Measuring air traffic complexity based on small samples

Air traffic complexity is an objective metric for evaluating the operational condition of the airspace.It has several applications,such as airspace design and traffic flow management.Therefore,identifying a reliable method to accurately measure traffic complexity is important.Considering that many factors correlate with traffic complexity in complicated nonlinear ways,researchers have proposed several complexity evaluation methods based on machine learning models which were trained with large samples.However,the high cost of sample collection usually results in limited training set.In this paper,an ensemble learning model is proposed for measuring air traffic complexity within a sector based on small samples.To exploit the classification information within each factor,multiple diverse factor subsets (FSSs) are generated under guidance from factor noise and independence analysis.Then,a base complexity evaluator is built corresponding to each FSS.The final complexity evaluation result is obtained by integrating all results from the base evaluators.Experimental studies using real-world air traffic operation data demonstrate the advantages of our model for small-sample-based traffic complexity evaluation over other stateof-the-art methods.     

基于深度学习的ADS-B异常数据检测模型

广播式自动相关监视（ADS-B）是下一代空中交通运输系统的重要组成部分，是新航行系统中非常重要的通信和监视技术，但其协议没有提供相关的信息认证和数据加密，因此极其容易受到欺骗干扰的影响。针对ADS-B报文数据特点，采用深度学习的seq2seq模型对ADS-B报文数据进行重构，通过重构误差来检测异常，并对数据进行特征扩展，使模型能更好的捕捉数据的时间依赖性。实验结果表明，所采用的方法优于传统的机器学习方法，且在数据特征扩展后，模型检测效果提升。相比于现有的欺骗干扰检测方法，该方法不需要改变ADS-B系统的协议，也不需要额外的节点或传感器参与，具有一定的适应性和灵活性。     

一种自信学习自动机

提出一种二次不动—惩罚变结构随机自动机模型（Q(IP)）。较之于其线性形式（L(IP)），新模型的学习带有一定的自信（当然，有时也可能是自负）。特别，跟传统自动机不同的是，新算法的极限行为同时兼具吸收壁和遍历性。     

影响我国高校开展武术活动的主要因素

通过文献资料对我国高校开展武术活动的影响因素进行了探讨分析。研究发现大学生武术人口;学生认识水平;师资状况;经济和环境等因素对高校开展武术活动有一定的影响。提出了应从大学生认识观念、教师的引导作用、师资队伍建设、改进教学方法、实现"以人为本"的武术教学目标等方面入手进行强化建设。     

大学生外语自主学习策略培养的文化研究

针对学院2011级196名学生自主学习情况进行了实证调查,发现学生外语学习和自主学习策略各要素的使用情况,在此基础上提出了一些符合中国文化及学生自身特点、适合不同任务的自主学习策略,以期达到提高学生外语学习效果的目的。     

基于非线性神经网络的高清晰高光谱遥感图像分类器设计与应用

对于高光谱和空间分辨率的遥感图像而言，它具有较为复杂的地物判读特性，应用常规的监督或非监督分类方法难以达到理想的结果。为此设计了一种非线性BP网络分类器，它将纹理结构特征与地物光谱特征相结合．针对上海市某地区的卫星遥感图像．在ENVI／IDL平台上与K-means的非监督分类和最小距离的监督分类方法进行了分类的对比应用。试验结果表明．该分法较好地考虑了图像的光谱特征，能有效地提高类别辨识的精度。     

一种新的混合高斯模型的学习算法

混合高斯模型是背景对消中一种非常有效的方法.本文提出了一种有效的混合高斯模型的学习算法.与以前的方法不同在于:a.根据最大似然准则,在线的更新模型的参数;b.定义了遗忘因子和学习率因子,并根据它们实际的物理含义,得到了更一般的形式.运用这种算法对模拟视频数据和真实视频处理,结果表明,本文提出的学习算法无论在收敛速率,还是在准确性方面,都要优于以前的方法.     

基于神经网络的机器人姿态逆解

首次实现自组织神经网络求解机器人姿态逆解，突破了文献局限于研究位置逆解的状况。应用本文创新的自组织神经网络训练方法，结合工业机器人运动学特性，建立了工业机器人姿态逆解的神经网络方法，对PUMA560机器人的计算机仿真结果表明，该方法姿态控制精度高。     

基于迭代学习观测器的容错控制

提出了一种基于迭代学习观测器(ILO)将故障检测和容错控制进行统一设计的方法。迭代学习观测器不仅可以用于进行状态估计和故障检测,而且可以用于获得控制输入调节项并进行故障估计。设计重构控制律的基本思想是利用估计状态和控制输入调节项来补偿故障引起的影响。文中还给出了特定假设条件下闭环重构控制系统稳定性的严格证明。理论分析和仿真研究表明,所提的方法是有效的并可保证闭环系统具有良好的重构性能．     

基于近端策略优化的空战决策算法研究

面对未来有/无人机协同作战场景,实时准确的空战决策是制胜的关键。复杂的空中环境、瞬变的态势数据以及多重繁琐的作战任务,使有/无人机协同作战将替代单机作战成为未来空战的发展趋势,但多智能体建模和训练过程却面临奖励分配困难、网络难收敛的问题。针对5v5 有/无人机协同的空战场景,抽象出有人机和无人机智能体的特征模型,提出基于近端策略优化算法的空战智能决策算法,通过设置态势评估奖励引导空战过程中有/无人机智能体的决策行为向有利态势发展,实现在与环境的实时交互中,输出空战决策序列。通过仿真实验对所提空战决策算法进行验证,结果表明：本文提出的算法在经过训练学习后,能够适应复杂的战场态势,在连续动作空间中得到稳定合理的决策策略。