利用捷联导引头打击机动目标的自抗扰制导律设计

针对导弹制导系统中存在模型不确定性和目标机动信息难以获取等特点,提出了一种线性自抗扰(LADRC)制导律的设计方法。该方法以捷联导引头弹目视线角为输入量,对控制对象模型已知部分进行前馈补偿,对控制对象模型的不确定部分和目标的未知信息通过线性扩张状态观测器(LESO)进行估计并予以动态补偿,对改造后的系统再利用比例微分(PD)控制,完成制导律的设计。该方法无需获取目标运动加速度即可实现对加速运动机动目标的打击。仿真结果表明,弹道末端需用过载小于导弹的最大可用过载,脱靶量满足指标要求,具有很高的工程应用价值。     

基于学习自动机的雷达干扰资源分配研究

综合考虑干扰机干扰频率、干扰功率、干扰时机和干扰样式等干扰效果评估指标,构建干扰效益矩阵,建立目标函数,构建干扰资源分配博弈模型,并基于学习自动机原理提出了分布式干扰资源分配算法,求解出干扰分配决策。仿真结果表明,提出的分布式干扰资源分配算法能以很低的复杂度来获得很好的干扰性能,有效地解决了干扰资源分配问题,对实际作战指挥有一定的指导意义。     

光子射频干扰对消技术研究进展

射频自干扰是同时同频全双工技术应用面临的关键问题之一。光子射频干扰对消技术与传统的电学对消技术相比,具有工作带宽大、调节精度高等特性,在实现宽频段、大带宽、高干扰抑制度方面极具性能优势和应用潜力。文章介绍了光子射频干扰对消的基本原理,对影响干扰抑制效果的因素进行了仿真分析。从干扰对消相位反相条件的实现、多路径干扰消除、光子集成对消芯片三个方面给出了光子射频干扰对消技术的研究进展,对该技术的发展趋势和实际应用需要考虑的问题给出了论述。     

基于表观细粒度辨别网络的近海船舶目标检测方法

近海船舶目标检测是一项非常具有挑战性的任务,受到学者专家广泛关注。基于卷积神经网络（CNN）和注意力机制的检测器在近海船舶目标检测方面的应用取得了显著成就。然而,船舶目标检测存在着表观相似和背景干扰导致检测过程中出现误检的问题。为此,本文提出了一种用于Faster RCNN（更快的基于区域的卷积神经网络）的表观细粒度辨别的检测头模块。该模块包括类别细粒度分支和高效全维动态卷积定位分支。其中类别细粒度分支通过全局特征建模和灵活的感知范围来挖掘和利用类别细粒度辨别特征,高效全维动态卷积定位分支通过高效灵活的感知船舶边界信息来区分目标与背景,从而减少误检漏检问题。通过在近海船舶公开数据集Seaships7000 上进行实验验证,本文算法减少了误检漏检,提升了检测器性能。     

应用过程神经网络的航天器瞬态温度预测方法

航天器在轨温度受空间热环境影响变化较大,同时研制阶段的热分析与热试验往往也耗时较长,因此通过准确有效的预测方法为其提供在轨温度预警信息、提高热仿真与热试验效率至关重要。文章提出航天器瞬态温度预测方法,依据航天器在轨温度实测数据,采用相空间重构理论构建样本集完成训练,应用过程神经网络建立瞬态温度预测模型,并对温度进行外推预测。经验证,根据温度预测方法建立的温度预测模型绝对误差最大值为0.746 K,可在满足工程精度的情况下实现对航天器瞬态温度的快速预测。     

基于特征融合和集成学习的运动想象脑电解码方法

开发高性能的脑电解码方法一直是脑机接口系统研究的重点和难点。为了进一步提高运动想象脑电解码的性能,提出了基于特征融合和集成学习的脑电解码方法。首先,针对每个通道脑电信号提取方差、自回归(AR)系数和带通功率特征,接着进行特征融合。其次,提出两种新的集成学习方法,分别是基于K最近邻(KNN)的集成学习模型和基于最小绝对值收缩和选择算子(LASSO)的集成学习模型。其中,KNN集成模型针对KNN分类器的K值以及闵式距离的P值进行集成,LASSO集成模型针对LASSO分类器的正则化参数进行集成,这两种集成学习方法计算简单且不需要烦琐耗时的交叉验证过程进行模型选择。最后,在三个公开的运动想象脑电数据集上验证所提方法的有效性。实验结果表明,新提出的集成学习方法,其分类结果优于支持向量机、随机森林等现有的分类器。LASSO集成模型优于KNN集成模型,在三个数据集上取得了71.75%的最高平均分类准确率。     

