-
公开(公告)号：CN113918451B
公开(公告)日：2025-01-21
申请号：CN202111062056.6
申请日：2021-09-10
Applicant: 中国航空工业集团公司沈阳飞机设计研究所
IPC: G06F11/3668
Abstract: 本申请涉及航空机器学习领域，为一种免模型强化学习的软件测试方法，包括根据要测试的功能集，构建测试条件集C，构建被测软件的观测空间O，构建测试动作空间A，形成测试模拟环境；构建对动作序列执行效果进行奖赏的奖赏函数；构建能够作用于软件本身的动作执行驱动接口；构建能够自我学习的测试策略网络；构建免模型的强化学习损失函数；驱动测试策略网络实时生成软件操作动作并通过动作执行驱动接口作用于软件，进行计算并记录数据元组，存入数据集；所述强化学习损失函数利用数据集优化测试策略网络参数。具有测试效率高、测试时间短、准确性高的技术效果。
-
公开(公告)号：CN117371488A
公开(公告)日：2024-01-09
申请号：CN202311324879.0
申请日：2023-10-12
Applicant: 中国航空工业集团公司沈阳飞机设计研究所
IPC: G06N3/0455 , G06N3/0475 , G06N3/092 , G06N3/094 , G06N3/084
Abstract: 本申请属于数据生成技术领域，特别涉及一种用于多智能体智能策略的干预性数据生成方法。包括：步骤一、将干预性数据样本输入到变分自动编码器中进行编码；步骤二、将所述变分自动编码器输出的编码数据输入到生成式对抗网络的生成器中生成重构数据；将随机噪声数据输入到生成式对抗网络的生成器中生成虚拟数据；步骤三、将所述重构数据、所述虚拟数据以及所述干预性数据样本输入到生成式对抗网络的判别器中，训练生成式对抗网络；步骤四、将干预性数据样本输入到训练好的生成式对抗网络的生成器中生成干预性数据。本申请能够在已有的干预性数据样本的基础上获取更多的干预性数据，以此来扩充数据集。
-
公开(公告)号：CN109144746B
公开(公告)日：2022-04-01
申请号：CN201810797695.9
申请日：2018-07-19
Applicant: 中国航空工业集团公司沈阳飞机设计研究所
Abstract: 本发明公开了一种GFT训练系统的消息异步分发系统及方法，属于航空信息技术处理领域。所述GFT训练系统包括：遗传服务模块，计算得到多个基因序列；模糊推理服务模块，计算得到相应的空战适应度值；以及包括RabbitMQ服务器来对遗传服务模块与模糊推理服务模块通过TCP连接，并通过置于所述TCP连接内的虚拟通道进行数据交互，所述RabbitMQ服务器通过第一队列传输多个基因序列，通过第二队列传输多个空战适应度值。本发明解决了频繁建立关闭TCP连接对于系统性能的影响，提高了通讯的时间效率。
-
公开(公告)号：CN109284831A
公开(公告)日：2019-01-29
申请号：CN201810799306.6
申请日：2018-07-19
Applicant: 中国航空工业集团公司沈阳飞机设计研究所
IPC: G06N5/04
Abstract: 本发明公开了一种基于Mamdani模糊推理方法及推理系统，推理方法包括：对模糊推理系统中的每个语义变量进行有效区域扫描；在有效区域内，将隶属度函数进行离散化处理，获取离散化隶属度函数；利用离散化隶属度函数进行规则后件的计算；将每条规则的截断值结合规则后件离散化隶属度函数生成新的离散序列；合并所有规则的截断后离散序列，按照析取范式计算，得到离散序列；进行形心计算。推理系统包括扫描模块、离散模块、模糊模块以及反模糊模块。本发明提供的基于Mamdani模糊推理方法及推理系统极大地提升了Mandani模糊推理速度。
-
公开(公告)号：CN107563516A
公开(公告)日：2018-01-09
申请号：CN201710769159.3
申请日：2017-08-31
Applicant: 中国航空工业集团公司沈阳飞机设计研究所
Abstract: 本发明提供一种对模糊规则及隶属度函数的混合编码方法，包括如下步骤：通过IF THEN条件语句形式表示模糊规则，IF表示条件，THEN表示输出；将所有模糊规则的输入及取值用矩阵的形式表示，矩阵的维数是输入的个数，每个维度的元素是其对应输入的取值，进而维度中元素的个数是其对应输入的个数，矩阵中的元素就是输出的值，将矩阵中的元素从第一行到最后一行按照列的顺序进行排列，得到需进行遗传操作的基因序列A；将隶属度函数曲线的交点及顶点两者对应的横坐标正向依次排列，得到编码序列B；将基因序列A与编码序列B并列排列得到所需混合编码。本发明所提供的编码方法，可以极大缩减编码位数，并因此减少计算的时间及空间复杂度。
-
Patent Agency Ranking
公开(公告)号：CN117332691A
公开(公告)日：2024-01-02
