智能优化算法在飞机总体设计中的应用

飞机总体设计在飞机的整个设计过程中是非常关键的步骤,在这个过程中,飞机的总体布局和许多重要参数都被确定下来。但是,飞机的总体设计又是一个复杂和艰难的过程,因为涉及到大型系统的有约束的非线性优化问题,用传统优化方法很难得到满意的结果。本文采用了近年来发展很快的几种智能优化算法--遗传算法、模拟退火算法、禁忌搜索算法、Hopfield神经网络算法解决飞机总体设计优化问题,阐述了各算法的关键步骤及运行过程,并编写了相应的计算程序。通过对各种算法的结果进行比较和讨论,最后的结论是：模拟退火算法最适合求解这类复杂的约束非线性优化问题,禁忌搜索算法和遗传算法次之,Hopfield神经网络算法效果最差,容易陷入局部最优解。     

网络可生存性及其度量方法

介绍了网络可生存性的概念,对传统有线和无线网络、军事网络和Ad Hoc网络的可生存性问题进行了阐述和比较分析;探讨了网络可生存性的分类和度量方法,并给出了一种度量AdHoc网络可生存性的方法。     

并行路网结构下的浮动车信息处理模型

受GPS定位精度的限制,浮动车在主辅路并行路网结构下进行地图匹配和路径推测存在困难,直接影响路况信息获取的准确性.在现有浮动车信息处理框架基础上,运用统计学方法提升地图匹配的精度,并将主辅路径同时作为车辆的行驶轨迹输出,有效降低了路径推测错误的可能性.最后,引入证据推理框架以解决路径选择策略调整所带来的信息不可信和信息冲突问题.对比实验表明,改进系统在主路和辅路上的路况准确性分别有14.26%和9.46%的提升.     

基于RBF网络辨识的挠性卫星姿态自适应控制

为满足挠性卫星姿态控制的更高要求,提出了一种基于径向基函数（RBF）网络辨识的模糊自适应控制方法。根据卫星姿态动力学方程,将RBF辨识网络引入模糊神经网络的T-S模型,以辨识卫星,在线修改模糊神经控制器（FNC）参数,使卫星的姿态角度达到设定值。仿真结果表明：该法能有效克服卫星的不确定性,提高卫星姿态的控制精度。     

舰载机起飞时机辅助决策系统建模

 由于航母扰动会影响舰载机起飞安全,而仅依靠个人经验决策起飞时机存在较大误差,因此提出了舰载机起飞时机辅助决策系统的概念并建立模型。通过分析航母运动对舰载机起飞的影响机理,选择飞机离舰爬升率作为评价起飞安全性的关键参数;结合舰载机起飞作业程序,确立起飞时机决策方法;在此基础上,利用人工神经网络的预测能力并结合有利/不利起飞时机的特征,建立舰载机起飞时机辅助决策系统模型。仿真结果表明,系统模型能够有效地为起飞指挥官提供辅助决策信息,提高舰载机起飞安全性。     

小波网络在某型航空发动机故障诊断中的应用

分析了用小波网络替代神经网络进行模型辨识的优点,在误差反向传播算法(Error back prop-agation)的基础上,结合小波分析理论,设计了一种小波网络算法.通过对某型航空发动机的仿真实验,小波网络能够及时准确地预测出发动机的输出.同时利用小波变换对残差的分析可以有效地检测出系统所发生的故障.      

二值卷积神经网络综述

二值卷积神经网络（BNN）占用存储空间小、计算效率高,然而由于网络前向的二值量化与反向梯度的不匹配问题,使其与同结构的全精度深度卷积神经网络（CNN）之间存在较大的性能差距,影响了其在资源受限平台上的部署。至今,研究者已提出了一系列网络设计与训练方法来降低卷积神经网络在二值化过程中的性能损失,以推动二值卷积神经网络在嵌入式便携设备发展中的应用。因此,本文对二值卷积神经网络进行综述,主要从提高网络表达能力与充分挖掘网络训练潜力两大方面,给出了当前二值卷积神经网络的发展脉络与研究现状。具体而言,提高网络表达能力分为二值化量化方法设计、结构设计两方面,充分挖掘网络训练潜力分为损失函数设计与训练策略两方面。最后,对二值卷积神经网络在不同任务与硬件平台的实验情况进行了总结和技术分析,并展望了未来研究中可能面临的挑战。     

基于Agent模型的机场网络延误预测

准确可靠的机场网络航班延误预测是科学认知空中交通运行态势,动态精准实施国家空域系统容流协同调配策略的重要依据。提出了基于Agent的机场网络延误模型,表征机场网络系统中各元素及子系统间的交互作用下的延误特征涌现。针对机场节点动态容量、预计起飞时间、最小飞行与周转时间等Agent模型中的关键参数,适应性选用了贝叶斯估计、模糊k近邻等数据挖掘方法建立参数模型,并采用2015—2017年全美历史航班和气象数据进行训练学习。为综合评价模型性能及泛化能力,选取全美2018年3个不同延误程度的典型日进行测试。实验结果表明,在全美34个核心机场组成的网络中,各节点在4小时预测区间内延误最大误差不过27.9 min,其中约80%的节点误差小于5 min,验证了所提延误预测模型在时空范围内的准确性和稳健性特征。另外,通过与其他模型对比,展示了本模型优良的延误预测性能。     

基于卷积神经网络的深度学习流场特征识别及应用进展

深度学习架构的出色性能使得机器学习在流体力学中的应用得到新的发展,可以应对流体力学中诸多问题和需求。卷积神经网络（CNN）强大的非线性映射能力以及分层提取信息特征的功能,使其成为当下流场特征研究不容忽视的工具。围绕这一研究前沿与热点问题,概述和归纳了这一研究领域的进展与成果。首先,对深度学习在流体力学中的发展以及卷积神经网络进行了简单的回顾。然后,从卷积神经网络能够识别特征出发,先后介绍了基于卷积的深度学习特征识别在流场预测、流动外形优化、流场可视化精度提升和生成对抗等应用方面的研究进展。最后,对深度学习在流场识别领域的应用进行了展望,为后续的研究提供参考。     

一种高动态卫星网络的拥塞控制算法

针对卫星网络通信路径发生改变引起往返时延突变,导致现有的拥塞控制机制中超时重传时间估计不准确,并对拥塞窗口计算产生不利影响的问题,提出一种基于链路长度的带宽估计TCPW\|BLC算法。该算法通过计算通信链路长度合理调整拥塞窗口、慢启动阈值及超时重传定时器中相关参数的增益因子,使拥塞控制算法在往返时延突变情况下仍保持较高吞吐量,适应卫星网络动态环境特性。NS2仿真结果表明,TCPW\|BLC算法相比TCPW算法在卫星网络中吞吐量性能提高了2.8%,有效降低了时延突变给拥塞控制机制造成的不利影响。