STABILITY OF THE HIGH-ORDER BAM AND ITS PERFORMANCE ANALYSIS

由Ｔａｉ提出的高阶双向联想存储器（ＨＯＢＡＭ）推广了Ｋｏｓｋｏ的ＢＡＭ，它不仅拥有ＢＡＭ的优点，而且放宽了连续性假定以得到可靠的回忆，并大大改进了ＢＡＭ的存储容量和纠错性能。然而，Ｔａｉ对于ＨＯＢＡＭ的性能分析仅限于计算机模拟，并没有给出理论分析结果。本文填写了此方面空白，并给出ＨＯＢＡＭ稳定性和存储容量的理论证明，使得该系统能从理论上得以保证所有训练模式对成为其稳定点。     

考虑未知扰动的RLV再入鲁棒容错姿态控制

针对复杂再入环境下的可重复使用运载器姿态控制问题,考虑大气的未知干扰、气动参数建模的不确定性以及可能发生的执行器部分失效故障,基于增量反步法和径向基函数（RBF）神经网络设计了姿态角回路和角速度回路的控制器。基于神经网络良好的未知逼近能力,采用RBF神经网络对增量反步法设计过程中的泰勒展开高阶项以及上述未知扰动和故障产生的影响进行逼近估计,并在控制律中进行补偿。经过仿真验证,所设计的控制系统能够在未知扰动影响下有效提高指令的跟踪精度,并且对飞行器的本体特性建模依赖较少,具有良好的鲁棒容错能力。     

基于改进YOLOv4的航空发动机小目标损伤检测研究

智能化的航空发动机损伤检测是飞机故障诊断重要的研究方向,针对现有目标检测模型对航空发动机的小目标损伤检测效果差的问题,提出了一种改进的基于You Only Look Once version 4(YOLOv4)的多尺度目标检测方法。在路径聚合网络（PANet）中构建低层次的特征融合层,将更浅层的特征与深层特征融合,提高网络对小目标损伤的检测性能。为减少网络中的冗余参数,在颈部结构中引入了深度可分离卷积,将标准卷积重构为深度可分离卷积的形式。实验表明：改进后的YOLOv4对小目标损伤的检测精度提升了3.43%,模型大小降低了54.06 MB,同时检测速度提高了31.03%。研究结果表明改进的YOLOv4模型对小目标损伤具有更好的检测性能。     

基于机器学习的非定常流场网格自适应

现有针对非定常流场数值模拟的网格自适应方法,通常每隔一段时间步就进行一次网格调整,增加了计算复杂度和精度损失。针对这一问题,本文基于间断伽辽金（discontinuity Galerkin, DG）有限元法提出了结合BPNN(backpropagation neural network)和MMPDE(moving mesh partial differential equation)的非定常流场网格自适应方法。该方法首先采用DG有限元法对Navier-Stokes方程进行非定常计算,得到统计意义上的网格间断量;然后以初始网格和间断量训练BPNN回归模型,用于预测任意位置节点的间断量;接着使用MMPDE变分法移动网格节点,使其符合统计意义的间断量分布;最终通过Laplacian网格平滑法保证网格单元质量。圆柱绕流非定常流场算例的验证结果表明,该方法能够在不改变网格拓扑结构和不增加节点数的情况下完成一次性网格自适应,显著提高了非定常流场数值计算的精度和效率。     

多源数据融合与改进注意力机制的轴承智能故障诊断

单一传感器信号不能全面表达机械设备的运行特征且容易受到自身品质、性能的影响,为此本文提出了一种多源数据融合与改进注意力机制相结合的滚动轴承智能诊断方法。采集不同位置的传感器振动信号作为模型的输入向量,每一个传感器信号作为一个通道,将多通道信号同时送入模型特征输入层;引入改进注意力机制建立各通道和空间动态权重参数,随着模型训练,不断增强故障特征、弱化无用特征;运用深度卷积神经网络模型的卷积、池化等操作将多传感器信号进一步融合并提取故障特征,输出诊断结果。在进行滚动轴承故障诊断实验时,该方法诊断准确率达到100%,高于准确率最佳值为97.42%的单传感器。与其他方法相比,本文方法可以自适应融合多传感器数据以满足诊断任务的要求,具有良好的自适应性和鲁棒性,为滚动轴承的故障诊断提供了一种可行的方法。     

