基于深度卷积神经网络的多飞行器构型保持研究

基于深度卷积神经网络设计了"智能-校正"算法以快速生成制导指令;深度学习模型是由卷积层、全连接层、批量归一化层和残差网络(ResNet)组合成的一个19层深度神经网络,飞行器状态变量转化为类似于图像像素矩阵的二维矩阵,通过sgd优化和权重衰减正则项将神经网络的训练误差降低至约0.025°;之后针对飞行器运动存在制导指令...     

基于深度学习的交通袭击攻击方式智能识别

针对交通袭击事件特征自动学习提取、特征提取与模式识别融合问题,提出基于深度学习的交通袭击攻击方式智能识别方法;利用加噪自动编码深度神经网络从高维度、多样化的交通袭击事件统计大数据中自动学习提取出各类攻击方式特征,并利用微调将特征学习与模式识别融为一体,最终实现交通袭击攻击方式的智能识别;采用全球恐怖主义数据库的数据对该...     

航天器交会型轨道追逃策略的滚动时域优化

针对航天器自由时域交会型轨道追逃过程中的测量误差等不确定性对交会的影响,提出了一种基于滚动时域优化的高时效策略求解方法。根据微分对策理论推导得到博弈鞍点控制策略,并对问题进行等价转换;通过预先离线求解开环鞍点策略,将问题初始状态和相应的解作为样本以进行神经网络训练,训练后的网络结构可以快速得到相应问题的近似解。为了更好地应对博弈环境中的测量噪声,基于神经网络结构设计了滚动时域求解框架,并通过周期性的滚动求解最终实现对逃逸航天器的交会。数值仿真表明,所提出的策略可以有效应对测量噪声不确定性,且相比于文献中已有的策略,计算耗时可从分钟级降至秒级。     

深度视觉语音生成研究进展与展望

为了进一步推进深度学习技术驱动的视觉语音生成相关科学问题的研究进展,阐述了视觉语音生成的研究意义与基本定义,并深入剖析了该领域面临的难点与挑战;在此基础上,介绍了目前视觉语音生成研究的现状与发展水平,基于生成框架的区别对近期主流方法进行了梳理、归类和评述;最后探讨视觉语音生成研究潜在的问题和可能的研究方向。     

基于层次情节性元强化学习的对抗行为评估

基于强化学习的敌方对抗行为评估能够提高仿真推演的智能化水平,强化学习算法的训练速度成为制约其实际军事应用的关键.为了加快强化学习速度,首先将敌方对抗行为评估建模为多任务强化学习,并将环境知识和经验集成到学习算法,提出基于层次情节性元强化学习(Hierarchical Episodic Meta?Deep Reinfor...     

基于多智能体强化学习的勤务保障指挥调度方法

在时、空、资源受限的复杂勤务保障场景中,实现动态、高效且可靠的勤务保障组织指挥调度,对于提升大型舰船平台飞机出动能力至关重要。通过分析飞机勤务保障指挥调度任务特点,建立多机、多保障作业并行执行的勤务保障指挥调度马尔科夫决策过程,将多智能体技术与强化学习深度结合,构建多智能体深度确定性策略迭代模型,自动生成保障计划。经仿真实验验证,所提出的勤务保障指挥调度方法,能有效满足飞机勤务指挥调度优化需求。     

人工智能技术在航天装备领域应用探讨北大核心

人工智能技术被各主要强国视为“改变游戏规则”的尖端技术之一,有望提升航天装备可靠性、快速性和自主性,从而产生颠覆性影响。简要分析了人工智能的技术发展态势及其在航天装备中的应用态势。建立了人工智能在航天装备领域应用体系,并在此基础上,按照进入太空、利用太空和控制太空的维度,从运载火箭、卫星通信、卫星遥感、卫星导航、载人飞船、太空态势感知等方面,深入分析了人工智能在航天装备领域的应用场景。最后,归纳了人工智能在航天装备领域应用的趋势。为我国发展人工智能技术在航天装备领域的应用提供参考。