基于DDQN的片上网络混合关键性消息调度方法

对片上网络（NoC）承载的混合关键性消息进行实时调度是其应用于航空电子系统片上多核通信的关键。为解决可满足性模理论（SMT）法求解效率低、低优先级消息等待延迟大的问题,提出了一种基于双深度Q网络（DDQN）的混合关键性消息调度方法。将虫孔交换机制下的消息调度问题建模为马尔可夫决策过程,建立包含环境、动作、状态、奖励的多层感知调度模型;随机生成多组分布不同的混合关键性消息作为训练样本,采用DDQN算法求解该调度模型;在此基础上,提出并实现了带孔隙DDQN算法,在保证时间触发（TT）消息可调度前提下为速率约束（RC）消息预留用于虫孔交换的时隙。算例研究表明:所提方法的求解时长及TT消息确定性端到端延迟的平均值均低于SMT法;带孔隙DDQN算法的RC消息延迟较不带孔隙DDQN算法和SMT法显著降低。      

基于ANFIS的智能导航自适应滤波算法研究

智能导弹等智能化飞行器在快速跨域、高速机动飞行时,由于传感器切换、外形改变等因素,会对组合导航信息融合系统引入随机非Gauss噪声等影响,离线优化的参数往往不能满足滤波器精度的需求。自适应网络模糊推理系统ANFIS是一种将人工神经网络和模糊推理技术相结合而成,符合人类认知特点的决策方法,它可以对导航数据进行学习,实现智能决策、实时修改滤波器内部参数,对滤波器进行优化。仿真结果表明,基于ANFIS优化的智能导航自适应滤波算法可以有效减少噪声和干扰带来的影响,提高导航精度。     

XLG3TM手持式工业视频内窥镜三维相位测量

GE检测控制技术业务是一个行业领先创新者,业务涉及传感测量,无损检测技术,状态监测,与自动化优化控制领域,帮客户实现精确、高效和安全.旗下产品广泛应用于航空航天、石油天然气、电力、运输、医疗等行业.     

基于模糊神经网络的某型直升机可靠度预测

为了实现某型直升机可靠度准确预测,建立了基于自适应模糊神经网络的可靠度预测模型。该模型以故障间隔时间为输入,以可靠度为输出,通过模糊神经网络自适应训练获得适合直升机可靠度预测的故障间隔时间隶属函数。对模型进行检验取得了较好的仿真结果,与应用RBF神经网络进行可靠度预测相比速度更快,同时预测精度提高了98.4%。     

联立法求解月面上升段最优轨迹的快速收敛控制技术

为了更好地解决复杂约束下的航天器月面上升段在线轨迹规划问题,提出了一种求解最优轨迹的联立框架。首先利用有限元正交配置法将状态变量和控制变量完全离散化,得到一个非线性规划命题。考虑到命题中含有较多的不等式约束并且会随着有限元的增加而增加,故采用内点算法对非线性规划命题进行求解。离散化后的非线性规划命题的规模大幅度增加,导致了优化计算难度的加大和求解时间的增加,为了便于联立法的在线应用,采用收敛深度控制策略从平衡解的精度和计算效率的角度来改进优化算法的实时性。以某航天器载人返回任务月面上升段场景为算例进行仿真,结果表明基于联立法求得的最优控制量序列得到的飞行轨迹满足轨道根数的精度要求,同时利用收敛深度控制策略可以实现快速收敛控制。     

基于粒子群神经网络的轮盘优化

将粒子群算法(PSO)和BP神经网络相结合, 构建了一种新型智能结构优化算法.PSO方法除用于结构优化外, 还被用于BP神经网络的构造及网络训练, 使之可自适应调整优化.结构优化中, 以BP神经网络取代有限元方法, 通过设计变量来映射目标函数和约束, 从而大大提高了计算速度.将此方法用于轮盘结构优化, 使得轮盘体积减少了17.5%, 结果通过检验.该方法便捷、高效, 为解决工程结构优化问题提供了一个新途径.      

基于BP神经网络的飞机完好率建模研究

飞机完好率是检验航空兵部队装备作战能力的重要参数.首先研究了飞机完好率的定义及其计算公式,然后建立了飞机完好率的BP神经网络预测模型,仿真结果验证了该模型的精确性和有效性.     

基于动态逆和神经网络的机动弹头姿态控制系统设计

机动弹头是复杂的非线性系统,它给姿态控制系统设计人员以极大的挑战。为了满足飞行稳定性要求,提高系统的适应性和鲁棒性,本文构造了动态逆神经网络姿态控制系统,设计了慢变量和快变量动态逆,引入了在线神经网络进行逆误差的补偿。实例仿真的结果表明:动态逆和在线神经网络的结合,能够实现弹头的稳定飞行。     

一种新的重频特征识别方法

针对雷达脉冲重复间隔类型识别中存在的问题,提出了一种结合神经网络技术的重频识别方法.该方法分别对7种雷达重频模式,提出了新的特征矢量提取方法,并引用神经网络进行识别.实际仿真结果表明该方法是有效的,特别是对重频固定、重频滑变及重频抖动模式在高漏脉冲率的条件下依然具有较高的正确识别率.     

未知空间目标纹理缺失表面三维重建算法

针对传统三维重建方法难以对纹理缺失表面进行完整重建的问题,提出一种基于深度学习与截断符号距离函数(TSDF)融合的未知目标三维表面完整重建算法。首先设计一种基于深度学习的图像逐像素深度估计框架,通过在训练过程中引入多个复杂结构模型,提高该深度估计框架的泛化能力;其次,利用TSDF对各帧图像所估计的深度信息进行融合,实现对纹理缺失区域的空间目标完整三维重建。根据仿真校验,对于300 mm尺寸的卫星模型图像,像素深度估计平均误差约为13 mm,通过TSDF融合后尺寸精度误差小于5.10%。实验结果表明该算法可以对未知空间目标光学图像进行逐像素深度估计,并获得目标完整的三维结构与纹理信息,有效解决无纹理区域的重建结构缺失问题。