小样本图像分类中的类别信息融合网络

小样本图像分类任务要求模型仅从少量的图像样本中学到新类别的正确分类方法,是一种特殊的分类任务。然而,以往大多数小样本工作都单独处理来自不同类别的样本,而没有充分利用到不同类别间的信息。本文提出了一种新的类别融合网络（Category-fusion network, CFN）,通过融合来自不同类别的样本信息,同时挖掘类别内和类别间的信息。CFN的重要部分是一个融合映射的学习,即如何融合样本中的特征,从而映射出网络参数。其中的一个重要问题是融合映射是否应该随不同的输入样本而改变。本文设计了3个不同的模块：具有固定映射的类无关模块、融合映射仅依赖于期望学习的目标类别的半相关模块和完全相关的模块,其中融合映射完全依赖于输入样本。本文的网络可以通过学习多个类别的样本之间的关系来进行类别概念的学习,并生成融合信息的分类器。实验结果表明,本文网络在广泛应用的MiniImageNet数据集上得到了60.03%的分类精度。     

考虑任务聚类的多星观测分阶段调度方法研究

单个轨道圈次内星上能量和侧摆次数有限,在卫星观测调度时考虑任务聚类可以提高观测效率。分析了满足用户分辨率需求下多任务聚类的约束条件,并对聚类任务的时间窗口和侧摆角度进行了合理优化。提出了先聚类后调度再修复的分阶段求解策略:首先用团划分聚类算法和启发式插入聚类算法把多星多轨道圈次观测调度问题转化为单星单轨道圈次观测调度问题,然后采用基于时间序无圈有向图的多准则优化卫星调度方法求解单星单轨道圈次调度问题,最后提出一种修复策略进一步优化调度结果。案例仿真表明,提出的方法可行,能够提高卫星的观测效率。     

F1方程式赛车后升力翼的气动特性

以比例为1∶3的F1方程式赛车后升力翼为研究对象,研究了后升力翼攻角变化对F1方程式赛车气动阻力和气动升力的影响规律.在攻角为12°时,气动升力与气动阻力的比值的绝对值达到最大,此攻角就是F1方程式赛车后升力翼的最佳攻角,模型风洞试验验证了这一结论.      

面向工程的类乘波体气动布局与数值分析

为了解决高超声速飞行器理想乘波体的工程应用问题,以粘性锥导流场为基础流场,考虑装填空间、前缘钝化、端头半径和翼舵干扰等工程实际情况,设计了一种类乘波体高超声速飞行器。采用CFD方法对该类乘波体气动性能进行了仿真与分析。结果表明:该类乘波体具有典型的乘波特征,设计状态(Ma=8,α=2°)下,升阻比为4.47;非设计状态(Ma=3,α=2°)下,升阻比不小于3.60;考虑不同高度和马赫数范围,纵向压心系数绝对值变化仅为4.2%,小的压心变化范围在满足高机动需求方面具有优势。     

NiCoCrAlYTa/Ag/Mo复合自润滑涂层的制备及其高低温循环摩擦学性能

为了开发适用于苛刻工况的长寿命、高可靠的自润滑涂层,选择NiCoCrAlYTa作为黏结相,Ag作为润滑相,Mo作为增强相,采用超音速火焰喷涂(high-velocity oxy-fuel spraying,HVOF)技术在Inconel718高温合金基体上制备复合涂层。考察该复合涂层在室温及800℃循环交变条件下的摩擦学行为,研究磨损表面的形貌特征、化学成分、相组成,揭示摩擦过程中元素之间的相互作用以及摩擦表面的物理化学本质,探究其在高低温交变环境下的多循环“自适应”润滑机理。结果表明：复合涂层致密均匀,力学性能良好,主要有γ-Ni,β-NiAl,γ′-Ni₃Al,Ag和Mo等物相;复合涂层表面生成的β-Ag₂MoO₄类层状润滑剂,可大大改善涂层在高温条件下的摩擦磨损性能;在多循环交变条件下,复合涂层后续循环摩擦因数较首次循环而言有所增大,但在室温条件下的磨损率却有所减小;这是涂层在高温条件下生成的β-Ag₂MoO₄类层状尖晶石润滑相与Al₂O_3...     

基于自适应采样的高超声速飞行器气动热全局快速预示

高超声速飞行器热防护系统设计中高精度气动热分析模型使得设计计算成本不断增加,基于数据驱动的气动热环境预示方法受到广泛关注。针对有限高精度模型计算成本下提升全局预示精度的问题,提出一种基于模糊聚类的批量自适应采样方法。根据预示误差分布特征通过聚类采用超球分割构建采样影响域,兼顾误差较大的重点采样域与全局探索;通过当地误差评分系数加权构建采样拒绝域,减小新增样本冗余;结合maxmin准则在综合确定的重点采样空间中新增样本,提升采样质量,进而实现预示模型全局精度快速提升。数值测试算例表明,所提方法与One-Shot、APSFC、CV-Voronoi方法相比能有效降低所需采样规模,加速提升预示精度。通过类HTV-2飞行器气动热快速预示实例,验证了方法的有效性与工程实用性。     

巡视探测任务中复杂地形信息感知与场景建模

在月面探测过程中,针对月表多不规则地形障碍物(月表陨石凹坑、坡、月岩等)会影响巡视器移动性能以及地面观测者缺少直观的三维的月表环境信息,影响最终决策的问题。文章采用深度(RGB-D)相机获取原始数据,基于三维点云数据进行滤波消噪等处理;再结合机器人越障能力极限与改进的随机采样一致性(Random Sample Consensus,RANSAC)算法,获取其自适应基准平面作为可通行区域;最后使用密度聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)提取局部地形障碍物信息,结合基准面进行快速三维场景重建,为地面观测提供直观快速的三维巡视器周围环境模型,并通过模拟月面地形环境试验进行验证。试验结果表明,本文所使用的算法可以有效地获取地形障碍物的空间坐标信息,并进行快速场景重建,大幅度地提高时间效率。可为月面探测任务中,巡视器自主避障以及为地面观测者提供三维视角等提供参考。