申请号：CN202311320478.8
申请日：2023-10-12
Applicant: 中国航空工业集团公司沈阳飞机设计研究所
Abstract: 本申请属于人工智能深度学习技术领域，特别涉及一种基于环境模拟的决策行为预测方法。包括：步骤一、构建策略池，所述策略池中包括多个策略模型；步骤二、通过所述策略模型与仿真软件进行交互获取原始数据，所述原始数据包括场景态势数据以及已方决策数据；步骤三、构建原始环境模型，并基于所述原始数据对所述原始环境模型进行有监督训练；步骤四、训练门结构神经网络参数，并将所述门结构神经网络嵌入所述原始环境模型中，得到联合环境模型；步骤五、根据所述策略模型以及所述联合环境模型进行决策行为预测。本申请对于不同的空中环境和空中博弈条件下，能够快速自主学习新环境，有更好的泛化能力，对多种不同的场景态势有更好的演出结果。
-
公开(公告)号：CN107730004B
公开(公告)日：2021-12-28
申请号：CN201710851136.7
申请日：2017-09-20
Applicant: 中国航空工业集团公司沈阳飞机设计研究所
Abstract: 本发明提供一种自我策略迭代吸收的GFT智能决策模型自搏训练方法，如下步骤：从自搏训练的第N代开始，对前N代的GFT算法模型的策略对抗能力进行排序；挑选出最好的n个GFT算法模型，进行组合，保证n个权值的总和为1，形成第N代的组合GFT；选用启发式优化方法，在策略对抗中对n个总和为1的GFT的权值进行优化，得到优化后的n个权值；对n个权值进行排序，删除其中权值较小的m个GFT，m
-
公开(公告)号：CN110989649A
公开(公告)日：2020-04-10
申请号：CN201911364796.8
申请日：2019-12-26
Applicant: 中国航空工业集团公司沈阳飞机设计研究所
Abstract: 本申请属于无人机飞行器控制技术领域，特别涉及一种面向高机动固定翼无人机的飞行动作控制装置及训练方法；控制装置包括：上层控制器，用于宏观无人机飞行动作选择；下层控制器，用于对上层选择的飞行动作进行相对精细的连续引导指令优化；控制装置的训练方法包括如下步骤：对上层控制器和下层控制器进行双层神经网络控制；对所述上层控制器和下层控制器进行双层神经网络训练。本申请的面向高机动固定翼无人机的飞行动作控制装置及训练方法，通过上下两层指令协调控制，避免了只控制飞行轨迹产生的较大的指令滞后；另外，通过分层强化学习方法，避免人为设计只能覆盖数个设计点导致的局限性，且能够适应场景发生变化，实现控制器自学习和自演化。
-
公开(公告)号：CN109214516B
公开(公告)日：2021-09-03
申请号：CN201810806436.8
申请日：2018-07-20
Applicant: 中国航空工业集团公司沈阳飞机设计研究所
IPC: G06N5/04
Abstract: 本发明涉及自主决策领域，特别涉及一种模糊推理系统的完备决策生成方法。包括步骤1：步骤1：将矩阵[Aij]n×m表示为二维度列表var_pool；步骤2：初始化一个可扩展的列表array：array＝[[]]；步骤3：生成模糊推理系统的完备决策矩阵，包括：步骤31：以动态扩展树的形式生成完备决策矩阵的规则前件；步骤32：填写完备决策矩阵的规则后件，将填好的完备决策矩阵的规则后件，生成为列向量与array合成模糊推理系统的完备决策矩阵。本发明的模糊推理系统的完备决策生成方法，能够快速生成包含所有推理结果的不相悖的完备规则集，并将规则库中所有规则进行有序的存储和排列，方便查验，能够极大程度的保证模糊推理系统规则的完备性，信息的全面性和推理的正确性。
-
公开(公告)号：CN109190764A
公开(公告)日：2019-01-11
申请号：CN201810800866.9
申请日：2018-07-20
Applicant: 中国航空工业集团公司沈阳飞机设计研究所
IPC: G06N5/04
CPC classification number: G06N5/048
Abstract: 本发明涉及一种模糊推理树的节点解析方法，其包括：步骤一：构建第一队列和第二队列；步骤二：获取模糊推理树的节点并存入第一队列；步骤三：自所述第一队列的队头依次取出所述节点，若所述节点无父节点，或所述节点有父节点且所述父节点位于第二队列中，则所述节点存入第二队列的队尾，反之，所述节点存入第一队列的队尾；步骤四：循环步骤三，直至所述第一队列中的节点为空。本发明的节点解析方法可以最终得到一个任意节点的父节点都在其前面的队列，因此在计算时，只要此队列中的节点依次弹出进行计算，就完成了对模糊推理树的有效完整解析，且具有很高的准确率，可大幅度提高后续的训练系统的训练速度，减少整个训练系统的时间成本。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.046 seconds)
