摘要:基于模型的系统工程(model based systems engineering,MBSE)是一种将系统工程理论与数字化技术相结合的复杂产品研制技术,能够以系统工程思维有效驱动复杂产品研制流程,并以系统模型方式形式化地表达系统复杂交互作用.对此,首先以复杂产品研制背景、MBSE国内外发展状况为理论基础,总结并介绍目前MBSE在复杂产品研制过程中存在的问题;其次,以MBSE模型域、技术域、功能域、跨域支撑要素和应用域为研究层面,结合人工智能、数字孪生、数字主线等数字化技术综合考虑MBSE工程实践所需的关键要素,提出一种面向复杂产品研制的MBSE体系架构并进行详细论述;最后,基于该体系架构研判目前MBSE发展形势,并以数据模型为核心生产要素的角度进一步探讨未来MBSE的发展趋势.

摘要:得益于深度学习强大的特征表达能力和强化学习有效的策略学习能力,深度强化学习在一系列复杂序贯决策问题中取得了令人瞩目的成就.伴随着深度强化学习在诸多单智能体任务中的成功应用,其在多智能体系统中的研究方兴未艾.近年来,多智能体深度强化学习在人工智能领域备受关注,可扩展与可迁移性已成为其中的核心研究点之一.鉴于此,首先阐释深度强化学习的发展脉络和典型算法,介绍多智能体深度强化学习的3种学习范式,分析两类多智能体强化学习的典型算法,即分解值函数方法和中心化值函数方法;然后归纳注意力机制、图神经网络等6类具有可扩展性的多智能体深度强化学习模型,梳理迁移学习和课程学习在多智能体深度强化学习可迁移性方向的研究进展;最后讨论多智能体深度强化学习的应用前景与研究方向,为未来多智能体深度强化学习的进一步发展提供可借鉴的参考.

摘要:针对非结构化环境地面无人驾驶路径规划过程中路径避障以及多车路径冲突的难题,通过同调以及de Rham上同调对环境中障碍物拓扑信息的精确描述,提出一种拓扑约束下基于A*算法且用时更短的路径规划算法.该算法可实现非结构化环境中多无人车全局路径的拓扑分类,从而为多车的协同规划提供一种新的研究思路.此外,结合C-空间动态广义Voronoi图(GVD)的路径拓扑分离特性,提出一种拓扑约束下可用于多无人车全局路径规划的高效算法-----C-空间-GVD-${h_S

摘要:目标检测是计算机视觉领域的重要研究方向.传统的目标检测方法在特征设计上花费了大量时间,且手工设计的特征对于目标多样性的问题并没有好的鲁棒性,深度学习技术逐渐成为近年来计算机视觉领域的突破口.为此,对现有的基础神经网络进行研究,采用经典卷积神经网络VGGNet作为基础网络,添加部分深层网络,结合SSD(single shot multibox detector)算法构建网络框架.针对模型训练中出现的正负样本不均衡问题,根据困难样本挖掘原理,在原有的损失函数中引入调制因子,将背景部分视为简单样本,减小背景损失在置信损失中的占比,使得模型收敛更快速,模型训练更充分,从而提高复杂背景下的目标检测精度.同时,通过构建特征金字塔和融合多层特征图的方式,实现对低层特征图的语义信息融合增强,以提高对小目标检测的精度,从而提高整体的检测精度.仿真实验结果表明,所提出的目标检测算法(feature fusion based SSD,FF-SSD)在复杂背景下对各种目标均可取得较高的检测精度.

摘要:针对具有状态和控制约束的非线性车辆队列系统多目标控制问题,提出一种分布式多目标模型预测控制(model predictive control, MPC)策略.首先,基于前车-后车单向通信拓扑,建立网联车辆队列非线性纵向巡航模型,应用字典序算法描述分布式多目标MPC问题;然后,通过设计弦稳定与收缩约束,并结合MPC三要素条件,保证车辆队列在经济性能与协同性能最优条件下的稳定性和弦稳定性结果;最后,通过典型工况的仿真结果验证所提出策略的有效性.

