摘要：针对第二代非支配排序遗传算法(NSGA-Ⅱ)计算过程中存在种群分布不均匀、收敛性速度较慢的问题,提出超平面NSGA-Ⅱ(HP-NSGA-Ⅱ).该算法通过连接反映种群边缘分布的极值点构造超平面,以其法向量为进化趋势,对临界层个体在超平面进行投影,促使种群朝着分布均匀且收敛良好的最优解进化.以双输入双降压型逆变器(DIDBI)为多目标优化对象,开关损耗、输出电压总谐波失真和滤波元件体积为优化目标,依据谐振频率、电感电流纹波和功率因数的要求,推导出滤波电容、滤波电感和开关频率的约束条件,比较分析HP-NSGA-Ⅱ与NSGA-Ⅱ、考虑各目标重要度的γ-NSGA-Ⅱ的应用场合和价值.以某型逆变器样机为例,开展参数优化设计实验研究,结果表明了设计的有效性与正确性.

摘要：大多传统的无监督和有监督算法在异常检测上需要预先定义阈值,但很难找到最佳阈值,为解决这一问题,提出一种无阈值的半监督竞争学习模型用于时间序列的异常检测.该模型使用长短期记忆神经网络(LSTM)设计了一种竞争机制的自动编码器,有一个编码器和两个解码器,使用正常数据和未标记数据进行训练,正常数据用来训练正常解码器,对于未标记数据送入两个解码器当中,通过重构误差的大小来选择解码器.该结构具有良好的判别性能,不需要对其设定阈值.实验结果表明,该模型在对异常样本的召回率和F1分数都高于传统的自编码器模型.所以,该半监督竞争学习模型在时间序列的异常检测上是有效的.

摘要：目的通过分析多源异构生理数据,提出评价飞行员工作负荷的机器学习方法,从而优化飞机驾驶舱人机工效学设计。方法在Kamov Ka-52飞行模拟器中进行12组飞行测试,每组测试包含五种类型的正常或异常事件。在飞行过程中收集了心电(ECG)、肌电(EMG)、脉搏和呼吸数据。首先对飞行过程进行定性分析,以显示飞行条件和工作负荷的总体趋势。然后,通过主成分分析(PCA)评估不同飞行阶段的工作量,并选择有效的生理参数进行降维并融合。最后,三种不同的机器学习模型,即基于支持向量机的(PWE-SVM)、基于遗传算法优化的支持向量机(PWE-GASVM)和基于反向传播神经网络的飞行员工作负荷评估模型(PWE-BP)被提出来量化飞行中的工作负荷。结果需要高水平操作技能和注意力集中的告警、地形跟随和着陆过程的飞行员工作负荷也相对较高。肌电和心电参数较脉搏和呼吸参数可以更有效的反应工作负荷。PWE-GASVM在飞行员工作负荷评估上表现最好。结论提出的飞行员工作负荷评估方法有效可行。

摘要：针对直升机驾驶舱人机交互中认知负荷问题,设计飞行模拟试验,探究视觉和听觉告警对飞行员认知负荷的影响。基于多元线性回归方法,通过主观评价结果、反应时间、准确率和脑电信号等指标,构建了直升机驾驶舱人机交互认知负荷评估模型。结果表明文字颜色、语音提示两种告警特征对飞行员信息加工均会产生影响,使用多元线形回归模型可对不同告警方式下受试对象的认知负荷水平进行评估,构建的评估模型能够较准确地评估直升机驾驶舱中飞行员的认知负荷,可为优化驾驶舱交互设计、降低飞行员认知负荷、减少人为差错提供依据。

摘要：现有的无人机探测通常采用以雷达扫描为主,辅以其他传感器探测的方式。但是,目前使用雷达探测的成本较高,而激光器作为一种低成本、低功耗的器件已受到人们广泛关注。以激光为载体,结合无线光通信中的捕获、瞄准、跟踪(APT)系统,设计并实现了一种基于激光探测技术的无人机扫描定位系统,并以气球模拟无人机目标的测试方式,测试了该系统的定位精度和效率。扫描试验结果表明:在激光发射器平均功率小于40mW的情况下,该系统对目标的捕获定位能达到较高的精度,误差在5%以内,最大可探测范围为45m。

摘要：运输类飞机飞行机组操作程序复杂、结构庞大,对飞行机组操作程序进行评估时,需要建立科学、客观、可操作的评估指标体系。提出了一种评估指标体系构建方法,基于运输类飞机飞行机组操作程序结构框架、设计原则与要求,提出了飞行机组操作程序评估指标体系的构建基础。通过专家群体知识评估法,对评估指标进行了筛选与优化,确定了各评估指标的权重,最终形成完整的飞行机组操作程序评估指标体系。构建的飞行机组操作程序评估指标体系,有助于全面客观地反映飞行机组操作程序设计水平,提升飞行机组操作程序改进与优化能力。

摘要：为解决传统关系数据库存储QAR数据可扩展性低、可用性差的问题,设计一种基于HBase的QAR数据分布式存储方法。根据QAR数据的特点,设计HBase表结构,将QAR参数划分为安全、航迹、燃油、发动机、预测、飞行员操作及其它共七大主题,构建基于航班号、航班日期、参数主题三者组合的MD5散列值行键结构,根据行键散列值对QAR数据值表预分区,通过行键散列机制和预分区技术相结合的两级优化策略实现QAR数据文件分布式存储。真实QAR数据集上的实验结果表明,该QAR数据存储模式能使数据均衡分布在集群中,避免了写热点和数据倾斜问题,有较高的存取性能。

摘要：针对现有半监督深度生成异常检测模型对复杂真实数据分布学习能力不足及模型训练困难的问题,提出基于改进Wasserstein自编码器(Wasserstein autoencoder,WAE)的异常检测模型WAE-AD。使用能够稳定训练的自编码器网络结构,利用Wasserstein距离对模型拟合分布与待检测数据真实分布之间的距离进行度量,学习更加复杂的高维数据分布。使用正常数据构成的训练集训练模型收敛,根据待检测数据在训练好的模型中的异常得分进行异常判定。实验结果表明,WAE-AD模型的精确率、召回率、F1值3项异常检测性能指标较现有半监督深度生成异常检测模型均有明显提高。