基于强化学习的多雷达抗干扰算法研究

针对多雷达系统在受到环境的扫频干扰下无法工作的问题,研究了基于深度强化学习的多雷达共存抗干扰算法。文中将环境划分为多个子频段,对干扰占用频段过程进行建模,用马尔可夫模型对多雷达系统进行建模;对双深度Q网络(Double DQN)强化学习算法进行改进,与门控单元循环神经网络相结合,使之能处理依赖于长时间序列的干扰问题;提出了基于门控循环记忆的深度确定性策略强化学习算法,针对Double DQN强化学习中的网络臃肿和行动集合较大的问题进行了改进,采用直接输出行动策略,有效降低了网络复杂度。实验仿真结果表明,在多雷达存在的情况,该算法通过避开存在干扰的频点,不仅能够有效降低来自外界的干扰,还能减少己方雷达相互之间的干扰。

基于Stateflow的直升机自动过渡悬停的设计

过渡悬停是直升机执行很多任务时必须完成的飞行任务,当直升机在海上飞行时,在一望无际的海面上空,飞行员目视判断高度比较困难,在低空进行救援,吊拽或者利用"声纳"搜索敌方潜艇进行反潜作战等任务时很不方便,这时一个能实现直升机过渡悬停的自动驾驶仪显得尤为重要;文中设计了一种新型的自动过渡悬停系统,在高度下降指令中加了法向速度反馈,在纵向地速减小过程中增加了抛物线减速阶段;并用stateflow和simulink工具对所设计的系统进行了验证,得到的过渡曲线平滑且满足加速度的指标要求,证明所设计系统的正确性。

基于RBF神经网络的进气压力控制方法研究

针对高空台进气压力控制系统的强非线性特性和被控对象难以精确建模的问题,传统的PID控制在被试发动机进行加减速等过渡态时难以满足进气压力控制性能要求,提出了基于数据驱动的高空台压力控制方法,设计了基于RBF(Radial Basis Function,径向基函数)神经网络的最优控制架构,通过分析进气压力控制系统的输入和输出,给出了进气压力控制系统的RBF神经网络控制方法;利用高空台的大量试验数据对所设计的控制方法进行了训练和测试。测试结果表明,所设计的智能控制方法有良好的控制性能,能够满足进气压力的过渡态自适应控制。

高混合比双组元推进剂剩余量偏置控制研究

运载能力是火箭的核心性能指标,大型液体运载火箭大都采用高性能的双组元推进剂,推进剂的使用及剩余量控制对运载能力和运载效率影响很大,特别是入轨级。针对目前火箭常用的高性能双组元推进剂,利用系统对推进剂混合比偏差的调节能力,研究了3种控制模型(等概率耗尽模型、等质量剩余模型、最优剩余模型)及其对运载能力的影响。根据理论分析、模拟打靶及飞行数据对比,发现相较传统的氧燃推进剂等比例剩余控制策略,对于高混合比的氢氧推进剂,氧化剂和燃烧剂在非等比例剩余的情况下能够减少推进剂剩余量,提升运载能力,等质量剩余和最优剩余差别较小,在工程上可以采用更简单的等质量剩余控制推进剂剩余量。

基于深度去噪自动编码器的无人机航空影像目标检测

利用无人机航拍获取目标场景影像信息的方式,具有可低空作业、覆盖面积广、机动性强、效率高、不受地势环境阻碍等优点,广泛应用于军民用领域,军事领域包括威胁目标空中监视、目标搜索、目标打击,民用领域包括交通监测、灾难营救、管线巡检、区域勘测、边境巡逻等方面。无人机航空影像目标检测过程中,针对待识别目标具有多个角度、成像像素尺寸小、机体震动干扰强等困难,提出一种基于深度去噪自动编码器的目标检测模型。该模型通过进行选择性搜索,提取航空影像感兴趣区域,计算感兴趣区域的径向梯度特征,得到旋转不变特征向量,利用深度去噪自动编码器滤掉原始数据中的噪声,并提取特征向量的深层特征。在国际无人机低空航空影像标准数据集UAV123以及德国宇航院的慕尼黑无人机航空影像集DLR 3K上开展了识别实验,结果表明,针对航空影像目标包括地面车辆、行人、海面船只等,所提方法能够达到90%以上的识别精度,在精准率、召回率、F1调和值等指标上领先于现有方法。

鸭式旋翼/机翼飞机悬停状态飞行动力学特性

针对鸭式旋翼/机翼(Canard Rotor/Wing,CRW)飞机独特的气动布局,常规的分析方法及经验公式很难准确地对CRW飞机进行飞行动力学研究,通过飞行辨识对CRW飞机悬停状态特性进行了研究。首先,设计了飞行试验并获得了高质量的飞行数据,基于频率响应对CRW飞机的状态空间模型进行了简化。然后,在频域内对飞机的动力学参数进行了拟合优化,获得了CRW飞机悬停状态的动力学模型,并用飞行数据对所建模型进行了验证。最后,用辨识所得参数与常规直升机悬停状态时的参数进行了对比。结果显示悬停时CRW飞机的操纵导数和阻尼导数均比常规直升机小,经分析,操纵导数的减小主要是CRW飞机独特的旋翼设计所致,阻尼导数减小的原因主要是旋翼气动影响以及鸭翼、平尾、垂尾的结构影响。动力学特性分析结果为CRW飞机旋翼模式总体设计的进一步优化提供了指引和参考,所建立的模型可用于控制系统设计。

基于形态自适应网络的无人机目标跟踪方法

针对无人机影像目标跟踪过程中常出现的目标方向变化、目标遮挡变化、样本多样性不足等问题,提出了一种基于形态自适应网络的无人机航空影像目标跟踪算法。首先使用基于数据驱动的方法对数据集进行扩增,添加了遮挡样本和多旋转角度样本,提高样本多样性;提出的形态自适应网络模型通过旋转不变约束改进深度置信网络,提取强表征能力的深度特征,使得模型能够自动适应目标形态变化,利用深度特征变换算法获取待检测目标的预定位区域,采用基于Q学习算法的搜索机制对目标进行自适应精准定位,使用深度森林分类器提取跟踪目标的类别信息,得到高精度的目标跟踪结果。在多个数据集上进行了对比实验,实验结果表明该算法能够达到较高的跟踪精度,可以适应目标旋转、目标遮挡等形态变化情况,具有较好的准确性和鲁棒性。