摘要:素描行人重识别任务要求在彩色图像库中寻找与给定素描图像相同身份的行人.由于行人的素描图像与彩色图像之间的姿态、视角等信息不同,两个模态在相同的空间位置往往具有不同的语义信息,导致所提取的特征不具备鲁棒性.以往的研究着重于行人不随着模态信息变化的特征提取,而忽略了不同模态间语义不对齐的问题,进而导致最终编码的特征受到摄像机视角、人体姿态或者遮挡等干扰,不利于图像的匹配.对此,提出基于通道信息对齐的素描行人重识别模型.其中:语义信息一致性学习模块引导网络在特征的相同通道上形成固定编码的语义信息,降低语义信息不对齐所带来的影响;差异性特征注意力模块辅助网络编码具有差异性的身份相关信息,并设计空间差异正则化项以防止网络仅关注局部特征.两个模块互相配合,强化网络对语义信息的感知和对齐.所提出的方法在具挑战性数据集Sketch Re-ID、QMUL-ShoeV2上的rank-1和mAP分别达到60.0%和59.3%、33.5%和46.1%,从而验证了所提出方法的有效性.

摘要:地铁站空调系统能源消耗较大,传统控制方法无法兼顾舒适性和节能问题,控制效果不佳,且目前地铁站空调控制系统均是对风系统和水系统单独控制,无法保证整个系统的节能效果.鉴于此,提出基于强化学习的空调系统节能控制策略.首先,采用神经网络建立空调系统模型,作为离线训练智能体的模拟环境,以解决无模型强化学习方法在线训练收敛时间长的问题;然后,为了提升算法效率,同时针对地铁站空调系统多维连续动作空间的特点,提出基于多步预测的深度确定性策略梯度算法,设计智能体框架,将其用于与环境模型进行交互训练;此外,为了确定最佳的训练次数,设置了智能体训练终止条件,进一步提升了算法效率;最后,基于武汉某地铁站的实测运行数据进行仿真实验,结果表明,所提出控制策略具有较好的温度跟踪性能,能够保证站台舒适性,且与目前实际系统相比能源节省约17.908%.

摘要:针对多目标仿真优化的高昂成本及黑箱函数难以获取问题,提出基于双重权约束期望改进策略的多目标并行代理优化方法.首先,建立Kriging模型获取未试验点的预测不确定性;其次,构建双重权约束期望改进策略,并利用填充策略矩阵及距离聚合方法实现新改进策略的聚合;然后,最大化聚合双重权约束期望改进策略实现多目标并行优化;最后,达到终止条件,获得Pareto最优解集.选取测试函数及铰接夹芯梁设计案例进行优化验证.验证对比结果表明:所提方法可有效提升多目标问题优化效率,减少昂贵仿真成本;与同类方法相比,低维问题中获取Pareto最优解集的收敛性、多样性及分布性更优.

摘要:由于传统蚁群算法基于正反馈机制的单一搜索方式,导致其存在收敛速度慢、易陷入局部极值的缺点.针对该问题提出一种基于混合反馈机制的扩展蚁群算法(MF-ACO),该算法在传统蚁群算法的基础上定义一种具有较强全局搜索能力的扩展型蚂蚁,帮助算法跳出局部极值;参考蚁群劳动分工行为,设计基于刺激-响应分工模型的负反馈平衡机制,动态平衡算法的收敛能力和全局搜索能力;最后依据分工模型对蚂蚁个体的信息素更新策略进行改进,进一步加快算法收敛速度.以多个TSP实例作为测试对象进行仿真实验,实验结果验证了所提算法的优越性,并将该算法用于机器人路径规划问题,在实际应用中进一步验证了所提算法的有效性.

摘要:随机配置网络(SCN)构建一个不等式约束条件对隐性参数进行随机分配,同时对其范围进行自适应选择,具有收敛速度快、建模精度高等优点.由于随机算法的本质特性,不可避免产生低值、冗余节点,为提高SCN软测量模型的稀疏性,提出一种简约随机配置网络(PSCN).PSCN在网络增量构建目标函数中引入$L_1$范数,建立一个新的不等式约束条件来保障隐性节点的生成质量.并进一步针对新建目标函数的非凸性和非光滑性,采用交替方向乘子法(ADMM)对整个PSCN网络的输出权重进行更新.最后,将所提出方法应用于基准数据集和实际工业过程软测量问题中,结果表明该方法可有效简化模型结构,同时具有较高的泛化性能.

摘要:针对现有无线传感器网络(WSN)优化算法在定位过程中收敛速率慢和误差大的问题,提出一种基于柯西折射反向学习和变螺旋机制的象群节点定位算法.首先,利用具有遍历性和随机性的Logistic混沌映射初始化种群,丰富种群多样性,加快算法收敛速率.然后,将折射反向学习机制与柯西变异相融合以随机扰动族长位置,避免算法陷入局部最优.最后,在氏族分离过程中引入自适应变螺旋策略更新病态大象位置,提升算法全局搜索能力.仿真结果表明,与现有WSN优化算法相比,所提出的改进象群优化算法在定位精度和收敛速率方面得到明显提升.

