航天器椭圆轨道自主交会的自适应学习控制策略

 提出了一种在缺少绝对轨道信息时的航天器椭圆轨道自主交会方法。利用Lawden方程描述椭圆轨道下的两星相对运动关系,并将方程中的时变参数单独归类。在假设这些时变参数无法得到的情况下,采用Lyapunov方法设计了椭圆轨道下自主交会的参数估计规则和自适应学习控制律。仿真结果表明,在只有相对状态信息的情况下,估计参数有效地跟踪了真实参数的变化,所设计的控制律能够实现椭圆轨道下航天器的自主交会。     

自助法在小样本数据均值估计中的应用

自助法（Bootstrap）是较好的处理小样本数据的方法,其无先验性及计算过程中只需要实际观测数据的优越性,使其广泛地应用于小样本数据处理。针对方法自身存在的缺陷,文章比较了目前自助法常用的两种抽样方式的优劣性,并采用改进的样本经验分布函数来解决这个问题,通过对均值的估计证实了方法的有效性。     

双因子仿真结果水平分析方法

针对双因子的情况,提出了一种仿真结果水平分析方法,旨在对各因子的不同水平以及各因子水平组合的交互作用进行分析.当仿真结果不正确时,并非所有因子的所有水平以及它们之间所有的交互作用全都仿真错误.该方法可以确定哪些因子的哪几个水平未被正确仿真,或哪几对因子水平组合的交互作用未被正确模拟.在工程应用中,只需按照文中给出的流程图进行判断,即可为仿真软件系统的编制和修改提供依据.      

一种基于深度学习的交互式电话号码识别方法

物流、保险和中介服务等行业需要频繁地拨打电话,而人工拨打电话效率较低,高效的电话号码识别技术具有重要的应用价值。传统的印刷体数字识别方法存在人工设计特征过程复杂、识别字体单一等不足,难以满足实际应用需求。本文提出了一种基于深度学习的交互式的电话号码识别方法,通过鼠标双击图像中的电话号码,自动截取出包含此号码的目标区域,并进行灰度化、二值化、目标区域定位、字符分割和图片补白等预处理操作,在此基础上利用改进的LeNet-5卷积神经网络（CNN）自动学习图像特征,支持多种字体、字形和字号的印刷体数字识别,并利用交互式识别和内存池等方法提高识别速度。实验结果表明,单一字符的识别率为99.86%,整个号码的识别率为99.50%,整个号码平均识别时间为91 ms。本文方法识别精度高、识别速度快,具有较为广泛的应用前景。      

基于改进极限学习机的光谱定量建模方法

依据近红外光谱(NIR)产生原理,提出了粒子群优化极限学习机(PSO-ELM)算法,运用于小样本氨水浓度定量分析。通过优化极限学习机(ELM)隐藏节点参数,解决了极限学习机由于输入权值和隐含层偏差随机产生的建模结果具有随机性的问题,提高了预测模型的稳定性、精确度和泛化性能。经实验验证,优化后的PSO-ELM相比ELM,模型预测集均方根误差由0.01166减小至0.00322,预测集相关系数由0.9951提高至0.9979。将优化后的模型预测结果与支持向量机(SVM)、BP神经网络算法等传统方法的建模结果进行对比,优化后的PSO-ELM算法具有较高的精确度和良好的泛化性能,模型预测效果优于传统的定量回归分析算法。     

RBF神经网络在电气设备状态评估中的应用

以切比雪夫正交基函数(RBF)神经网络搭配教师模块作为电气设备状态评估的模型,通过对过去序列样本的学习,在考虑影响电气设备状态的各种因素的情况下用教师模块对学习过程进行监督,调整网络的权值,然后识别电气设备状态当前情况。结果表明该神经网络具有良好的识别能力、快速的收敛能力并可以应用于大规模的电气设备状态评估中。     

月球样品自动封装技术的可行性探讨

月球样品自动封装技术是在月表环境下,实现样品容器自动开合、密封、锁紧的技术。我国的探月工程三期和国外的月球取样任务具有明显的技术区别,所以月球样品的封装也必须符合自身的技术特点。文章通过借鉴国外成功经验和我国探月技术的特点,提出了一种月球样品封装技术方案,并对该封装技术方案的实现进行了分析,同时还考虑了月球环境因素的影响。     

高职院校实施工学结合人才培养模式面临的问题与对策

工学结合是高职教育改革与发展的方向,工学结合人才培养模式是高职教育的生命线。大力推进校企合作、创新实践工学结合人才培养模式的有效实施方案、探索适合高职院校发展的新思路,是实现高职院校服务社会需求的重要任务。本文分析了我国高等职业教育工学结合的现状及其影响因素,以西安航空职业技术学院为例构建了工学结合人才培养模式的运行体系,提出了实施工学结合的实践策略。     

机器人动作规划的新方法

机器人动作规划是智能机器人控制系统的一个特别重要而又十分复杂的研究课题，本文在对机器人动作规划进行问题描述的基础上，通过应用解释学习来获取搜索策略，为其提出了一种新的方法，仿真结果表明，该方法是可行且有效的。     

小推力最优轨迹协态估计的高效机器学习方法

针对变比冲小推力轨迹间接优化中的协态变量初值猜测问题,提出了一种基于机器学习的协态变量初值高精度高效估计方法。首先,基于标称最优轨迹延拓,建立了状态量边值高扰动上限情形下的数据集生成方法,并分析了扰动上限对求解效率的影响。然后,构建了基于位置速度、轨道根数和改进春分点轨道根数多形式状态量组合输入的人工神经网络(ANN)映射关系,分析并优化了神经网络结构。将提出的方法应用于深空探测小推力转移场景,仿真结果表明该方法相对于标称轨迹直接扰动的数据集生成方法及单一形式状态量输入的人工神经网络映射方法,均有效地提升了求解收敛率,能够高效高精度地估计协态变量初值,实现轨迹快速优化。