基于深度学习的电力数据分析研究

针对传统电力数据分析方法存在适用范围有限、模型复杂等导致电器分类准确率较差的问题,提出了一种基于多层堆叠长短期记忆(Long short-term memory,LSTM)网络的电力数据分析模型。首先,根据电力数据的频谱图、Mel频率倒谱系数(Mel-Frequency Cepstral Coefficient,MFCC)和Mel频谱图提取电力数据的特征,然后将其应用于深度学习模型并提高分类任务的性能,从而改善过拟合问题。其次,建立了一个多层堆叠LSTM模型,从而有效提高模型的分类和回归能力。最后,提出了一种改进的软独热编码和多尺度训练方法,从而防止峰值概率分布,提高模型的泛化能力。实验阶段,以家庭电力数据集为例,对所提模型进行验证。仿真结果表明,所提模型软独热编码及多尺度训练对加快训练效果具有一定效果,最终分类准确率到达89.85%。     

基于物理信息神经网络的飞机气动参数辨识方法

在飞机设计与研制过程中，通过气动参数辨识建立可靠的飞行动力学模型非常重要。传统的气动参数辨识工程算法，诸如极大似然法，需要给出合理的飞行动力学模型以及待辨识参数的初值。基于传统神经网络的气动参数辨识可以避免飞行动力学建模过程，这种方法需要通过增量法、导数法间接地从神经网络提取气动参数。本文提出了一种基于物理信息神经网络的飞机气动参数辨识方法，可将含待辨识参数的飞行动力学模型作为正则项加入损失函数，直接辨识得到气动参数。该方法可以显著减少建模数据需求，也能提高建模精度。飞行仿真数据验证结果表明，该方法的无噪声、含2%噪声仿真数据，纵向飞行状态空间模型辨识最大相对误差分别为1.80%、4.64%，表明了基于物理信息神经网络的飞机气动参数辨识方法具有可行性，并对含噪声的飞行数据具有泛化性。     

基于深度学习的无人机航拍视频多目标检测与跟踪研究进展

随着无人机航拍的数据采集愈加便捷，以无人机为平台的多目标检测与跟踪技术发展迅速，在智慧城市、环境监测、地质探测、精准农业和灾害预警等民用和军事领域有着广泛的应用前景，近年来深度学习的突飞猛进也为其提供了多种更为有效的解决思路。然而，无人机视角下目标外观发生突变、目标区域被严重遮挡以及目标消失和重现等挑战性的问题尚未完全解决。综述了基于深度学习的无人机航拍视频多目标检测与跟踪算法，总结了该领域的最新进展，包括多目标检测、多目标跟踪2个模块。多目标检测模块划分为双阶段与单阶段两个部分。对于多目标跟踪模块则依据基于检测的跟踪和联合检测的跟踪2个经典框架，分别阐述了2类算法的原理并分析其优缺点。随后对现有的公开数据集进行统计分析，并对基于无人机航拍视频的多目标检测与跟踪领域内标杆挑战赛VisDrone Challenge近年来的最优方案进行了对比分析。最后总结了无人机视角下多目标检测与跟踪亟待解决的问题并展望未来可能的研究方向，为后续相关研究的人员提供参考。     

基于ADDPG策略的超立方体卫星编队控制

针对大规模卫星高精度编队控制问题，提出了一种基于吸引法则的深度确定性策略梯度控制方法(attraction-based deep deterministic policy gradient, ADDPG)。首先阐述了超立方体拓扑编队拓扑构型特性，建立了卫星编队动力学模型，设计了超立方体卫星编队虚拟中心用于衡量编队整体飞行状态。为解决无模型深度强化学习的探索和扩展平衡问题，设计了ε-imitation动作选择策略方法，最终提出了基于ADDPG的卫星编队控制策略。算法不依赖于环境模型，通过充分利用已有信息，可以降低学习模型初期探索过程中的盲目试错。仿真结果表明ADDPG策略以较少的能量消耗达到更高的精度，相比知名算法在加快编队收敛速度的同时，误差减少5%以上，能量消耗减少7%以上，验证了算法的有效性。     

基于视听融合的宽频带振动频谱提取（英文）

提取振动频谱对于旋转机械的故障诊断至关重要。环境和噪声的多样化限制了传统单模态振动提取方法的性能。由于视听信号具有不同的采样频率、噪声和环境限制，视听融合算法可以有效解决单一模态存在的问题。基于此，文中提出了一种基于视听融合深度卷积神经网络的宽带频谱提取方法，该方法充分融合了不同模态的有效信息。该模型基于双流编码器从不同的模态中提取特征，使用深度残差融合模块提取高级融合特征并输出给解码器。实验结果表明，该模型的表现优于最新的振动提取方法，如Reg Net, MFCNN及L2L等，噪声环境下的振动频谱提取准确率提高15%。     

