基于LSTM的四旋翼无人机轨迹预测方法

实时、准确、高效的轨迹预测是对四旋翼无人机进行有效管控的重要前提.基于深度学习理论,提出一种基于长短期记忆神经网络(LSTM)的四旋翼轨迹预测方法.在LSTM基础上,使学习速率自动调整,基于四旋翼无人机位置坐标与速度参量,对轨迹数据进行训练与预测,其经度、纬度、高度误差分别为6.04、6.45、2.33 m.分析历史时间步长对于预测精度的影响,结果表明历史学习步长为40～45时,LSTM预测结果最佳;比较不同预测步数的预测误差,结果表明一步预测、两步预测误差结果较好,三步预测误差显著增大.     

脉冲控制下半马尔可夫随机MAS的均方一致性

针对多智能体系统会受到外部干扰而使系统结构随机发生改变的问题,提出了当切换信号服从半马尔可夫过程时,领导-跟随随机多智能体系统实现均方一致的控制算法。运用代数图论、半马尔可夫过程的转移速率与驻留时间分布函数相关性质和Lyapunov稳定性理论等理论工具,对控制算法进行了稳定性分析。通过设计合适的脉冲控制协议,给出了系统实现均方一致性的充分条件。条件表明,若脉冲间隔具有某一上界,均方一致性仍可实现。最后,数值仿真验证了结果的有效性。     

基于NTRU格的云数据可撤销属性基加密方案

针对现有基于离散对数求解难题的云数据加密方案无法抵御量子计算攻击并同时实现安全有效的属性撤销问题,提出一种基于NTRU格的云数据可撤销密文策略属性基加密方案RNL-ABE.首先将基于NTRU格的加密算法与属性基加密结合以抵御量子计算攻击,实现细粒度访问控制和安全属性撤销,避免重新进行密钥分发;改进密钥结构,防止系统中的合法用户、撤销用户、外部攻击者之间实施共谋攻击.最后基于环上误差学习难题(R-LWE),对RNL-ABE方案进行了形式化证明,并与同类型方案进行了仿真性能比较.结果表明:RNL-ABE方案在选择属性集模型下能够抵御量子计算攻击并实现安全的属性撤销;相比其他同类型方案,所提出方案在效率上更具有优势,计算和通信开销均减少50%以上.     

随机微分方程平衡θ-Heun方法的稳定域

求解随机微分方程时,为了更好地得到数值解的稳定性,在θ-Heun方法的基础上,结合平衡法的思想,给出了平衡θ-Heun方法;对于带有乘性噪音的随机微分方程,得到平衡θ-Heun方法的稳定域,并研究了合适参数对稳定域的作用.最后,通过数值算例验证了相关结论.     

＂政、企、校＂协作破解高职院校教师下企业锻炼面临的问题

高等职业院校教师下企业实践锻炼是打造一批高素质的具有“双师”素质教师队伍的有效办法。但目前由于学校、企业、政府对各自角色认识的不足,导致高职院校教师下企业实践锻炼效果并不理想。只有“校、企、政”三方共同协作,才能实现多赢,促进职业教育和社会经济的全面发展。     

含未知输入非线性系统的扩展平方根容积卡尔曼滤波算法

针对工程实际应用中存在的未知输入会导致经典的非线性滤波器状态估计精度下降甚至滤波发散的问题,提出了一种基于最小方差无偏估计(minimum variance unbiased estimation, MVUE)准则的扩展平方根容积卡尔曼滤波(extended square-root cubature Kalman filter, ESRCKF)算法。首先,结合上一时刻未知输入估计值对状态一步预测值进行修正,得到含未知输入条件下的状态预测值。其次,设计新息并采用加权最小二乘(weighted least squares, WLS)法获取当前时刻未知输入的无偏估计。最后,通过最小化协方差矩阵的迹,同时采用拉格朗日乘子法和舒尔补引理得到系统状态的最小方差无偏估计。仿真结果表明,相比于现有的非线性滤波算法,ESRCKF算法提高了在处理含未知输入非线性系统时的状态估计精度,并能同时实现系统状态和未知输入的最优估计,验证了该算法的有效性。     

基于LVQ神经网络的水果图像分割研究

由于传统边沿检测算子在水果颜色多样、亮度不均匀时,难以分割得到完整、无噪声的二值图像且依赖优化的阈值,本研究提出了一种基于LVQ神经网络的水果图像分割方案。首先将彩色图像转变为灰度图像;然后对Canny算子获得的边沿图像随机选取一些像素作为网络的学习监督信号,仅以灰度图像中相同位置像素3×3邻域的Kirsch算子梯度值作为输入,训练权值;最后重新将原灰度图像的Kirsch算子梯度值输入到训练好的网络中,获得封闭的边沿并填充得到二值图像。考察了14幅像素为640×480的水果图像,结果表明：网络在很宽广的阈值范围内（0.001 ~ 0.99）分割得到完整、一致的二值图像;面积误差最小为0.9%,最大为8.83%,不依赖于优化的阈值,不需要对原始图像滤波预处理。与没有阈值及滤波的算法相比,本方案的误差和时间复杂度均更低;与设置了阈值和/或滤波的算法相比,本方案与之相当,甚至效果更优。     

基于mRMR-IPSO的短期负荷预测双阶段特征选择

电力负荷具有时空多变的特性,受众多因素的影响,在短期负荷预测中较多的输入特征会造成维度灾难,导致模型预测性能不佳,因此选择合理的输入特征集至关重要。文章提出一种新的短期负荷预测特征选择方法——mRMR-IPSO双阶段法。利用最大相关最小冗余（max-relevance and min-redundancy,mRMR）判据对原始特征进行排序,考虑输入特征与输出特征之间相关性和输入特征间冗余性,筛选掉一些排序靠后的特征,初选出对预测效果影响显著的特征子集;采用基于改进的粒子群优化算法（improved particle swarm optimization,IPSO）的搜索策略,以LightGBM模型的预测精度为适应度函数,对初选特征子集进行精选,得到最优特征子集。算例结果表明,所提方法能在对原始特征集大幅降维的情况下提升预测精度。     

利用优化方法推算室内固结系数

利用最小二乘原理把固结系数确定问题转化为非线性优化问题,再用单纯形法对固结试验数据进行拟合计算,直接求出固结系数。计算结果表明:单纯形法可消除常规作图法中人为因素影响,有效地减少误差;且方法收敛速度较快,计算精度较高,通用、可靠。