摘要:针对灰狼优化算法(GWO)存在收敛精度不高、易陷入局部最优的不足,提出一种基于教与学的混合灰狼优化算法(HGWO).首先,采用佳点集理论进行种群初始化,提高初始种群的遍历性;其次,提出一种非线性控制参数策略,在迭代前期增加全局搜索能力,避免算法陷入局部最优,在迭代后期增加局部开发能力,提高收敛精度;最后,结合教与学算法(TLBO)和粒子群优化算法,修改原位置更新公式以优化算法搜索方式,从而提升算法的收敛性能.为验证HGWO算法的有效性,选取9种标准测试函数,将HGWO算法、GWO算法以及其他群体智能优化算法和其他改进GWO算法进行仿真实验.实验结果表明,所提出的HGWO算法性能优于GWO算法和其他群体智能优化算法,且在改进算法中具有一定优势.

摘要:针对非线性主动悬架系统多性能指标综合优化问题,提出一类自适应最优控制方法.首先,通过引入一阶低通滤波操作,利用系统输入输出构建结构简单且调节参数少的一类未知非线性动态估计器,在线估计系统未知非线性动态;其次,构建包含乘驾舒适度、悬架行程空间及输入能耗的性能指标函数,采用单层神经网络对最优性能指标函数进行在线逼近,并得到新的哈密尔顿函数;为实现在线求解,构建一类新的基于参数估计误差信息的自适应律,在线更新神经网络权值并计算最优控制律;最后,理论分析闭环系统稳定性和收敛性,并通过专业软件Carsim与Matlab/Simulink搭建的联合仿真平台给出的对比仿真结果,验证所提出方法可有效解决主动悬架系统多目标性能优化控制问题,提升主动悬架系统综合性能.

摘要:针对一类控制通讯信道受到攻击下直流微电网系统母线电压波动问题,提出一种基于滑模控制方法的镇定策略,以实现动态控制与快速响应.首先,在直流微电网系统中引入蓄电池储能系统并构建系统数学模型;其次,设计积分滑模控制策略,控制储能系统注入镇定电流以稳定直流母线电压,从而抑制非线性扰动和虚假数据注入攻击对系统性能的影响;然后,借助适当的Lyapunov泛函,得到确保滑动模态渐近稳定和滑模面可达性的充分条件,保证直流微电网系统能够实现对负载需求的迅速响应及稳定运行;最后,通过Matlab数值仿真验证所提出的滑模控制策略的有效性.

摘要:针对外界扰动、模型不确定性以及输出误差约束情况下的四旋翼无人机轨迹跟踪问题,提出有限时间预定性能控制策略.首先,将无人机动力学模型解耦为姿态子系统和位置子系统;其次,引入误差转换函数和性能约束函数,通过合理设计快速终端滑模面,实现转换误差有限时间收敛,从而实现原系统输出误差约束控制;进一步,通过稳定性分析可以得出所设计的控制器能够保证系统有限时间稳定,并且具有良好的暂稳态性能;最后,通过实例仿真验证所设计方法的有效性。

摘要:针对含有未知但有界噪声的离散系统故障诊断问题,提出基于正交超平形空间定向扩展的滤波故障诊断方法.首先,在传统超平形空间的结构基础上,利用相邻时刻超平行空间顶点极值定义正交超平行空间,包裹参数可行集的上下界的同时,保证参数边界值的单调收敛;随后,利用超平行空间与带空间的交集情况,检测系统是否发生故障,进而在故障发生时定向扩展正交超平行空间,依据带空间与正交超平行空间在扩展方向测试集的交集情况实现故障隔离;最后,利用正交超平形空间在迭代过程中的收缩性质完成故障识别.给出的仿真示例验证了算法的可行性和有效性.

摘要:针对U-Net存在的小目标分割精度低、计算复杂度高、收敛慢的问题,构建基于空洞卷积和重构采样单元的U-Net网络(DSU-Net).在DSU-Net中,为增大图像特征提取的感受野并融合多尺度信息,设计具有不同膨胀率的空洞卷积层;针对池化过程丢失大量语义信息的缺点,构建将池化与卷积相结合的采样单元,并运用深度可分离卷积进行特征提取,从而增强神经网络的特征提取能力并降低计算成本.两个公开医学图像数据集的实验结果表明,在IoU、Dice Coeff和F1 Score三个评价指标上,DSU-Net较U-Net、ResU-Net、R2U-Net和U-Net++有着更好的分割性能.最后,将DSU-Net应用于齿轮点蚀的视觉测量,结果表明所提出方法能够更加精确地计算出齿轮点蚀面积率,从而解决了齿轮接触疲劳试验中高效准确检测齿轮失效的难题.

