电动加载系统分数阶迭代学习复合控制

针对电动加载系统存在多余力矩扰动的问题,提出一种以位置闭环和力矩闭环为反馈控制、迭代学习控制为补偿控制的复合控制策略。为提高加载系统动态性能及降低建立模型的复杂性,驱动永磁同步电机采用直接转矩控制方式,建立加载系统频域模型。在位置闭环和力矩闭环采用分数阶PIλDμ控制器代替常规PID控制器,迭代学习补偿控制采用分数阶迭代学习控制器,利用分数阶微积分的信息记忆特性提高控制系统的动态性能和鲁棒性,通过理论分析给出分数阶PD型迭代学习控制器的收敛条件。对正弦和梯形波载荷进行力矩加载实验及多余力矩抑制实验,验证了该控制方法的有效性。      

基于IFA-ELM的航空发动机自适应PID控制新方法

针对大涵道比涡扇发动机强非线性、变参数的特点,提出了一种基于优化极端学习机(ELM)对发动机参数进行预测的自适应PID控制方法.为提高ELM的预测精度和实时性,采用适用于多峰值寻优的改进萤火虫算法(IFA)优化ELM网络参数,形成优化的ELM训练方法IFA-ELM.该算法在保证预测精度的前提下,有效简化了网络规模,并提高了其泛化能力.利用该算法建立发动机风扇转速预测模型,基于该模型,采用梯度下降法在线调整PID参数,提升发动机动态性能.数字仿真验证表明,与常规PID控制相比,基于IFA-ELM的自适应PID法调节时间减少了0.2~1.4s,超调量降低了0.2%~1.5%,验证了该控制方法的有效性.      

基于近邻传播聚类的航空电子部件LMK诊断模型

针对小样本条件下,航空电子部件功能模块故障诊断精度不高的问题,将局部多核学习（LMKL）算法的多分辨率解释与局部特征自适应表示能力和超限学习机（ELM）运算高效的特点相结合,提出一种新的局部聚类MK-ELM（LCMKELM）诊断模型。通过引入近邻传播（AP）聚类,在挖掘训练样本局部特征信息的同时,有效约减了局部算法的计算复杂性,避免了过学习问题的出现;通过分别分析输入空间与特征空间的聚类特征,构造了相应的2种选通函数M₁、M₂,以优化选通函数的模型参数取代优化局部权重,有效解决了核超限学习机（KELM）的对偶优化形式关于局部权重二次非凸的问题。将本文模型应用于某型机旋转变压器激励发生电路功能模块故障诊断,结果表明:相比于4种常用的多核诊断算法,模型在实现低漏警、低虚警的同时,采用M₁选通函数的诊断算法将诊断精度平均提升了3.80%,采用M₂选通函数的诊断算法将诊断精度平均提升了5.98%。同时,模型在实现与流行的LMKL算法相近的训练时间的同时,测试时间更短。      

基于深度强化学习的软件定义卫星姿态控制算法

深度强化学习（DRL）作为一种新型的基于机器学习的控制算法,在机器人和无人机等智能控制领域展现出了优异的性能,而卫星姿态控制领域仍然在广泛使用传统的PID控制算法。随着卫星的小型化、智能化以至软件定义卫星的出现,传统控制算法越来越难以满足姿态控制系统对适应性、自主性、鲁棒性的需求。因此对基于深度强化学习的姿态控制算法进行了研究,该算法使用基于模型的算法,比非基于模型的算法拥有更快的收敛速度。与传统控制策略相比,该算法无需对卫星的物理参数和轨道参数等先验知识,具有较强的适应能力和自主控制能力,可以满足软件定义卫星适应不同硬件环境,进行快速研发和部署的需求。此外,该算法通过引入目标网络和并行化启发式搜索算法之后,在网络精度和计算速度方面进行了优化,并且通过仿真实验进行了验证。      