基于深度强化学习的空战机动决策试验

空战智能决策将极大改变未来战争的形态与模式。深度强化学习决策机可以挖掘飞行器潜力，是实现空战智能决策的重要技术范式，但其工程实现鲜有报道。针对基于深度强化学习的双机近距空战机动智能决策的工程实现问题，开发了适于应用的深度神经网络在线机动决策模型，发展了通过飞行控制律跟踪航迹导引决策指令的机动控制方案，并进一步开展了软硬件实现工作与人机对抗飞行试验，实现了智能空战从虚拟仿真到真实飞行的迁移。研究结果表明基于本文发展的近距空战机动决策及控制方法，智能无人机在与人类“飞行员”的对抗中能够迅速做出有利于己方的动作决策，通过机动快速占据态势优势。研究结果显示了深度神经网络智能决策技术在空战决策中的潜在应用价值。     

基于深度学习的飞行器故障情况下可配平能力快速预示方法

针对飞行器在执行机构故障条件下配平能力受限的问题，本文提出了一种基于深度学习的故障情况下可配平能力快速预示方法。首先，建立飞行器气动力矩和执行机构故障模型，并给出飞行器旋转配平条件。其次，在不同执行机构故障情况下，采用基于二次规划的可配平能力求解方法，在迎角/侧滑角二维平面内进行遍历求解，得到当前故障情况下的可配平能力剖面，并采用8个特征点进行包络，同时为所提方法提供样本。再次，利用深度神经网络强大的拟合能力，从样本中提取故障和气动力矩信息作为网络输入，特征点的迎角和侧滑角的值作为网络输出，离线训练深度神经网络。利用训练好的深度神经网络根据当前故障信息实时计算可配平能力剖面。最后，通过仿真验证了所提方法的有效性和实时性。     

基于Bi-LSTM及贝叶斯似然比检验的GEO与LEO卫星组合频谱感知

目前的频谱感知算法以模型驱动为主，其感知性能过于依赖预定的统计模型，这使得其在信道环境复杂的卫星通信场景中的部署变得困难。对LEO卫星过境期间的信噪比波动情况进行分析，结果显示信噪比的波动达到14 dB。针对该复杂场景提出了一种基于双向长短期记忆网络及贝叶斯似然比检验联合的频谱感知算法。该算法不需要任何主信号的先验知识，可自动从主信号中学习隐藏特征并做出决策。基于Neyman-Pearson准则，在神经网络输出端设计了一种基于阈值的检测方案，可方便地控制恒定的虚警概率。仿真结果表明，所提算法在信噪比为–14 dB的情况下，仍能达到83%的检测性能，且始终优于卷积神经网络、多层感知机和基于模型驱动的能量检测算法。     

物理启发的深度学习模型及其在热端部件散热中的应用

热端部件散热是众多空天设备的关键技术。表面温度分布是散热设计中用到的重要信息,常规的解析建模手段和机器学习方法均无法有效地表达此类高维信息。近年来兴起的图像深度学习算法是解决表面温度信息预测的有效手段。然而,现有的基于大数据的深度学习方法往往对于物理数据和小样本数据不适用,体现为泛化精度差、数据兼容性差、可解释性差。因此,有必要结合传热的先验知识发展物理启发的新型深度学习算法,以增强高自由度、高复杂度散热对象上的设计能力。本文基于卷积算子和有限差分求解方式的类比关系,提出了一种物理启发式的循环卷积神经网络。以横向出流的冲击冷却为例,开展了变计算域大小、变工况、变尺寸的批量数值模拟,获取了冲击冷却关键特征的小样本图像数据。进一步通过神经网络的训练,构建了多参数、大范围内有较好拟合能力的温度、传热系数、压力代理模型。研究结果表明,本文提出的物理启发神经网络模型,对于计算域大小没有限制,可以统一表达不同空间范围内获取的物理数据的共性规律。模型的各类超参设定均具有明确的物理意义,且与经典的微分方程求解理论有一定的类比关系,增强了神经网络调参的方向性。通过传热物理规律与黑箱模型的融合,本文实现了小样本多参数物理数据的共性建模。该方法可以迅速重构热端部件的高维分布信息,可服务于热端部件的快速分析设计以及优化。