基于随机森林的月球表面软着陆实时最优控制

针对传统月球表面软着陆在处理入轨偏差或降落过程轨迹偏离实时性差,文章提出一种通过监督学习离线训练随机森林结构,使得着陆器在降落过程中根据其状态,通过训练的随机森林结构在线计算其控制量,从而达到实时控制的目的。文章还提出一种基于随机森林的模型对月球着陆过程轨迹重规划技术,通过动力学建模将月球着陆过程分成制动段、接近段和着陆段共3个阶段,利用离线训练好的模型根据航天器状态在线计算其控制量,并通过三段下降过程逐渐降低航天器位置速度误差。仿真结果表明,针对入轨偏离500m的情况,通过第一阶段将位置误差缩短至50m,保证了航天器状态位于第二阶段训练集内,经过接近段后再将位置误差缩小至10m范围内,速度误差降至0.01m/s量级,满足着陆误差要求,且控制量计算时间短,达到了轨迹实时重规划的目的。     

基于时序建模的卫星故障检测方法

为解决当前卫星故障检测面临的依赖规则库、多元特征融合不足以及数据正负样本分布不均衡等问题,从卫星数据的时序特性出发,提出基于时序建模的卫星故障检测方法与半监督模型,实现卫星数据规律的有效挖掘与数据驱动的故障检测。考虑卫星数据间的时序关联,提出基于长短期记忆神经网络的卫星故障检测方法,并引入滑动窗口机制实现卫星数据的有效预测与故障检测。考虑卫星数据多元特征参数间的关联关系,引入时间卷积和自编码器神经网络,同时建模不同时刻、多元特征参数间的依赖关系,实现融合多元特征参数进行卫星故障的有效检测。以某型号卫星电源分系统为实验对象,仿真结果表明,所提算法和模型在关键指标方面优于BP神经网络等传统故障检测方法和模型。     

基于自编码网络的导弹攻击区实时计算方法

针对传统中远距空空导弹三线攻击区无法为飞行员提供丰富的战术决策信息,火控系统计算攻击区实时性差、精度低的问题,提出以攻击机为中心,考虑目标逃逸机动的新型导弹杀伤包线概念。分析经典战例中目标机规避导弹的常见机动方式,将攻击区抽象为导弹的七种杀伤包线,给出准确的计算方法并进行离线仿真。确定8种影响杀伤包线的运动参数,构建样本库。引入深度学习方法,建立降噪自编码网络（AE）模型,采用无监督学习提取样本初级特征,获取表征样本库非线性规律的高维特征量;建立深度网络模型,采用监督学习提取高维特征量中的高级特征并进行拟合。实验表明深度网络的拟合值与六自由度仿真结果以及导弹真实数据相比,误差可控制在15 m之内;网络在线解算只需0.04 s,能够满足实时性需求;新型杀伤包线为飞行员及时掌握敌我态势提供了有效的辅助信息,为机动决策提供理论依据。     

模糊诊断规则自学习中规则条件优选技术研究

规则条件优选技术是模糊诊断规则自学习方法的重要环节之一.针对条件优选问题,提出了一种基于面积计算的模糊贴近度函数,并采用该函数对各规则条件的可区分程度做出评估,然后根据得到的评估矩阵设计了规则条件和测点的优选算法.仿真证明,通过条件优选可以大量减少规则中条件的数量,减少了规则学习的计算量,提高了学习的效率;同时,所研究的测点优选技术还可为自动测试程序的设计提供参考.      

超燃冲压发动机燃烧流场纹影图像无监督分割方法

超燃冲压发动机燃烧室流场纹影图像常存在大量噪声信号,如何高效、准确提取燃烧流场图像的主要波系结构成为当前亟需探索的问题。以超燃冲压发动机燃烧室内冷流到氢燃料点火阶段流场为研究对象,基于深度神经网络方法,发展一种燃烧室内流场的关键波系结构快速识别方法。首先,采用基于图论的超像素分割方法对纹影图像进行聚类分割,为语义信息明显相同区域分配伪标签;其次,设计了一种全卷积特征提取神经网络,并使用残差结构对各个通道进行加权,提取纹影图像高级语义特征;最后,使用交叉熵目标函数优化网络模型,并通过阈值滤波操作去除噪声像素点,提升语义分割效果。结果表明：与K-means及自适应高斯阈值方法相比,本文提出方法在准确率、召回率、F1分数和交并比指标性能明显是最优的,能够准确完成燃烧流场纹影图像语义分割任务,可以更加清晰地反应流场内的主要波系和剪切层结构     

