图模型与学习算法结合的贝叶斯网络自动建模

针对纯数据驱动的贝叶斯网络结构学习算法的准确度和效率较低的问题,提出了一种融合多信号流图模型与K2学习算法的贝叶斯网络自动建模方法。该方法利用多信号流图模型能够描述信号之间传递与依赖关系的能力,结合K2学习算法在结构学习中的优势,实现了专家知识与数据驱动方法有效融合的贝叶斯网络结构自动学习算法。通过与常用网络结构学习算法的对比实验证明,该融合算法显著降低了结构学习对学习范围和训练数据规模的要求,具有更高的学习准确度和运算效率。采用真实系统实例阐述了该融合算法的应用过程,验证了算法的实用性。      

一种超静平台主动指向容错控制方法

针对超静平台主动指向控制中的作动器故障问题,提出一种超静平台主动指向容错控制方法。首先,基于超静平台的一般动力学模型,推导用于指向控制的解耦模型和标准解耦矩阵,将超静平台由高度耦合的复杂多输入多输出系统变为多个相对简单的单输入单输出系统,有利于控制器的设计和容错控制方法的引入;在此基础上,针对作动器的故障问题,提出指向控制重构策略,并建立新解耦矩阵;进一步,提出基于解耦矩阵条件数最小的冗余自由度选择方法;最后,进行了数值仿真分析。仿真结果表明：基于冗余自由度最优选择的主动指向容错控制方法能够最大限度地减少作动器故障对超静平台主动指向控制效果的影响。     

多节点探测器软着陆的路径规划方法

面向小行星探测任务的需要,柔性连接的多节点深空探测器是针对单节点探测器着陆易倾覆或反弹等问题的一种解决方案.基于此构建了一种采用柔性连接的三节点探测器并对其软着陆情况进行建模,提出了带自注意力机制的多任务深度强化学习方法.各节点以探测器主体为参照物描述自身状态,节点之间通过联合学习来提高各自对复杂环境的适应能力;在对探...     

Biobjective planning of GEO debris removal mission with multiple servicing spacecrafts

The mission planning of GEO debris removal with multiple servicing spacecrafts (SScs) is studied in this paper. Specifically, the SScs are considered to be initially on the GEO belt, and they should rendezvous with debris of different orbital slots and different inclinations, remove them to the graveyard orbit and finally return to their initial locations. Three key problems should be resolved here: task assignment, mission sequence planning and transfer trajectory optimization for each SSc. The minimum-cost, two-impulse phasing maneuver is used for each rendezvous. The objective is to find a set of optimal planning schemes with minimum fuel cost and travel duration. Considering this mission as a hybrid optimal control problem, a mathematical model is proposed. A modified multi-objective particle swarm optimization is employed to address the model. Numerous examples are carried out to demonstrate the effectiveness of the model and solution method. In this paper, single-SSc and multiple-SSc scenarios with the same amount of fuel are compared. Numerous experiments indicate that for a definite GEO debris removal mission, that which alternative (single-SSc or multiple-SSc) is better (cost less fuel and consume less travel time) is determined by many factors. Although in some cases, multiple-SSc scenarios may perform worse than single-SSc scenarios, the extra costs are considered worth the gain in mission safety and robustness.     

紫外成像光谱仪主动热控系统的设计与实现

为了确保紫外临边成像光谱仪的温度水平和温度梯度满足指标要求,分析了其所处空间环境并结合其光机电的特点,设计了整机的主动热控方案和被动热控方案。首先,总结了成像光谱仪热设计的基本原则,介绍了主动热控方案和被动热控方案。接着,利用最坏情况分析法分析了主动热控系统测温电路的测温精度。然后,根据主动热控方案的要求,对主动热控系统的硬件和热控策略进行了设计和实现。最后,规划了主动热控系统的验证试验,并对主动热控系统进行了试验验证。分析和实验结果表明：主动热控系统的测温精度满足≤±0.5℃的指标要求,主动热控系统能够保证紫外临边光谱仪13℃～18℃以及紫外环形成像仪8℃～18℃的温度水平要求,主动热控方案合理、可行,满足高可靠性的要求。     

