Trajectory Tracking Control for a GMM Actuator Based on a Heuristic ILC Method

A heuristic iterative learning control (ILC) method is presented and applied to the trajectory tracking control of a giant magne-tostrictive material (GMM) actuator. A GMM actuator is used as experimental equipment for micro-displacement trajectory tracking control. The advantage of the presented approach lies in quitting the model of the GMM actuator. The experimental results attest to the high efficiency of the presented method for the micro-displacement trajectory tracking control.     

基于过程神经网络的航空发动机排气温度预测

从泛函分析的角度出发,将航空发动机排气温度预测问题转换为一种泛函逼近问题.利用过程神经网络对任意连续泛函的逼近能力,提出了一种基于过程神经网络的航空发动机排气温度预测方法.为克服过程神经网络学习速度慢的问题,为其开发了一种基于正交基函数展开的Levenberg-Marquardt学习算法.将所提出的预测方法应用到某型航空发动机的排气温度预测中,取得了满意的结果.      

基于卷积神经网络的遥感图像舰船目标检测

针对遥感图像背景复杂、受环境因素影响大的问题,提出一种将卷积神经网络(CNN)与支持向量机(SVM)相结合的舰船目标检测方法,利用卷积神经网络可自主提取图像特征并进行学习的优点,避免了复杂的特征选择和提取过程,在复杂海况背景图像的处理中体现出较优的性能;同时,由于军舰样本获取难度大,应用迁移学习的概念,利用大量民船样本辅助军舰目标的检测,取得较好的效果。通过参数调整与实验验证,此方法在自行建立的测试集上检测率达到90.59%,对光照、环境等外界因素具有一定程度的鲁棒性。     

基于LSTM循环神经网络的故障时间序列预测

有效地预测使用阶段的故障数据对于合理制定可靠性计划以及开展可靠性维护活动等具有重要的指导意义。从复杂系统的历史故障数据出发,提出了一种基于长短期记忆（LSTM）循环神经网络的故障时间序列预测方法,包括网络结构设计、网络训练和预测过程实现算法等,进一步以预测误差最小为目标,提出了一种基于多层网格搜索的LSTM预测模型参数优选算法,通过与多种典型时间序列预测模型的实验对比,验证了所提出的LSTM预测模型及其参数优选算法在故障时间序列分析中具有很强的适用性和更高的准确性。      

BACKGROUND KNOWLEDGE AND SECONDARY KNOWLEDGE BASES IN LEARNINGS YSTEMS

讨论了背景知识和领域理论在学习过程中的作用，强调了学习系统中背景知识的重要性。文中介绍了一个以领域理论为主知识库、以背景知识为二级知识库的基于解释的学习系统，说明基于解释的学习系统如何利用背景知识克服不完全的领域理论带来的问题，使其能通过纯演绎的方法实现知识级的学习。最后，本文还简单讨论了学习系统中背景知识的获取方法。     

基于N-BEATS的单站对流层天顶总延迟预报

高精度对流层延迟先验值有助于加速精密单点定位的快速收敛。基于高精度高分辨率气象数据库,采用深度学习N BEATS算法,进行了单站对流层天顶总延迟的预报试验。试验选取了9个IGS跟踪站,试验弧段从2002年1月至2019年6月共185a。首先基于N BEATS算法,设计了3种预报策略,然后基于前175a针对不同预报策略进行模型训练,并对最后365d的对流层天顶总延迟进行预报。试验结果表明,以该气象数据库为基准,12h以内预报弧段的预报残差均值量级大多可达亚毫米,2h、4h、6h的预报残差的标准差分别约为5mm、9mm、13mm。     

基于组字典学习的逆合成孔径雷达成像方法

基于压缩感知(compressive sensing, CS)的逆合成孔径雷达(inverse synthetic aperture radar, ISAR)成像方法可以使用非常少的数据来获得高质量的图像。但基于CS的ISAR成像方法中目标场景不准确的稀疏表示限制了成像方法的性能。结合字典学习(dictionary learning, DL)技术的CS ISAR成像方法能够寻找到目标场景图像块的最优稀疏表示,提高成像质量,但每一个图像块被单独考虑,而忽略了彼此之间的相互依赖关系。为了实现进一步提高成像质量的目标,针对ISAR图像分块重建的问题,首次提出一种基于组字典学习(group dictionary learning,GDL)的ISAR成像方法。将具有相似结构的图像块聚类并构建出多个图像块组,利用奇异值分解(singular value decomposition, SVD)从图像块组中学习出最优组稀疏变换字典。学习好的组稀疏变换字典可以寻找到待重建图像块组的最优稀疏表示,进而重建出高质量的目标场景图像。实验结果表明:与现有的CS ISAR成像方法相比,基于GDL的ISAR成像方法能获得更好的成像效果,并具有更高的计算效率。     

基于迭代学习观测器的卫星姿态控制系统的鲁棒容错控制

针对卫星在轨运行时存在执行机构故障和空间干扰问题,提出了一种将迭代学习与未知输入观测器(IL-UIO)相结合的鲁棒容错控制方法.该方法在继承了未知输入观测器干扰解耦优点的同时,运用迭代学习技术,利用前一时刻姿态角速度偏差和IL-UIO输入来更新当前故障信息,实现了执行机构的在线故障重构.进一步基于Lyapunov方法从理论上证明了设计的IL-UIO鲁棒稳定性和姿态角速度偏差一致有界性.最后,建立卫星闭环姿态控制系统对方法进行验证,仿真结果验证了方法的有效性.     

卫星遥测数据短时CEEMDAN-PSO-ELM预测模型

针对卫星遥测数据变化类型众多而导致传统预测模型难以准确预测的问题,提出一种基于自适应噪声完整集成经验模态分解(CEEMDAN)-粒子群(PSO)-极限学习机(ELM)的组合预测模型。首先对遥测序列进行CEEMDAN分解,以降低序列的非线性;然后利用PSO对ELM预测模型的输入权值和隐含层偏差进行优化;最后利用PSO-ELM预测模型分别预测分解后的序列,依次相加得到最终预测结果。将其应用在某在轨卫星实测数据中,与传统的预测模型比较。结果表明:该方法在平均绝对误差、平均绝对百分误差、均方根误差、标准均方误差指标上均最小,在曲线拐点处与真实数据最为接近。证明该模型能实现准确预测的功能。     

基于卷积神经网络的雷达和通信信号调制识别

雷达和通信信号的调制识别是电子侦察对抗的一项关键技术,通过搜索、截获敌方电子设备发射的电磁辐射信号,经过电子侦察系统分析、识别,从而获取敌方战术、技术特征参数等情报。人工神经网络中的深度学习网络由于具有强大的表征学习能力,可以自动从原始数据中提取出各种复杂的特征。介绍了一种差分自相关预处理结合深度学习进行中频信号调制识别的方法,结合工作的实际需求,对深度学习在信号调制识别中提出了一些展望,如进一步提高在低信噪比下的识别率和研究深度学习调制识别混合架构。