摘要:图像补全是数字图像处理领域的一项重要研究内容,大面积不规则缺失图像的补全是近年来的研究热点.然而,现有的图像补全技术存在一些局限性,基于生成式对抗网络的方法忽略了图像的边缘结构信息,存在无法还原精细细节的问题;基于局部判别器的方法不能处理非矩形的缺失图像,存在补全任务不符合实际应用场景的问题等.鉴于此,结合多粒度认知计算的思想,提出基于多粒度特征融合的边缘判别器,充分学习不同粒度的边缘结构信息,提高生成图像边缘和真实图像边缘的一致性,生成结构更加清晰的补全图像.同时,引入边缘空间衰减损失,以提高边缘区域像素的连续性.此外,利用注意力机制将补全区域的像素作为有效像素,优化局部判别器使其能够处理非矩形缺失图像.在Places2和Paris Streetview等公共数据集上的实验结果表明,补全大面积不规则缺失图像时,所提出方法能够取得比其他图像补全方法更好的效果,一定程度上表明了边缘结构信息在图像补全研究中的重要性.

摘要:现有多视角图学习方法主要建立在数据具有较好完备性的前提假设下,没有充分地考虑由于特征缺失引起的不完备数据的学习问题.针对此问题,提出一种不完备数据的多视角图学习方法.一方面,从局部视角内将数据重建和图学习放入同一框架,通过不完备数据补偿,实现从重建数据中学习视角专属的近邻关系,弥补特征缺失对数据分布的影响.另一方面,为了保持近邻图的二维结构,引入张量分析,从全局角度构造基于多视角的融合图学习约束,捕获缺失数据下视角间图结构的高阶潜在关联性.框架交替的优化数据重建、视角专属图学习和融合张量图结构学习,使其在迭代中相互促进,有效提高模型对不完备多视角数据的学习能力.将所提出的方法应用于两类不完备数据的多视角聚类实验,其结果表明所提出方法在多项性能指标和鲁棒性方面均优于当前主流的多视角聚类方法.

摘要:研究带宽受限下信息物理系统中虚假数据注入(false data injection,FDI)攻击的检测问题.首先,将执行器遭受的FDI攻击信号建模为系统的未知输入信号,基于给定的$H_\infty$性能指标,设计局部残差产生器以实时逼近攻击信号.其次,为提高检测系统预警速度,在分布式融合框架下将所有经对数量化后的残差信号发送至检测中心,并设计优化目标将分布式加权融合准则的求解问题转化为线性矩阵不等式形式下的凸优化问题.与单个传感器情况下的检测方法相比,基于分布式融合方法所确定的检测阈值更加精准,从而可大幅度提高对攻击信号的预警速度.最后,通过移动目标系统的仿真验证所提方法的有效性.

摘要:受损路网抢修是重特大自然灾害发生后开展应急处置和救援的一个基本前提,主要研究如何对道路抢修队进行合理的调度以快速恢复路网畅通、保障救援队伍和应急物资从出救点及时输送到各需求点.鉴于已有研究在面向大量需求点时往往很难给出有效的调度策略,首先基于路网模型和马尔科夫决策过程分析抢修队修复受损路网的关键因素,并设计一种双反馈回报函数;然后基于深度Q学习求解抢修队的最优调度策略;最后通过对比实验结果表明,在大量需求点环境下,所提出方法具有较好的稳定性和可靠性,兼顾受损路网的修复效率和运输效率,能够以更少的修复代价令所有需求点可达,为灾后复杂应急场景下的受损路网抢修提供有益的尝试.

摘要:中国象棋对弈机器人系统实现的关键包括棋局识别定位和自主行棋策略.\:首先,针对棋局识别与定位问题,提出一种基于单目相机与深度相机视觉融合的棋局识别定位方法.\:该方法利用立体棋子三维特征获取棋子位置,与二维图像识别结果融合计算定位,以提高棋子的识别定位精度.\:其次,针对行棋策略问题,提出一种基于深度神经网络与蒙特卡洛树搜索的决策方法.\:该方法利用具有终局特征判断的蒙特卡洛树进行搜索,使用优化的随机行棋策略指导模拟行棋,训练具有多尺度及残差结构的策略价值网络模型.\:最后,通过自对弈获取训练数据,通过智能体对抗验证、更新模型参数.\:实验表明,相较于单目视觉识别,所提出方法具有更高的精确度和稳定性,识别率达到97%;相较于基准剪枝搜索算法,所提出方法对弈时最多赢得82%的对局,且所需运算时间缩短41%.

