神经网络在旋翼／机身气动干扰模型中的应用

由于直升机自身的特点,旋翼／机身气动干扰呈现非线性,且受多种因素的影响,用神经网络来解决这一非线性问题是一个很好的办法。将旋翼／机身气动干扰试验数据构造的学习样本,对网络参数进行学习,可以得到旋翼／机身气动干扰神经网络模型,进而可以用该神经网络模型研究直升机机身受旋翼气流干扰时的空气动力特性。参数训练好的旋翼／机身气动干扰神经网络模型可直接用于直升机气动设计和实时仿真。笔者在对旋翼／机身气动干扰神     

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。     

一种结合等变滤波和视觉观测网络的混合视觉惯性里程计

传统的面向惯导的滤波器在设计时通常没有考虑零偏状态的几何性质,针对这一问题,提出了新的群以及群作用,并以此为基础推导了一种新的等变滤波方法。为了验证该滤波算法的性能,构建了一个基于学习的结合等变滤波和视觉观测网络的视觉惯性里程计系统,名为Deep-EqF-VIO。首先,构建了流形上的导航状态动力学系统,其次根据等变滤波原理推导了等变滤波方法,最后结合视觉观测网络构建了视觉惯性里程计系统。为了进一步提高系统性能,提出了一种融合稠密光流伪标签的预训练方法,通过光流估计任务引导视觉观测网络从输入图像中提取更加通用的几何运动特征。实验结果表明,在大多数场景中,Deep-EqF-VIO相较于同类方法有更好的表现,并且在使用预训练方法进行重新训练后,性能得到了进一步的改善,误差下降率最大达到了49.80%,具有一定的应用前景。     

基于深度学习的非合作航天器姿态估计

针对空间非合作航天器姿态测量时受光照和地球背景影响大的问题,提出了一种基于卷积神经网络的端到端姿态估计方法.在该方法中,主干网络采用AlexNet与ResNet.首先,移除主干网络末端的全连接层,并列连接3个全连接层,采用三分支网络分别对姿态角进行估计.然后,设计了将分类问题与回归问题相结合的损失函数,通过分类方法将姿态估计限定在某一范围内,再使用回归方法进一步微调姿态.姿态分类损失函数确定姿态角度基准点,姿态回归损失函数对估计角度进行微调.相较于仅采用回归方法进行姿态估计,此方法能够有效减小姿态估计平均绝对误差、标准差与最大误差.实验对比了不同主干网络的测量精度,平均绝对误差在0.376°～0.746°之间,最优标准差为0.474°.     

基于神经网络的MIMO非线性最小相位系统鲁棒自适应控制

 针对一类模型未知的具有不确定性和外部干扰的多输入多输出（MIMO）非线性最小相位系统提出了鲁棒自适应输出反馈跟踪控制方案。用高斯径向基函数（RBF）神经网络逼近对象未知非线性,用高增益观测器估计系统不可测量状态。所设计的鲁棒自适应控制器不仅能使闭环系统稳定,所有状态有界,而且跟踪误差一致最终有界,并保证最终边界足够小。仿真结果表明了所提出方法的有效性。     

基于L-M网络的涡扇发动机动态过程辨识

介绍了多层前馈网络的Levenberg-Marquardt (LM)算法,对涡扇发动机动态过程的数学模型进行了分析和简化,运用多层前馈网络L-M算法对涡扇发动机进行加力推力变换时的非线性MIMO动态过程的数学模型进行了辨识,辨识所用样本数据和测试数据均为试飞实测数据.辨识结果表明,这种方法收敛快精度高,非常适合于涡扇发动机非线性动态过程的建模.     

基于神经网络与蒙特卡洛方法的疲劳寿命可靠性分析

通过加速腐蚀试验以及疲劳试验数据,对腐蚀损伤表征因子(腐蚀坑最大宽度、腐蚀坑最大深度、点蚀率)进行统计分析,应用神经网络和蒙特卡洛法对6A02铝合金试验件的疲劳寿命进行可靠性分析,分析结果与实验结果的相对误差在工程上可以接受。     

基于神经网络的飞行器总体优化设计

针对经验公式存在的精度低、适用范围受限的缺点,采用广义回归网络代替经验公式计算气动特性,并将其嵌入到优化设计流程之中,提出了一种基于神经网络的飞行器总体优化设计方法。神经网络的训练样本输入、输出数据通过试验设计和涡格法计算得到。以高空长航时无人机为例,选取航时与机翼结构重量系数作为目标函数,应用所提出的方法进行总体优化设计。计算结果表明,提出的方法是可行的,能够满足设计要求,同时降低优化过程的复杂程度,减少迭代次数。     

基于DQN的反舰导弹火力分配方法研究

反舰导弹作为海上作战的主战武器,由于其精度高、射程远、威力大等特性长期以来一直被当作舰艇编队的主要防御对象。针对反舰导弹打击舰艇编队的火力分配问题,我们提出了一种基于深度Q值网络求解反舰导弹火力分配策略的算法。不同于现有的基于领域知识的方法,深度Q值网络无需依赖任何先验信息,就能够通过与模拟器的交互自动求解最佳的攻击策略。该算法使用深度神经网络拟合Q值函数,解决了传统强化学习中的状态空间过大无法遍历的问题。实验结果表明,在各种不同的舰队防御配置下,深度Q值网络求解得到的攻击策略均获得了最佳的毁伤效果。