基于SAE-SA-1D-CNN-BGRU的涡扇发动机剩余寿命预测

为解决涡扇发动机监测数据维度高和寿命预测准确度低的问题,提出一种基于深度学习的寿命预测方法,开展了利用 神经网络获取涡扇发动机剩余寿命的研究。利用堆叠自编码（SAE）网络从高维传感器数据中提取健康因子（HI）,采用1维卷积神 经网络-双向门控循环单元（1D-CNN-BGRU）方法捕捉HI序列中的空间和时间特征,并引入自注意（SA）机制对捕捉的特征分配 权重,使用全连接层输出涡扇发动机剩余使用寿命（RUL）,以此构建复合神经网络进行面向涡扇发动机高维数据的寿命预测。结 果表明：利用NASA官方网站提供的涡扇发动机寿命试验公开数据集C-MAPSS对该方法进行验证,取得了均方根误差16.22和评 分函数225的结果。证明了基于SAE-SA-1D-CNN-BGRU的寿命预测方法可实现涡扇发动机寿命的有效预测,能为涡扇发动机 维修保障及健康管理提供有效决策支撑。     

面向激光焊接缺陷识别的可解释性深度学习方法

激光焊接在航空领域具有广泛的应用场景,基于视觉的激光焊接缺陷识别对于产品质量的提高至关重要。针对当前基于深度学习的激光焊接缺陷识别方法存在可解释性差的问题,提出了一种融合多尺度特征的类激活映射(MSF-CAM)方法。在训练阶段,以VGG16为骨架模型并将监督信息施加于多个尺度以促进模型对多尺度特征的学习。在测试阶段,对输出类别在多个尺度上的激活图进行叠加,并以此作为模型的判断依据。多尺度特征的融入不但增强了模型的可解释性,而且还提高了激光焊接缺陷识别的准确性。试验结果表明：MSF-CAM在测试集上的准确率为98.12%,识别单幅图像耗时8.28 ms。此外,MSF-CAM可以从边缘、轮廓这种初级特征的角度对模型的决策依据提供人类更容易理解的解释。     

基于改进Yolov3 算法的舰船目标检测识别系统

针对复杂战场环境下对海目标检测识别的需求,设计了一种基于改进Yolov3 算法的海面舰船目标实 时检测识别系统。使用微调分类网络、增加训练尺度、聚类目标边框维度、二级特征分类等方法对Yolov3 检 测识别网络模型进行了优化,在提高识别精度的同时有效降低了漏检率和虚警率。实验结果表明,优化后的网 络模型在自建的舰船图像数据库中将检测识别平均准确率提高到了79.3%,对真实海上航拍视频中舰船目标识 别的平均准确率达到了81% 以上。     

自主空战连续决策方法

未来空战正朝着无人化、自主化方向发展,自主空战决策方法是未来空战的重要支撑手段之一。传统空战决策方法由于维度限制,存在无法处理连续动作与远视决策的问题。基于Actor-Critic 方法提出空战连续决策的统一架构,依据空战训练经验对状态空间、动作空间、奖励及训练科目进行合理设计,测试多种连续动作空间强化学习算法在高不确定性空战场景下的学习效果并进行可视化验证。结果表明：基于本文提出的方法架构,可以实现连续动作下的远视价值寻优,智能体可以在复杂空战态势下做出最优决策,对随机机动飞行目标有较高的击杀率,且空战机动轨迹具有较高的合理性。     

神经网络和模糊控制在军事上的应用

给出模糊系统的应用实例，并且阐明两种模糊规则。介绍神经网络与模糊控制在军事上的应用，通过坦克和装甲车分类器工作原理的论述，说明模糊控制与人工神经网络的联合使用其效果比单独使用的效果更好。最后介绍两种神经网络的实现方法。