基于贝叶斯估计理论的再入飞行器气动辨识方法

当再入飞行器进行大幅机动或大攻角飞行时,常用于配平情况下小幅机动的气动辨识方法将不再适用.为解决上述问题,本文首先针对目标区间,利用原始气动数据库建立先验气动模型并估计得到模型参数作为先验信息.然后,为获得更准确的参数估计值,提出应用贝叶斯估计理论将气动数据库数据与多次飞行试验数据同时用于辨识的方法,得到融合了飞行试验信息与先验信息的最优参数估计,进而完成对气动模型的更新.本文还提出利用傅里叶平滑分析的方法对含有噪声的数据进行平滑,以避免测量噪声影响.采用上述方法对再入飞行器试验数据进行气动辨识,辨识结果表明该方法得到的气动系数能够较好地反映再入飞行器大幅机动条件下的气动特性,且具有良好的气动特性预测能力.     

战术飞行机动动作仿真设计与实现

针对数据链飞机模拟器中飞行平台轨迹的终端实时显示问题,以飞机动力学运动方程为基础,构建了盘旋机动和斤斗机动过程的轨迹方程,并给出了机动动作设计的一般流程。通过建立基于时间戳的自适应交互多模(AIMM)时延补偿模型,使飞机动作显示与实际作战网络负载下的飞机状态保持同步。最后设定2种机动动作场景,对飞行机动轨迹予以演示，验证了所设计的可视化平台能有效模拟飞机进行盘旋和斤斗机动,实现了地面指挥所对模拟飞机飞行状态的实时监视,为空战仿真模拟训练奠定基础。     

高超声速飞行器侧向机动性能研究

对高超声速飞行器侧向机动性能的研究是对其进行跟踪预测的一项重要参考依据。本文通过对高超声速飞行器的最小转弯半径以及偏航距离的计算,研究了飞行速度以及飞行高度对飞行器侧向机动性能的影响。首先在假设条件下构建了飞行器的数学模型,然后建立了飞行器做变速率转弯机动时的转弯半径模型、位移模型以及加速度模型,通过计算两种转弯模式下的最小转弯半径以及匀速率转弯机动方式下的偏航距离,得出了关于飞行速度以及飞行高度会对飞行器机动性能产生不同影响的结论。     

基于融合Dropout与注意力机制的LSTM-GRU车辆轨迹预测

在智能驾驶环境的车辆轨迹预测环节,为更好地获取环境车辆的轨迹时序特征,在长短期记忆神经网络（LSTM）基础上,嵌入Dropout层以增强网络泛化性,引入注意力机制予以预测效果影响较大的时序数据更大权重从而提高预测结果的可靠性,且将改进的LSTM模型与门控循环单元GRU模型结合,构建LSTM-GRU预测模型以进一步提升环境车辆轨迹预测的准确性.在此基础上,使用NGSIM公开数据集对模型进行训练、验证和测试.研究结果表明,融合了Dropout和注意力机制的LSTM-GRU神经网络轨迹预测模型相较标准的LSTM长短期记忆网络以及GRU门控循环单元,在预测较长时序的车辆轨迹上具有优势,提高了轨迹预测的准确性,降低了实际轨迹和预测轨迹之间的均方根误差和平均绝对误差.     

“复杂空域环境下多飞行器协同机动理论与方法”2013年度报告

在多飞行器航迹动态协同规划方法方面,已经初步完成飞行器自主控制与机动调控飞行演示系统和微型无人旋翼飞行器(直升机、四旋翼)的实验平台。在环境和飞行轨迹给定的条件下,该系统可以演示多飞行器的航迹规划效果。在此基础上提出了一些约束条件下多飞行器航迹动态协同规划方法,以满足低空复杂飞行的需求     

智能RGV的动态调度策略

针对2018年全国大学生数学建模竞赛B题,本文通过建立三种不同情况下的RGV动态调度模型,编写相应的求解算法,给出了RGV的调度策略和系统的作业效率,并对模型的实用性和算法的有效性进行了检验.任务1中,针对一道工序的情况,引入固定起点的最短路径问题和动态规划等数学思想,建立基于动态路径的调度模型和编写RGV实时路径仿真算法.针对两道工序的情况,在动态规划中增加相应约束条件的同时,通过增加RGV状态变量,优化了模型和算法.针对出现故障的情况,建立基于空闲时间插入法的故障扰动模型,缩小了RGV决策集,从而实现了相关算法.任务2中,通过算法程序,得到了RGV的旅行轨迹和一定时间内加工的工件数,从而得出了RGV调度策略和系统作业效率.     