基于多模态组合互补性学习的时尚兼容度预测模型研究

在时尚单品兼容度预测研究中,多模态特征间的互补性以及融合特征对于视觉特征的相关性问题未得到充分挖掘。针对这个问题,提出多模态组合互补性学习的时尚兼容度预测模型。该模型由四部分构成：特征提取网络使用ResNet18提取视觉特征和LSTM提取文本特征;然后使用联合表征网络将视觉特征与文本特征映射到相同的多模态嵌入空间中,减小模态间的差异性增强互补性;考虑到互补融合特征对于视觉特征的相关性问题,特征融合网络使用了组合模块分别组合了视觉特征和多模态特征;最后使用类别感知的映射方法将多模态特征映射进基于类别感知的嵌入空间中分析时尚服装的兼容度。实验仿真结果表明,该模型在消融实验以及在时尚兼容度预测的相关评价指标上均有提升和优化。     

惯性推算误差抑制的神经网络自学习模型设计与验证

惯性推算误差抑制是提升复杂场景下组合导航定位性能的关键,现有采用运动约束或系统误差高阶建模的方法从运动学模型及传感器误差模型出发,通过经验确定参数及模型的最优解。深度学习隐式模型能够挖掘数据之间的隐含关系,进行自主化参数寻优,并在提升惯导误差建模精度方面具有一定优势。总结了现有主流网络模型设计的优缺点,通过对比不同的输入输出方案进行优选,最终利用卷积神经网络构建了一套惯性误差抑制的轻量化神经网络自学习模型,并利用实测车载数据验证了该模型的有效性。实验结果表明,在GNSS信号失锁300 s的路段I和失锁285 s的路段II,网络模型速度约束的算法相较于纯惯性推算和传统NHC算法均有一定提升,融合NHC及网络模型速度约束的算法在水平定位精度上分别改善了41.7%~47.4%和26.7%~36.6%,一定程度上抑制了惯性推算误差。     

基于模糊矩阵和神经网络的航空发动机磨损部位故障识别

滑油中的金属颗粒成分及含量反映了发动机部件磨损程度,利用光谱分析技术监测诊断发动机部件磨损故障。在分析发射光谱原始数据的基础上,提出基于BP神经网络的航空发动机磨损部位识别方法,并通过实例阐述了部位磨损识别的步骤。将待识别样本输入已经训练好的神经网络中,得到低压压气机轴承支座磨损故障模式。待识别样本中含有Fe、Al、Cr、Cu、Mg,与低压压气机轴承支座磨损故障模式存在的元素完全一致。与原始识别方法相比,本文方法得到的故障特征更加明显,所需训练样本更少,识别精度达到96.67%。     

基于不确定性的飞行器分离可靠性建模与分析方法

为实现飞行器分离任务可靠性的定量分析和高效精确评估,研究了高超声速飞行器分离任务过程中各种不确定性因素对分离可靠性的影响,提出一种基于不确定性的飞行器分离可靠性建模与分析方法。面向高超声速飞行器分离任务需求,建立分离动力学仿真模型,综合考虑分离过程不确定性因素的影响,利用灵敏度分析方法识别主要不确定性因素,构建分离可靠性模型。针对此模型,提出一种改进主动学习Kriging(IAK)的分离可靠性分析方法,通过新的采样策略选取失效概率更大的采样点作为新增训练点,进行高效可靠性分析。实例结果表明,该方法能够准确描述不确定性因素对分离过程的影响,提升分离可靠性定量分析的精度和效率,为飞行器分离方案的精细化设计提供支撑。