基于DDPG算法的海上无人救援技术研究

针对海上无人救援过程中遇险目标的漂移及如何快速靠近的问题,提出一种基于深度强化学习理论的目标追踪算法,使无人搜救船在与环境交互的过程中学习到自主驾驶追踪漂移遇险目标的最优驾驶决策.在SART的辅助下,通过自主学习能够使搜救船以最短的时间追踪到漂移遇险目标.在Gazebo物理仿真器中建立三维仿真环境,基于ROS系统分别设...     

基于多层级合作标识无人机自主着舰视觉引导方法

无人机自主着舰视觉引导应用距离跨度大、测量精度要求高,尚缺乏有效的解决方法,针对此问题,提出一种基于多层级合作标识的无人机自主着舰视觉引导方法。该方法首先设计了基于ArUco的多层级组合新型合作标识,利用边缘检测算法对每一层ArUco二维码提取控制点,进一步通过求解PnP(Perspective-n-Point)问题得到机舰间相对位姿信息,然后对每一层二维码所解算出的位姿数据进行非线性误差补偿,利用最小二乘法(Least Mean Squares,LMS)与熵权法解算不同层级二维码的权值大小,最终通过融合不同层级二维码位姿解算结果得到最终的位姿信息,实现大距离跨度范围内的高精度位姿求解。实验结果表明,本文方法实现了大距离跨度范围内机舰间相对位姿参数的高精度测量,可为无人机自主着舰提供可靠引导信息。     

一种基于注意力机制的短临降雨预报方法

针对现有气象业务中短临降雨预报不精确的问题,提出一种基于注意力机制的短临降雨预报方法。计算标准化降水指数后对因子作归一化处理;使用随机森林算法筛选出与降雨密切相关的气象因子;设计带有注意力机制的长短期记忆网络模型,有效解决长时间降雨序列信息丢失的问题,强化对关键信息的提取能力;对注意力权重可视化,提高模型透明度。在全国92个站点的实验结果验证了该方法有较好的泛化能力,在预测短临强降雨情况下比现有方法准确率更高。     

关于尼龙-6/炭纳米管复合材料的研究

在原位复合尼龙－６／炭纳米管（ＰＡ６／ＣＮＴ）过程中,炭纳米管将以其外壁上连接的羧基官能团（－ＣＯＯＨ）参与尼龙－６（ＰＡ６）的加成聚合反应,并阻碍ＰＡ６分子的长大。这在很大程度上削弱了基体强度。采用改进原位复合法复合ＰＡ６／ＣＮＴ,可大大提高ＰＡ６分子的平均分子量,减轻炭纳米管对基体ＰＡ６强度的削弱,大幅度提高ＰＡ６／ＣＮＴ复合材料的强度。     

微型机器人的发展动向

自工业机器人问世以来,其种类日益繁多、性能不断改进、工作领域也在继续扩大.从深海到宇宙空间,在各种人体所不能承受的极限环境条件下都能找到机器人的应用。目前,机器人又开始进入一个新的发展领域:巨型系统(如全自主控制的高人工智能无人航天站)和微型系统.本文只涉及近年来国际上微型系统的发展动向。     

让Windows 2003拒绝泄密

一直以来，Windows 2003系统是大家公认在安全方面做得比较好的操作系统，以致于很多人在使用了Windows 2003操作系统后就认为自己的系统安全已经“高枕无忧”了。     

基于强化协同算法的多目标生产调度模型研究

针对流程工业生产调度具有复杂性、多约束性和多目标性难以优化的特点,提出了一种新型强化协同优化算法 (N C O ),并将该算法应用于求解多目标优化问题,提出了基于N C O 算法的多目标协同优化方法(M O N C O )。研究表明, M O N C O 算法应用于车间调度问题,不仅可以优化生产工序,还能减少迭代次数,提高计算效率。     

用FPGA实现任意波形发生器的两种方法

主要提用FPGA实现任意波形发生器的两种方法。在详细讨论了两种设计方法的原理的基础上,利用FPGA设计了其中的核心单元,给出了用MaxplusⅡ设计的电路图,并分别作出了详细说明。最后运用MaxplusⅡ和MATLAB的仿真功能,对两种方法进行了分析,给出了相关结论。根据系统集成的具体要求,选用这两种方法,可以大大提高设计的集成度和灵活性,增强产品的可靠性。     

基于主成分分析的装备保障能力薄弱环节模型研究

针对如何确定装备保障能力薄弱环节,进而提高装备保障能力,在分析保障系统,建立保障能力评估指标体系的基础上,运用主成分分析法求各指标共同度确定权重,并建立保障能力评估模型进行评估。提出指标薄弱度和指标裕度空间的概念,通过计算各指标薄弱度来确定薄弱环节,改变以往只依靠指标权重来确定保障能力薄弱环节的状况。结合实例运用Matlab软件仿真模型,计算各单位保障能力薄弱度,得出指标改进的优先排序。实践证明,所采用的方法能够合理配置资源,进而能快速、有效提高部队保障能力。     

Kernel-kNN: 基于信息能度量的核k-最近邻算法

提出一种核k最近邻算法. 首先给出用于最近邻学习的信息能度量方法, 该方法克服了高维数据不便于用传统距离度量表示的困难, 提高了数据间类别相似性和距离的一致性. 在此基础上, 将传统的kNN扩展为非线性形式, 并采用半正定规划学习全局最优的度量矩阵. 算法主要特点是: 能较好地适用于高维数据, 并有效提升kNN 的分类性能. 多个数据集的实验和分析表明, 本文的Kernel-kNN算法与传统的kNN算法比较, 在低维数据上, 分类准确率相当; 在高维数据上, 分类性能有明显提高.