基于在线模型辨识的飞行器多约束复合制导技术

针对飞行器再入制导问题,该文引入控制变量参数化、积分问题转换和在线模型辨识等技术,提出一种跨周期迭代的可行轨迹预测校正算法,并结合标称轨迹跟踪算法形成一套多约束复合制导方案。利用一种复合高度-速度(height velocity,HV)飞行走廊,将再入轨迹规划问题简化为单调函数寻根问题。为提高射程预测计算效率,引入Gauss-Legendre求积公式,将积分问题转化为函数计算问题。采用递推最小二乘估计方法,收集历史预测信息,实现模型在线辨识功能,并采用跨周期Newton-Raphson方法完成高度权重系数的在线修正。在标称轨迹跟踪器设计的基础上,开展飞行器数值仿真试验,结果表明:基于在线模型辨识的复合制导方法具有显著的速度优势,且具有优异的自主性和自适应能力。     

空间机动平台的类型与特点及军事应用分析

空间机动平台是新型军事平台,将成为联合作战空间的重要组成部分,可有效弥补军用航天器和航空器的不足,提高武器装备联合应用能力,增强整体作战效能,具有重要的军事应用价值。本文介绍了空间机动平台中近地空间飞行器的概念;依近地空间飞行器的方式、原理,归纳了近地空间飞行器类型及特点,并对近地空间飞行器的军事应用进行了分析。     

低轨飞行器跟踪控制算法模型设计

低轨飞行跟踪控制有2种模式:已知运行轨迹的运行情况跟踪和随动飞行器跟踪.对已知运动轨迹的飞行器跟踪,主要是获取飞行器的运行轨迹参数,用以判断飞行轨迹是否偏离原来的设定,通过调节接收器的跟踪位置以获取传输的数据;随动跟踪的运行轨迹未知,跟踪算法和设备状况有关,控制过程算法要求高.就一跟踪系统对已知轨迹低轨飞行器的跟踪控制算法模型进行了设计,在应用上取得了较好的效果.     

高超声速飞行器上升段轨迹设计

由于高超声速飞行器自身的飞行特点,其轨迹设计一直存在很多困难.高超声速飞行器受到各种气动、结构、过载的约束,在飞行器的上升段这些约束对轨迹的影响更为明显.因此,设计高超声速飞行器上升段轨迹需重点考虑这些约束问题.基于这样的思想,通过建立飞行器的动力学模型及最优控制模型,并进行了合理的模型转换,通过仿真计算得出了高超声速飞行器上升段的轨迹.结果表明,设计方法合理可行,可为以后类似的工作提供参考和帮助.     

数据驱动下交通异常行为的双层识别模型

为实现对车辆异常行为的准确识别,提高车辆行驶的安全性,提出了一种基于支持向量机(support vector machine, SVM)、监督学习与长短期记忆(long short term memory, LSTM)深度学习的交通异常驾驶行为双层识别模型。首先,对车辆轨迹数据筛除和滤波,构建异常行为数据集;其次,从异常行为轨迹特征中提取出特定异常行为的特征标签,并人为标定在训练集中;再次,构建SVM模型对训练集进行粗识别,基于SVM的二分法原理,从测试集中筛选出异常行为;最后,通过LSTM时间序列模型构建具体种类的异常行为模型,并通过深度学习的方法,从异常行为数据中细分为蛇形驾驶、急速变向、侧滑、大半径转弯、快速U型转弯、急刹车等具体的异常驾驶行为。本次实验选用下一代仿真(next generation simulation, NGSIM)数据中US-101高速公路和peachtree城市道路的数据集的轨迹数据验证SVM和LSTM双层识别模型的性能,包括均方根误差、识别准确率等。结果表明,构建的双层识别模型在第一层有98%的识别准确率,第二层有超过80%的识别准确率,可以较为准确地识...     

基于Gabor特征和协同神经网络的车牌识别方法

研究了车牌字符识别问题,针对车牌识别系统易受天气及光照变化影响的实际应用,将Gabor特征和协同神经网络应用在车牌字符识别中,提高了识别率.首先对车牌字符进行二值化和切分,然后利用Gabor滤波器提取车牌字符的特征参数;再利用协同模式训练特征参数,进而得出训练样本;最后根据协同神经网络进一步识别车牌字符.通过大量仿真实验表明,该方法在不同场景、光照条件下,与传统方法相比,识别率有了较大改进,该方法在车牌识别领域有较强的实用性.     

基于机动动作元的敌机战术机动在线识别方法

敌机战术机动动作的在线识别可为空战态势感知、任务规划和辅助决策提供重要参考信息.针对雷达数据不能提供敌机姿态信息,导致战术机动动作难以直接描述的问题,提出了一种基于空战机动动作元的两级识别方法.首先分析了雷达传感器提供的特征信息;其次根据战术动作的航迹曲线,将空战战术动作分解为11种基本的机动动作元,降低了动作描述的复杂度;然后采用随机森林和支持向量机设计了两级识别方法,层级1利用航迹参数识别机动动作元,层级2根据动作元序列和运动参数识别战术动作.通过对仿真飞行数据进行验证,表明机动动作元能有效描述典型机动动作,提出的方法能够实现敌机战术机动的准确在线识别.      

