯性力的作用下,沿着机舱内的发射筒加速向外滑行,直至与载机分离。数值仿真分析了空射过程载机的重要力学参数的变化过程,验证了载机操控策略的可行性和安全性,可为未来中国空射运载火箭技术设计提供数据参考。     

边界约束对直升机尾操纵拉杆安装频率影响分析

针对某型直升机在飞行过程中出现脚蹬高频振动问题,通过飞行振动数据分析,确定了故障原因为尾操纵拉杆动特性不佳导致尾操纵拉杆局部共振,从而引起脚蹬高频振动。为了满足装配要求,尾操纵拉杆与安装支座之间为间隙配合,导致尾操纵拉杆边界约束存在不确定性,因此有必要进行边界约束敏感性分析。本文采用弹簧刚度表征尾操纵拉杆边界约束,并基于Ritz法建立尾操纵拉杆理论模型,分析讨论了边界约束对尾斜拉杆安装频率的影响,同时根据计算分析结果提出了相应的解决方案。经地面动特性试验和飞行试验验证,该解决方案可以有效改善该型机脚蹬高频振动问题,同时对后续操纵拉杆设计和分析具有一定的参考意义。