人工智能可解释性评估研究综述CSCD

近年来,可解释人工智能(XAI)发展迅速,成为当前人工智能领域的研究热点,已出现多种人工智能解释方法。如何量化评估XAI的可解释性以及解释方法的效果,对研究XAI具有重要意义。XAI的可解释性评估涉及主、客观因素,是一个复杂且有挑战性的工作。综述了XAI的可解释性评估方法,首先,介绍了XAI的可解释性及其评估的概念和分类;其次,总结和梳理了一些可解释性的特性;在此基础上,从可解释性评估方法和可解释性评估框架两方面,综述和分析了当前可解释性评估工作;最后,总结了当前人工智能可解释性评估研究的不足,并展望了其未来发展方向。     

基于字典学习的混合采样数据分类方法

混合采样数据不仅仅具有不同采样频率数据之间特征集合不同,还有样本数量不一致等特点,传统的分类方法不能直接使用。因此,本文提出一种基于Fisher判别准则字典学习的混合采样数据分类方法以处理采样数据的分类任务。该模型巧妙借助处理多视图数据的分类思想,利用基于Fisher判别准则的字典学习方法,生成的结构化字典的每个原子与数据的类标签相关,同时采用Fisher判别准则使类内散度更小,类间散度更大来约束编码系数矩阵,从而大大提升分类性能。此外,本文针对混合采样数据的样本数量不一致特点,设计了混合采样数据判别分析模型的分类方案。最后实验结果验证了本文方法的有效性。     

监控视频中异常事件检测技术研究进展

异常事件检测技术是当前智能监控技术研究领域关注的一个热点,作为计算机视觉的重要研究内容,其主要目标是利用计算机自动检测出可被视为异常的事件。传统方法存在低层视频特征描述能力弱,异常检测方法计算代价大,对复杂场景建模时鲁棒性差等方面的限制。本文结合国内外的研究现状和目前的主流方法,介绍了监控视频中异常事件检测涉及的基本技术,分析了各类监控视频特征提取方法、特征学习模型和异常检测方法的优缺点,整理归纳了可用于监控视频中异常事件检测的常用实验数据集,最后讨论了监控视频中异常事件检测技术的难点、挑战及未来发展趋势。     

基于相似度的半监督学习工业数据分类算法

针对现实场景中大量无监督数据无法有效利用的特点,提出了一种基于数据相似度匹配的半监督学习算法。该方法结合一定的先验知识,通过无监督学习的方式,计算未标记数据与少量有标记数据之间相似度,从而对少数类样本进行扩充。利用构造后的数据集进行模型训练,从而提高模型对于少数类的识别效果。该方法能有效改进分类任务中数据分布不平衡及标记困难的问题,在一组基于真实场景下的电力传感器检测数据分类任务中取得了较好的少数类识别效果。通过对比传统以及半监督的多种分类算法,该方法虽然在准确率上低于传统方法,但是在召回率与F₁值的表现上超越传统方法。     

基于深度学习的先进陶瓷零件实时缺陷检测系统

传统先进陶瓷零件检测与分类的主流方法为纯机械尺寸过滤和人工判断,为解决其成本高、失误率高和损坏率高等问题,提出了基于深度学习的多目标实时检测分类模型（Multi-object real-time detection and classification model, MRDC）。该模型以YOLOv3为基础,使用SKNet作为注意力机制进行特征重构提高精确度,配合灰度图快速转化算法与跳帧检测方法提高检测速度,可实现实时缺陷检测。对实际生产中的先进陶瓷零件进行采集训练,多批次采集图像数据,每批数据含多个陶瓷零件的1 000张图像,平均精确率均值达到99.19％,用先进陶瓷零件生产线视频检验,识别分类的正确率达到100％,可以保证每分钟检测450~550个零件。多目标实时检测分类模型拥有识别速度更快、识别准确率更高和零件不易损坏等优点,可极大地节约生产原料与人力成本,减少废品产出。