基于深度学习的航天器组合体惯性参数在轨智能辨识

针对在轨服务过程形成新组合体的动力学参数未知的问题,借助深度学习在多参数寻优上的优势,提出了一种基于卷积神经网络的智能参数辨识算法,实现在外力作用下,线动量和角动量不守恒条件下的航天器组合体多参数辨识。利用卷积神经网络权值共享的特点,设计4层卷积神经网络,通过短时间内对大量特定存储形式的状态数据的训练,实现航天器组合体多参数快速高精度辨识。利用数学仿真试验对算法的可行性进行验证,结果表明：在24s内,质量与质心位置收敛;1190s内,惯量参数收敛,辨识精度在3%以内。说明所提方法在外界随机干扰力和力矩影响下能准确快速辨识出航天器组合体质量、质心位置和惯量矩阵。     

基于目标性权值度量的多示例学习目标跟踪

针对多示例学习(MIL)跟踪算法在包概率计算过程中对示例样本不加以区分导致分类器性能下降,及采用最大化似然函数选择相应的弱分类构造强分类增加了算法复杂度的问题,提出了一种基于目标性权值学习的多示例目标跟踪算法,该算法利用目标性测量每个示例样本对包概率的重要性,根据其目标性测量结果对每个正示例样本赋予相应的权值,从而判别性地计算包概率,提高跟踪精度。同时在弱分类器选择过程中,采用最大化弱分类器与似然函数概率内积的方法从弱分类器池中选择弱分器构造强分类器,减少算法的计算复杂度。通过对不同复杂场景下视频序列的跟踪,实验结果表明,本文所提出的目标性权值学习的多示例目标跟踪算法优于其对比算法,表现出较好的跟踪精度和鲁棒性能。     

基于稀疏核增量超限学习机的机载设备在线状态预测

为实现对机载设备工作状态的在线状态预测,提出了一种稀疏核增量超限学习机(ELM)算法。针对核在线学习中核矩阵膨胀问题,基于瞬时信息测量提出了一个融合构造与修剪策略的两步稀疏化方法。通过在构造阶段最小化字典冗余,在修剪阶段最大化字典元素的瞬时条件自信息量,选择一个具有固定记忆规模的稀疏字典。针对基于核的增量超限学习机核权重更新问题,提出改进的减样学习算法,其可以实现字典中任一个核函数删除后剩余核函数Gram矩阵的逆矩阵的前向递推更新。通过对某型飞机发动机的状态预测,在预测数据长度等于20的条件下,本文提出的算法将预测的整体平均误差率下降到2.18%,相比于3种流形的核超限学习机在线算法,预测精度分别提升了0.72%、0.14%和0.13%。     

基于可能性矩的混合不确定性全局灵敏度分析

在同时包含随机不确定性和模糊不确定性结构系统中,为了分别度量随机输入变量和模糊输入变量对输出响应的统计特征的影响,提出了随机输入变量和模糊输入变量的全局灵敏度新指标。在模糊变量可能性矩定义的基础上,分析了混合不确定性下输出响应的特征。从输出响应可能性矩的角度出发,以输出响应的可能性期望为例,通过比较输出响应有条件和无条件可能性期望的概率密度函数(PDF)的平均差异,分别建立了随机输入变量和模糊输入变量关于输出响应的可能性期望的灵敏度指标。讨论了所提指标的性质,并采用Kriging代理模型来提高混合不确定性全局灵敏度指标的计算效率。最后通过算例验证了本文所提方法的准确性和高效性。     

基于深度长短期记忆网络的发动机叶片剩余寿命预测

为了研究航空发动机转子叶片的剩余寿命预测问题,提出了一种基于多传感器信号融合的深度长短期记忆网络(DLSTM)预测模型。首先利用深度学习和长短期记忆的组合来构造DLSTM网络。然后,将多个传感器信号数据进行融合处理,从而通过深度学习发现各个传感器时序信号之间隐藏的长期依赖关系。进一步在给定网格搜索策略的情况下,通过自适应矩估计算法调整DLSTM的网络结构和参数,并且在DLSTM模型中引入了一种随机丢失策略,以缓解过度拟合问题并使预测模型规范化。最后利用CMAPSS涡扇发动机进行了实验验证,在一种故障模式和两种故障模式条件下,DLSTM网络预测模型相对于其他传统方法的评价指标Score分别下降了17.19%和14.37%,其他两个评价指标相对来说也较优,结果表明本文提出的方法具有更高的准确性以及稳定性。