基于改进的动态Kriging模型的结构可靠度算法

对于复杂航空航天机械产品,极限状态方程往往表现出隐式、高度非线性的特点,而且通常需要调用有限元分析,从而耗费大量时间。将混合粒子群-模拟退火（PSOSA）算法应用到Kriging模型中相关参数的寻优过程,提高了预测精度。同时结合动态更新机制,逐渐加入样本点,尽可能减少函数的调用次数,从而提高了计算效率,并将该算法应用到结构可靠性分析中。通过案例分析,和传统蒙特卡罗模拟方法、响应面等经典方法进行对比,所提算法与蒙特卡罗模拟方法计算结果更加接近,计算时间大大缩短,效率和精度都明显改进。      

基于改进CHC算法的模糊诊断规则优化方法研究

在故障诊断专家系统的自学习中,同时需要学习大量的模糊规则,造成规则优化算法的运行时间过长,难以满足实际的需要。为了解决这个问题,将特征片断优势重组算子引入CHC算法中,并将之应用到规则优化领域。仿真证明,改进的CHC算法在模糊诊断规则优化方面能以比较短的计算时间达到预期的优化效果,明显优于国内其它改进的遗传算法和CHC算法,具有比较大的实用价值。     

基于优化最小二乘支持向量机的小样本预测研究

统计学中的预测问题主要是通过对已知数据的分析,找到数据内在的相互依赖关系,从而获得对未知数据的预测能力。该文提出了最小二乘支持向量机参数优化方法———多层动态自适应优化算法,构建了基于最小二乘支持向量机的预测模型,并对Ti 26合金的性能预测进行了研究。结果表明:优化的最小二乘支持向量机具有优秀的小样本数据学习能力和预测能力。     

Spatial data quality capture through inductive learning

The relatively weak uptake of spatial error handling capabilities bycommercial GIS companies and users can in part be attributed to therelatively low availability and high costs of spatial data qualityinformation. Based on the well established artificial intelligencetechnique of induction, this paper charts the development of anautomated quality capture tool. By learning from example, the tool makesvery efficient use of scarce spatial data quality information, sohelping to minimise the cost and maximise availability of data quality.The example application of the tool to a telecommunications legacy datacapture project indicates the practicality and potential value of theapproach.     

基于经验移植的自主空战对抗学习方法

现有的机器学习方法大多是交互式的学习模式,这类方法在训练过程非常依赖与环境之间的交互数据。空战对抗任务是一种奖励非常稀疏的训练任务,智能体在学习开始的很长一段时间内,都在探索能够获得奖励的动作。如果每一个新的任务都重新训练,是非常浪费计算资源的。因此,设计了一种基于经验移植的学习方法,使得经过训练的智能体能够将知识分享给新的智能体,提高其在新任务上的学习效率。首先,借鉴人类通过经验进行快速学习的现象,构建了基于经验移植的学习的模型;其次,兼顾知识分享和新任务的特征,明确了经验的内涵,建立了"知识+任务→经验"的融合认知方式;再次,设计了借鉴学习方法,将外部经验与任务相结合,进而转化为新个体的知识;最后,使用经验适用度作为筛选指标,分析了经验适用度对借鉴学习效率的影响,确定了执行借鉴学习的筛选边界。新个体通过借鉴学习后能够获得关于新任务的初步知识,在新任务中更快地找到能够获得奖励的动作策略,从而提升在新的任务中的学习速度。     

基于PSO-ELM的卫星导航欺骗式干扰检测CSCD

近年来,卫星导航系统在军事监测、精细农业、交通监控、资源勘探、灾害评估等领域得到了广泛应用,但由于卫星导航信号结构公开且到达地面时强度微弱,卫星导航系统极易受到各种各样的干扰,其中欺骗式干扰因具有较强的隐蔽性,对卫星导航系统构成巨大的安全威胁。传统的欺骗式干扰检测方法大多采用单一参数进行检测,具有一定局限性。考虑到欺骗干扰源在欺骗过程中会引起一系列参数变化,构造了一个多参数输入的卫星导航欺骗式干扰检测模型,即将多个特征参数作为极限学习机(ELM)的输入,并通过训练和学习将真实信号与欺骗信号区分开,从而实现欺骗式干扰检测。同时,利用粒子群优化(PSO)算法优化ELM中的输入权值矩阵和隐层偏置,改善由于网络参数随机生成导致分类精度低的问题。仿真实验证明了该方法在卫星导航欺骗干扰检测方面的可行性和有效性。