基于机器学习方法的三维粒子重构技术

通过三维粒子重构获取粒子场的分布情况是层析粒子图像测速的关键步骤,有限二维投影下的三维粒子重构是一个欠定的反问题,其精确解往往很难得到.一般情况下,可以通过优化方法得到近似解.为了获取质量更高的粒子场并用于层析粒子图像测速,提出了一种基于卷积神经网络(Convolutional Neural Networks,CNN)...     

弱引力下小行星动量驱动机器人的可控跳跃行为

以小行星表面着陆探测为背景,提出一种动量驱动机器人(MoRo)以满足弱引力复杂环境下的探测需求。该机器人利用弱引力环境下的摩擦和碰撞特性,通过主动辨识环境参数,规划和控制动量轮以产生期望的驱动力矩,完成可控性跳跃及腾空后的稳定拍照等任务。首先,基于MoRo的动量轮刹车机构特性,分析了MoRo在弱引力环境下的跳跃机理并对其跳跃方式进行了规划;接着考虑动量轮驱动机构三闭环伺服系统的非线性特性,基于Herze碰撞模型和Karnopp摩擦模型建立了MoRo在小行星表面的跳跃行为动力学模型;其次,使用机器学习算法建立环境参数和MoRo运动的函数关系,并基于环境参数规划动量轮转速实现跳跃距离和腾空高度的可控。最后,通过数值仿真校验了MoRo跳跃规划方法和控制方法的可行性。     

气象雷达探鸟技术综述

气象雷达组网特别适用于大陆范围内鸟类大规模活动的观测。首先介绍了美国和欧洲相对成熟的基于气象雷达组网的鸟情预警系统，并对二者的性能进行了对比分析。然后，从目标回波幅度、高度分布、飞行速度和方向等方面分析了气象雷达飞鸟目标的回波特性，进而讨论了杂波抑制、气象信息剔除、飞鸟目标特征提取、机器学习、交叉验证等气象雷达鸟情信息提取技术。在此基础上，介绍了气象雷达组网探鸟在鸟类生态学研究和鸟击防范方面的应用。最后，从探测覆盖范围和气象雷达系统性能2个方面，讨论了在中国建立基于气象雷达组网的全国鸟情预警系统的初步构想。     

基于机器学习的导弹干扰试验效果评估实证研究

针对复杂电磁环境下导弹干扰试验影响因素众多,难以量化,试验数据采集困难以及实验数据中普遍存在类不平衡等问题,基于机器学习创建导弹试验干扰效果评估模型,采用随机森林、支持向量机、朴素贝叶斯、多层感知机等常见模型对导弹试验干扰效果进行评估。特别针对小数据样本中的类不平衡问题提出 2阶段分类模型,采用过采样方式解决类不平衡问题并采用随机森林进行分类。基于开源的导弹干扰效果评估数据,通过实证研究说明,基于过采样的随机森林模型在干扰效果评估问题中具有较强的泛化能力和鲁棒性,在 AUC指标上,该模型比多层感知机模型在中位数上最多提高 60%,建议在后续的试验中采用该模型进行导弹干扰效果评估。     

一种适用于航天器某些故障诊断的知识获取方法

尽可能快地找出航天器在工作过程中出现的故障，采取补救措施，可减少或避免重大损失。故障诊断专家系统可帮助人们作出快速诊断，但它的诊断准确率主要取决于其知识的正确性。以往这些知识是靠领域专家给出的。本文根据航天器某些故障的特点，提出了一种处理连续变元示例的知识自动获取方法，用这种方法获取的诊断故障的规则，在实践中检验是正确的     

人工智能在OODA 循环中的应用

当前人工智能(AI) 是商业和工业，甚至军事应用领域中最热门的流行语。军事国防领域也已经将人 工智能发展成为了一种技术，并应用到军事作战和决策系统中。最初OODA 循环是最知名的空战战术模型， 后来发展成为各国空军的作战方法。OODA 循环对于任务的定义和决策过程的理解起到了重要的作用。本文主 要研究了人工智能在OODA 循环决策中的应用。讨论了未来OODA 循环各阶段中所需的AI 作用和技术，包 括可解释的人工智能和基于学习的人工智能。     

结合颅骨形态特征与神经网络的民族判别

针对颅骨民族判别问题，提出结合颅骨形态特征与神经网络的判别方法，可以推进法医人类学的发展，加快探索民族发展历程。首先，根据颅骨形态学相关研究，提取36个维吾尔族和汉族颅骨数据的几何特征；其次，采用反向传播神经网络（BPNN）对特征向量进行民族判别，并通过Adam算法对网络进行优化，避免陷入局部最优值，添加正则化项保证算法稳定性；最后，分别采用2种网络结构进行对比实验，输入层、隐藏层和输出层的神经元个数分别为36、6、2和36、12、2，并设置不同初始学习率进行对比实验。结果表明:隐藏层神经元个数为12、学习率为0.000 1时，分类精度最高，测试阶段平均准确率最高为97.5%。为了验证所提方法的普适性，生成116例国外颅骨数据进行实验，测试阶段平均准确率为90.96%。相比较于支持向量机（SVM）、决策树、KNN、Fisher等机器学习方法，所提方法学习能力更强且分类精度有明显提升。      

基于推演式聚类学习算法的卫星健康状态监视系统

提出一种基于推演式聚类学习算法的卫星通用健康状态监视系统,应用卫星运行数据构建多维空间向量集,通过聚类生成健康状态知识库,可以实时监视卫星遥测状态。使用某卫星热控分系统的测试数据对该系统的有效性进行了验证,结果表明:该系统具有较好的卫星异常健康状态识别与评估的能力和准确度,可为卫星健康状态监视手段的选择提供参考。     

顾及样本优化选择的机器学习云检测研究

针对云层日变化、云类型、云相态、云光学厚度等特征差异带来的光谱差异,导致传统阈值算法对云识别精度不高的问题,文章提出了一种顾及样本优化选择,耦合物理阈值方法和机器学习的云检测算法模型,利用“葵花8号”卫星（Himawari-8）数据进行日间云检测。通过样本优化选择,使样本中尽可能包括不同情形下的云特征,为机器学习模型提供良好的样本基础,增加模型泛化能力;同时输入特征除了考虑反照率、亮温、亮温差以及天顶角等因素外,还加入了基于反照率和亮温差的物理阈值方法云识别结果;最后基于极限随机树模型进行云检测。结果表明：模型云检测交叉验证精度为96.41%,总漏检率和总虚检率分别为2.08%和0.91%;通过云-气溶胶激光雷达与红外探路者卫星观测（CALIPSO）产品数据进行对比分析,结果显示云检测总体精度为97.1%。     

人工智能气动特性预测技术在火箭子级落区控制项目的应用

发展了一种基于人工智能算法的气动特性预测技术,在开展部分工况风洞试验基础上,结合少量数值仿真结果,通过机器学习模型预测全部工况气动特性.该方法能够降低研制成本,缩短周期.先后解决了相关函数选择、模型超参数训练、数据检验和"人在回路"应用等关键算法与技术问题,应用于运载火箭子级栅格舵落区控制项目气动研制,获得了设计所需完...