基于深度学习的发动机叶片故障检测技术

为了解决航空发动机叶片故障检测中存在的检测精度欠佳、检测效率不高的问题,提出了一种基于深度学习的目标检测方法。针对小样本数据集检测精度低、模型训练速度慢等问题,对Faster R-CNN目标检测算法进行结构优化,引入Res2Net结构,通过分割串联的策略强化残差模块的卷积学习能力,搭建了细粒级的多尺度残差模型Res2Net-50,以提升模型的特征提取能力。同时,在网络的训练过程中,采用多次余弦退火衰减法对学习率进行调整,以加快模型的训练速度,提升模型的训练质量。针对航空发动机叶片裂纹和缺损2种故障类型进行网络训练与检测试验,试验结果表明：优化后的模型识别准确率提高了0.7%,模型的平均检测精度提高了1.8%,训练时间缩短了5.56%,取得了比较好的检测效果。     

基于深度强化学习的无人机栖落机动控制策略设计

无人机栖落机动飞行是一种无需跑道的降落方法,能够提升无人机在复杂环境下执行任务的适应能力。针对具有高非线性、多约束特性的无人机栖落机动过程,提出了一种基于模仿深度强化学习的控制策略设计方法。首先,建立了固定翼无人机栖落机动的纵向非线性动力学模型,并设计了无人机栖落机动的强化学习环境。其次,针对栖落机动状态动作空间大的特点,为了提高探索效率,通过模仿专家经验的方法对系统进行预训练。然后,以模仿学习得到的权重为基础,采用近端策略优化方法学习构建无人机栖落机动的神经网络控制器。最后,通过仿真验证了上述控制策略设计方法的有效性。     

基于主动度量学习的空中交通相似场景识别

空中交通的快速增长不断增加了管制员的工作负荷,这已成为制约部门运行的重要因素.如果能够识别出相似的交通场景,就可以利用历史决策经验帮助管制员快速决策控制策略.考虑到交通场景众多且难以标记所有样本,本文提出了一种主动支持向量机度量学习算法(Active SVM metric learning algorithm,ASVM...     

基于增量学习的文本校对研究

基于深度学习的文本校对是近年的研究热点,而在当下这个大数据时代的背景下,新的数据和知识源源不断的涌现,模型需要不断的更新以适应最新的数据分布。本文引入增量学习的方法,在已有模型的基础上,使用最新的数据进行增量训练,并采用基于回放机制的增量学习方法针对增量训练过程中遇到的灾难性遗忘问题进行研究。实验结果表明,本文提出的增量学习方案可以稳步提升模型性能。     

协同空战与多智能体强化学习下的关键问题

自从协同作战的概念提出后,各军事强国在协同空战领域均取得了重大进展,协同成为提升作战能力的倍增器。近数十年来,作为解决序列问题的现代智能方法,强化学习在各领域高速发展。然而,面对高维变量问题时,传统的单智能体强化学习往往表现不佳,多智能体强化学习算法为解决复杂多维问题提出新的可能。通过对多智能体强化学习算法原理、训练范式与协同空战的适应性进行分析,提出了协同空战与多智能体强化学习的未来发展方向,为更好地把多智能体强化学习应用于协同空战提供思路。     

电子对抗技术发展综述

随着雷达低截获技术、通信系统抗干扰技术的发展和战场上智能化电子信息装备部署的应用,战场电磁频谱环境的复杂程度日益增加。如何提高电子战感知环境-适应环境-做出决策-采取行动(OODA)环路速度,实现电磁敏捷,是电子战应对未来复杂战场环境挑战需要解决的关键科学技术问题。通过分析现代雷达技术发展对传统电子战系统的挑战,阐述认知电子战发展的必要性,并从认知概念演变、人工智能技术发展、认知电子战关键技术等方面,对传统电子战向认知电子战发展过程中人工智能技术的应用情况进行分析与总结。     

HINet： 一种面向冰雹识别的多源数据融合网络

冰雹天气具有突发性和局地性强,以及破坏力大的特点。尽管地面自动站、雷达和卫星等获取的观测资料在冰雹识别中发挥了一定的作用,但单一观测资料的局限性导致冰雹识别虚警率较高和准确率较低。因此,亟需构建基于多源高分辨率观测的冰雹识别技术。本文提出了一种面向冰雹识别的多源数据融合网络,该深度学习方法利用时空特征提取模块、多源数据特征融合模块和UCUNet（U Connection Unet,U形连接卷积神经网络）识别模块,充分挖掘冰雹发生时FY4B（风云四号B星）、天气雷达和数值模式等多源数据的时空特征,并创新地加入地形高度、坡度、坡向等作为冰雹识别因子。为评估所提网络方法的性能,本文进行了系列实验,并将实验结果与真实标签数据进行对比。结果显示,HINet（Hail Identification Net,冰雹识别网络）能够充分利用多源数据,在复杂地形条件下有效改善冰雹识别结果,在冰雹研究和识别中具有较高的准确性和实用性。     

基于隶属度和LMK-ELM的航空电子部件诊断方法

为提高航空电子部件模块级故障诊断精度，提出一种新的面向"软聚类"的局部多核学习（LMKL）-超限学习机（ELM）离线诊断方法。通过引入模糊C均值聚类对样本空间进行模糊划分，挖掘聚类内部多样性的同时，实现了对过学习的抑制；将模糊划分产生的隶属度信息融入LMKL-ELM的优化过程，运用基于初始-对偶混合优化问题的三步优化策略克服了局部核权重二次非凸的问题，在l₁-范数与l₂-范数约束下分别给出了相应的更新方法。将所提方法应用于某型机前端接收机，结果表明：与4种流行的多核诊断方法相比，该方法可有效避免漏警、抑制虚警，在l₁-范数和l₂-范数约束下，其诊断精度比其他方法的平均值分别提升了4.09%和5.13%。