基于深度置信网络的近距空战态势评估

针对传统态势评估方法权值确定困难、大规模数据处理和特征提取能力不足的问题,结合当前空战数据特征,将深度置信网络(DBN)应用于近距空战态势评估。通过密度峰值算法对空战特征数据进行聚类分析,并结合态势函数和专家判读进行修正,建立标准空战态势样本库;以重构误差和测试错误率为基础,建立网络拓扑结构和最优参数确定方法,提高模型的训练效率,并通过样本数据,对模型进行训练和验证。实验表明,模型态势分类正确率达到92.7%,模型运行时间满足应用需求,实例评估结果与客观态势一致性强。     

基于深度学习的航空发动机故障融合诊断

通过对航空发动机故障诊断,能够正确判断各部件工作状态,快速确定维修方案,保证飞行安全。在结合深度信念网络和决策融合算法的基础上,提出了基于深度学习的航空发动机故障融合诊断模型。该模型通过分析发动机的大量性能参数,先利用深度学习模型提取出性能参数中的隐藏特征,得出故障分类置信度;其后对多次故障分类结果进行决策融合,从而得出更准确的诊断结果。将普惠JT9D发动机故障系数用于数据仿真,通过算例验证本文算法的有效性;算例计算结果表明:多次实验结果经数据融合提高了可信度,该模型具有较高的故障分类诊断准确性和抗干扰能力。      

基于半监督集成学习的多核设计空间探索

随着处理器的系统结构日趋复杂,设计空间呈指数式增长,并且软件模拟技术极为费时,成为处理器设计的重要挑战。提出了一种结合集成学习和半监督学习技术的高效设计空间探索方法。具体而言,该方法包括2个阶段:使用均匀随机采样方法从处理器设计空间中选择一小组具有代表性的设计点,通过模拟获得性能响应,从而组成训练数据集;提出基于半监督学习的AdaBoost（SSLBoost）模型预测未模拟的样本配置的响应,从而搜索最优的处理器设计配置。实验结果表明,与现有的基于人工神经网络和支持向量机（SVM）的有监督预测模型相比,SSLBoost模型能够使用更少的模拟样本构建出不差于现有方法性能的预测模型;而当模拟样本数量相同时,SSLBoost模型的预测精度更高。      

基于随机森林的月球表面软着陆实时最优控制

针对传统月球表面软着陆在处理入轨偏差或降落过程轨迹偏离实时性差,文章提出一种通过监督学习离线训练随机森林结构,使得着陆器在降落过程中根据其状态,通过训练的随机森林结构在线计算其控制量,从而达到实时控制的目的。文章还提出一种基于随机森林的模型对月球着陆过程轨迹重规划技术,通过动力学建模将月球着陆过程分成制动段、接近段和着陆段共3个阶段,利用离线训练好的模型根据航天器状态在线计算其控制量,并通过三段下降过程逐渐降低航天器位置速度误差。仿真结果表明,针对入轨偏离500m的情况,通过第一阶段将位置误差缩短至50m,保证了航天器状态位于第二阶段训练集内,经过接近段后再将位置误差缩小至10m范围内,速度误差降至0.01m/s量级,满足着陆误差要求,且控制量计算时间短,达到了轨迹实时重规划的目的。     

基于群体意志统一的无人机协同围捕策略

针对无人机(UAV)协同围捕问题,提出一种基于群体意志统一的围捕策略。受人类在协作任务中的认知机理启发,引入“群体意志”定义无人机的协作认知,并构建双回路认知模型,借助图卷积网络对围捕无人机获取的局部态势进行融合认知,有效减轻无人机系统的计算负载。依靠变分推断原理和生成式自动编码器对围捕无人机进行群体意志趋同学习,依据Apollonius圆实现协同围捕,使无人机集群涌现出更加智能化的围捕效果。通过对比仿真验证了所提策略的有效性和智能性。     

基于图对比注意力网络的知识图谱补全

知识图谱(KG)补全旨在通过知识库中已知三元组来预测缺失的链接。由于大多数方法都是独立地处理三元组,而忽略了知识图谱所具有的异质结构和相邻节点中固有的丰富的信息,导致不能充分挖掘三元组的特征。考虑基于端到端的知识图谱补全任务,提出了一种图对比注意力网络(GCAT),通过注意力机制同时捕获局部邻域内实体和关系的特征,并封装实体邻域上下文信息。为了有效封装三元组特征,引入一个子图级别的对比训练对象用于增强生成的实体嵌入的质量。为了验证GCAT的有效性,在链接预测任务上评估了所提方法,实验结果表明,在数据集FB15k-237中,MRR比InteractE提高0.005,比A2N模型提高0.042;在数据集WN18RR中,MRR比InteractE提高0.019,比A2N模型提高0.032。实验证明提出的GCAT模型能够有效预测知识图谱中缺失的链接。     

基于时序建模的卫星故障检测方法

为解决当前卫星故障检测面临的依赖规则库、多元特征融合不足以及数据正负样本分布不均衡等问题,从卫星数据的时序特性出发,提出基于时序建模的卫星故障检测方法与半监督模型,实现卫星数据规律的有效挖掘与数据驱动的故障检测。考虑卫星数据间的时序关联,提出基于长短期记忆神经网络的卫星故障检测方法,并引入滑动窗口机制实现卫星数据的有效预测与故障检测。考虑卫星数据多元特征参数间的关联关系,引入时间卷积和自编码器神经网络,同时建模不同时刻、多元特征参数间的依赖关系,实现融合多元特征参数进行卫星故障的有效检测。以某型号卫星电源分系统为实验对象,仿真结果表明,所提算法和模型在关键指标方面优于BP神经网络等传统故障检测方法和模型。     

新建财经类本科研究性教学的必要和可行性研究

基于国内外研究性教学研究与实践的现状,从市场需求、人才培养及国家政策方面论证了新建财经类本科院校开展研究性教学的必要性,从理论基础、教师素养、学生素质三个角度对新建财经类本科院校研究性教学实施的可行性进行了探讨,为新建财经类本科院校研究性教学模式的探索与实践提供了理论依据。     

基于自编码网络的导弹攻击区实时计算方法

针对传统中远距空空导弹三线攻击区无法为飞行员提供丰富的战术决策信息,火控系统计算攻击区实时性差、精度低的问题,提出以攻击机为中心,考虑目标逃逸机动的新型导弹杀伤包线概念。分析经典战例中目标机规避导弹的常见机动方式,将攻击区抽象为导弹的七种杀伤包线,给出准确的计算方法并进行离线仿真。确定8种影响杀伤包线的运动参数,构建样本库。引入深度学习方法,建立降噪自编码网络（AE）模型,采用无监督学习提取样本初级特征,获取表征样本库非线性规律的高维特征量;建立深度网络模型,采用监督学习提取高维特征量中的高级特征并进行拟合。实验表明深度网络的拟合值与六自由度仿真结果以及导弹真实数据相比,误差可控制在15 m之内;网络在线解算只需0.04 s,能够满足实时性需求;新型杀伤包线为飞行员及时掌握敌我态势提供了有效的辅助信息,为机动决策提供理论依据。