摘要:针对空间监视环境中基于动力学模型的轨道状态预测方法精度不够,基于机器学习的误差补偿模型可靠性不足,以及SSA应用中对不确定性建模的需求,将轨道状态预测误差估计问题重新表述为概率预测问题,提出一种对物理模型的轨道状态预测误差进行建模的方法.该方法将轨道状态变量误差的概率分布参数作为梯度提升算法的学习目标,以量化轨道状态误差估计中的不确定性.由于参数所对应的概率分布函数位于黎曼空间,利用基于Fisher信息矩阵的自然梯度代替标准梯度,推导自然梯度的计算公式,并给出状态预测误差的条件概率分布.实验结果表明,与仅采用物理动力学方法的状态预测相比,采用所提出机器学习误差估计方法后,轨道状态各分量的均方根误差至少降低约60%.同时,与其他常用不确定性估计方法相比,所提出方法可以得到更好的负对数似然值,因此能够有效估计状态预测误差的不确定性,提高将机器学习方法用于空间态势感知任务时的可靠性.

摘要:针对指挥信息系统生成方案评估问题进行研究.在分析系统生成过程的基础上设计指标体系架构;将Kendall协和系数检验法与基于距离优化的权重计算方法相结合,对专家意见进行更为客观地融合;通过引入评估基准改进相对优势关系评估方法,在规避数据规范化过程的同时减少增量评估中对已评估方案的重复计算.算法能够有效运用于增量评估过程并在方案数量较多的情况下降低评估时间开销,实验分析验证了所提出方法的可行性与有效性.

摘要:针对决策者权重未知情形下重大突发事件应急决策问题,提出一种SFN-CFSFDP-Borda-MULTIMOORA模型.首先,采用球形模糊数描述决策者对应急备选方案的评价信息;其次,基于密度峰值聚类理念对大决策群体进行聚类;然后,提出可扩展的群体综合冲突优化模型,根据聚类结果进行冲突测度,求解决策者及聚集的权重并实现意见融合;再次,利用改进Borda-MULTIMOORA法决策最优方案;最后,以黑龙江东湖水库事件为例,对模型的有效性与实用性给予验证.结果表明,SFN-CFSFDP-Borda-MULTIMOORA模型能够充分考虑决策者的心理特征,强化在重大突发不确定情景下决策者的知识表达能力,同时明确聚类中心的选择方法,达到聚集内部差异小、聚集间差异大的聚类效果,通过考虑群体综合冲突及实际决策情形对决策者权重和聚集权重进行设置更符合实际,有效实现群体冲突融合,并提高决策效率,为重大突发事件大群体应急决策提供理论支持.

摘要:针对角速度状态受限条件下的刚体飞行器姿态镇定控制问题,提出一种基于扰动观测器的时变状态增益有限时间姿态控制方法.针对基于修正型罗德里格斯参数(MRPs)描述的刚体飞行器姿态控制模型,首先,利用齐次性理论并充分考虑到系统的模型结构特点,设计一种带有角速度约束项的有限时间姿态控制器,使得系统有限时间镇定;其次,在初始状态满足受限条件的情况下,角速度在任意时刻都可以被约束在期望的范围内;然后,针对存在外部干扰的姿态环动力学系统,提出一种带扰动估计补偿的复合有限时间姿态镇定控制器;最后,通过与其他两种控制方法的仿真比较,验证了所提出控制方案的有效性和优越性.

摘要:制造过程关键参数的准确预测对制造过程的精确控制起关键作用,现有预测方法通常未考虑时间动态特性,多步预测性能不佳,无法满足制造过程实际需求.对此,提出一种基于时变注意力时间卷积网络(TVA-TCN)的制造过程关键参数多步预测方法.首先,鉴于普通卷积网络感受野的局限性,利用多通道时间卷积网络提取数据的长期依赖关系,并使用Softplus激活函数降低对数据异常值的敏感度;其次,提出一种时变模型结构,通过提取上一时间步的隐藏层信息和输出信息,使得模型不仅能够随时间动态更新,而且可以缓解梯度消失,从而提高多步预测性能;最后,利用食品加工制造过程的实际数据进行多步预测实验,结果表明所提出方法与传统的方法相比具有明显的优势.