基于卷积神经网络的航天复合材料缺陷智能检测

针对传统的缺陷图像识别处理方式存在着准确度与辨识度不足,且处理缺陷种类单一的问题,提出了一种基于Cascade R-CNN和Mask R-CNN的神经网络模型。首先,为了提高缺陷检测的可视化效果和检测准确度,在实例分割卷积网络Mask R-CNN的基础上,结合级联神经网络Cascade R-CNN结构,组合成了新的级联实例分割Cascade Mask R-CNN网络;其次,对组合而成的级联卷积神经网络进行了训练,将训练好的模型对复合材料缺陷图像进行了检测。实验结果表明:检测的平均准确度达到了91.5%,平均置信度达到了97.3%,达到了检测精度的要求。该研究成果可运用于航天复合材料缺陷识别。     

基于卷积神经网络的终端空域交通复杂度辨识

辨识终端空域交通复杂度对空中交通管理的安全和效率起着关键作用。利用交通态势的瞬时图像,基于深度学习研究终端空域交通复杂度的辨识方法。构建交通态势图像,并通过对复杂性指标进行聚类实现数据标记。提出了基于卷积神经网络分类的交通复杂度辨识方法。以广州终端空域的进离场运行为研究案例实施验证。结果表明,一方面,包括飞机经度、纬度、高度和速度信息在内的图像可以充分代表空中交通的复杂性;另一方面,所提出的模型可以有效识别终端空域空中交通复杂性。     

基于MHSA和C- BiGRU的航班延误预测研究

针对普通神经网络预测人为因素造成的航班延误能力不足的问题,提出了一种基于多头自注意力机制和卷积双向门控循环单元的预测模型(MHSA-C-BiGRU)对航班延误问题进行研究。模型采用卷积双向门控循环单元(C-BiGRU)提取局部信息和上下游数据的时序信息,利用多头自注意力机制(MHSA)的并行能力从不同位置提取数据内部之间的特征,强化重要信息的权值,使模型聚焦到对当前任务更重要的信息,从而增强模型分析人为因素造成的航班延误的能力。研究使用2018年上海浦东机场的航班数据和气象数据。结果表明,预测模型相对于基础模型的预测准确率提高了4.4%,各项宏平均值有8%的提高,各项权重平均值有5%的提高。     

模拟电路故障诊断技术研究

介绍了模拟电路故障诊断的现状及特点,对基于网络撕裂法的故障诊断方法进行了研究,探讨了基于BP神经网络的故障诊断方法及其在模拟电路上的应用,并指出了故障诊断技术的发展趋势。     

基于小波神经网络的模拟电路故障诊断

介绍了模拟电路故障诊断的神经网络方法及小波神经网络,以一带通滤波器为例,提出了一种基于输出灵敏度分析,利用多频测试生成故障特征向量训练小波神经网络进行故障诊断的方法。仿真结果表明小波神经网络作为故障分类器具有收敛速度快,诊断准确等特点。     

轮盘低循环疲劳寿命预测方法研究及试验验证

针对轮盘低循环疲劳载荷非对称及其主要寿命区限,提出了一种简化的Walker应变寿命预测模型,在寿命预测中考虑了轮盘危险部位数目的影响.进行了GH4133材料轴向应变控制的低循环疲劳试验;设计了涡轮盘低循环疲劳试验件,在旋转试验器上进行了涡轮盘的高温低循环疲劳试验.结果表明:轮盘低循环疲劳寿命预测方法是有效的,对试验涡轮盘的寿命预测精度在2倍散度以内.     

基于旋转矩阵的预设时间航天器编队姿态协同控制

由多个航天器组成的编队系统对复杂的环境往往具有较高的适应性和容错性,能更高效率地完成单航天器难以完成的任务。因此主要针对多航天器系统的姿态协同控制问题,提出一种基于旋转矩阵的预设时间控制算法。首先,为了避免航天器姿态建模的奇异性和模糊性问题,采用旋转矩阵对航天器的姿态进行统一描述,同时结合有向的通信拓扑对航天器姿态协同控制系统进行建模。其次,为赋予系统可控的收敛速度,提出一种基于滑模的预设时间控制算法。该算法的引入使得航天器编队系统的收敛时间可以在合理的范围内任意给定。此外,为了实现系统对参数摄动和外部干扰的鲁棒性,采用神经网络和自适应算法对不确定性进行在线估计与补偿。最后,通过理论分析和数值仿真验证了所提预设时间控制算法的有效性。     

基于神经网络的重力卸载系统控制器设计

吊挂系统是地面模拟空间机械臂重力卸载试验的重要方法之一.针对传统PID控制方式动作响应慢、鲁棒性差等缺点,提出了一种基于径向基函数(RBF)神经网络的智能控制方式.该方式有很强的非线性拟合能力,且学习规则简单,可映射任意复杂的非线性关系,便于计算机实现.利用该特性,设计了一种重力卸载精度较PID控制方式更高的控制器.该...     

基于灰色神经网络的管制员人力资源需求预测

近年来,民用航空事业发展迅速,尤其是飞行流量的增加更加重了空中交通管制的负担。因此对于空管人员的需求也在不断提高,所以本文将对空管局内管制员进行人力资源需求预测。本文结合交通需求与相关数学模型提出定量预测方法,进而使空管人力资源得到合理有效的应用。首先,对管制员劳动强度进行了分析;其次,使用灰色神经网络模型,通过每年该区的GDP数据预测未来区域交通流量,进而预测出区域扇区开放时长;在此基础上建立基于劳动强度分析与扇区开放时长的空管人力资源需求预测模型;最后以云南分局为例,得出区域未来人员需求数量。本文的研究成果,可以为国内各空管局提供参考,也可以作为保证安全运行、提高服务品质、促进行业发展的必要条件。     

基于群体进化策略的电磁态势预测

针对战场电磁态势预测问题,基于群体智能优化算法的可靠性与全局性等特点,提出了一种利用融合Cholesky因子更新的CMAES算法优化的RBF神经网络方法,利用在CMAES算法中添加Cholesky的秩-μ更新来提高算法的速度和准确度,提高网络学习的效率与预测精度。仿真实验验证了该方法可以有效提高电磁态势的运算速度与精度。