基于CNN-BiGRU的学术文本分类研究

针对传统的文本分类模型存在特征提取能力不足和分类准确率较低等问题，提出一种基于卷积神经网络和双向门控循环单元相结合(CNN-BiGRU)的文本分类方法。首先，以图书情报领域相关主题文本摘要为数据源，通过Word2vec进行文本向量化；其次，通过CNN获得输入文本信息的局部特征，并使用BiGRU保留文本中的顺序相关性；然后，选择softmax分类器输出分类结果；最后，与传统的机器学习分类方法和单一的深度神经网络模型分类方法进行对比实验。结果表明，在数据量大的情况下，文中提出的CNN-BiGRU分类模型具有更好的分类效果，其准确率、召回率和F1值均达到了95%以上，能够在一定程度上解决学术文本“信息过载”等问题。     

基于相关性分析与CNN-BiLSTM神经网络的PSZ陶瓷磨削表面粗糙度智能预测

部分稳定氧化锆（Partially stabilized zirconia,PSZ）陶瓷因其优越的性能在航空航天工业等领域有广泛的应用。表面粗糙度是评价PSZ陶瓷磨削加工水平的关键指标，为了降低磨削表面粗糙度的预测误差，提出了一种基于相关性分析与卷积-双向长短期记忆神经网络（Convolution-bidirectional long short term memory neural network,CNN-BiLSTM）的PSZ陶瓷磨削表面粗糙度声发射预测模型。通过分析磨削声发射信号特征值与磨削表面粗糙度值之间相关性，筛选出磨削声发射信号与磨削表面粗糙度之间的最相关频段和特征矩阵，作为CNN-BiLSTM神经网络的输入参数以降低磨削表面粗糙度声发射预测的误差。研究结果表明，基于相关性分析与CNN-BiLSTM神经网络的PSZ陶瓷磨削表面粗糙度的平均预测误差低于3.92%。     

存在物理约束的时变转动惯量航天器姿态控制

对存在角速度和控制输入有界的快速机动航天器姿态控制问题，设计了一种自适应双环姿态跟踪控制器。将虚拟有界角速度作为运动学方程的虚拟控制输入，使姿态控制问题降阶为角速度跟踪问题；构建递归自适应算法估计时变转动惯量及其微分，并基于障碍李亚普诺夫函数和线性回归算子，设计了角速度跟踪误差有界的变增益自适应姿态控制器。结果表明：该控制策略能使抓捕非合作目标航天器的姿态呈指数收敛到期望轨迹，且收敛轨迹不受外部干扰和抓捕瞬间的强干扰影响；在整个控制过程中，航天器的角速度小于0.4 rad/s，控制力矩小于10 N·m，满足了航天器对角速度和控制输入有界的物理限制。