深度残差网络和LSTM结合的图像序列表情识别

为了改善图像表情和图像序列表情识别效果,针对传统表情识别特征提取复杂和效果不理想问题,提出了一种深度残差网络和局部二值模式(local binary patterns,LBP)相结合的特征提取方法,利用深度残差网络提取数据集的空域特征,长短期记忆网络(long short-term memory,LSTM)处理时域特征,实现空域与时域特征的结合。研究了不同层数的残差网络、不同形式的LBP算子以及其他网络结构对人脸表情识别的影响,对比了支持向量机和随机森林实现的序列表情识别算法。在Cohn-Kanade数据集和AFEW6.0数据集上进行了验证,实验结果表明,算法在验证集上的准确率分别为73.1%和58.4%,相比其他算法有一定程度的提升。     

语音识别中的DenseNet模型研究

为了解决语音识别中由网络加深导致的低层特征消失、参数量大及网络训练困难的问题,基于Inception V3网络的非对称卷积思想,提出了一种改进的密集连接卷积神经网络(densely connected convolutional neural networks, DenseNet)模型。根据语音识别的长时相关性,通过密集连接块建立起不同层之间的连接关系,从而保存低层特征、加强特征传播;为了得到尺度更丰富的声学特征,将卷积核的范围进行扩大;利用非对称卷积思想分解卷积核,以减少参数量。实验结果表明,相较经典深度残差卷积神经网络模型和原始DenseNet模型,提出的模型在THCHS30数据集上的语音识别性能更好,在保证识别率的情况下,还减少了网络参数量,提高了模型训练效率。     

改进YOLOv5的多车辆目标实时检测及跟踪算法

多车辆目标跟踪时间主要花费在车辆检测模块和对每个车辆表观特征提取模块，一般情况下，车辆检测和车辆表观特征提取是在不同的神经网络中进行的，且一张图中的车辆目标越多，对车辆表观特征提取耗费时间的也越多，推理时间也相应变长。针对这一问题，基于经典的Tracking-By-Detection模式，提出一种改进的YOLO模型：在YOLO网络中添加ReID特征识别模块，使YOLO在输出目标位置信息的同时输出目标特征信息，以提高算法的跟踪速度。针对车辆间彼此覆盖的情况，提出一种基于动态IOU阈值的非极大抑制算法，以提高算法的跟踪精度。最后将YOLO输出的信息进行数据匹配，从而实现多目标跟踪。在UA-DETRAC数据集上验证改进模型的有效性，实验结果表明，将YOLOv5网络进行改进后运用在目标跟踪算法中，相对于经典的YOLO+DeepSORT跟踪模型，在车辆密集的情景下平均推理时间减少了17%；在改进后的网络上添加动态IOU阈值非极大抑制，跟踪精度提高了3.9个百分点。改进后的模型有较好的实时性与跟踪准确率。     

基于图像边缘轮廓的银行支票小写金额识别

银行支票的小写金额识别已有比较成熟的发展,针对模版匹配手写数字识别有太多的不确定性,BP网络手写数字识别训练复杂,参数不易设置等。本文提出了一种新的以手写数字0～9图像四个方向不同边缘轮廓为特征矢量,当前输入图像的特征矢量与标准特征矢量的最小欧几里德距离为判别公式,识别出支票上的小写金额,识别率98.5％。     

基于辅助模态监督训练的情绪识别神经网络

为了解决多模态数据中数据样本不平衡的问题,利用资源丰富的文本模态知识对资源贫乏的声学模态建模,构建一种利用辅助模态间相似度监督训练的情绪识别神经网络。首先,使用以双向门控单元为核心的神经网络结构,分别学习文本与音频模态的初始特征向量;其次,使用SoftMax函数进行情绪识别预测,同时使用一个全连接层生成2个模态对应的目标特征向量;最后,利用该目标特征向量计算彼此之间的相似度辅助监督训练,提升情绪识别的性能。结果表明,该神经网络可以在IEMOCAP数据集上进行情绪4分类,实现了82.6%的加权准确率和81.3%的不加权准确率。研究结果为人工智能多模态领域的情绪识别以及辅助建模提供了参考依据。     

Micro-expression recognition algorithm based on the combination of spatial and temporal domains

Aiming at the problem of unsatisfactory effects of traditional micro-expression recognition algorithms,an efficient micro-expression recognition algorithm is proposed,which uses convolutional neural networks(CNN) to extract spatial features of micro-expressions,and long short-term memory network(LSTM) to extract time domain features.CNN and LSTM are combined as the basis of micro-expression recognition.In many CNN structures,the visual geometry group(VGG) using a small convolution kernel is finally selected as the pre-network through comparison.Due to the difficulty of deep learning training and over-fitting,the dropout method and batch normalization method are used to solve the problem in the VGG network.Two data sets CASME and CASME II are used for test comparison,in order to solve the problem of insufficient data sets,randomly determine the starting frame,and a fixedlength frame sequence is used as the standard,and repeatedly read all sample frames of the entire data set to achieve trayersal and data amplification.Finallv.a hieh recognition rate of 67.48% is achieved.