-
公开(公告)号：CN109144746A
公开(公告)日：2019-01-04
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：CN105329448B
公开(公告)日：2018-04-13
申请号：CN201510834126.3
申请日：2015-11-24
Applicant: 中国航空工业集团公司沈阳飞机设计研究所
Abstract: 本发明公开了一种垂直起降无人机油电混合动力系统。所述垂直起降无人机油电混合动力系统包括：涡轴发动机(5)，其分别与第一升力涵道风扇(1)、第二升力涵道风扇(2)以及后置推力涵道风扇(3)传动连接；电动发动机(6)，其与所述前置配平涵道风扇(4)传动连接；其中，所述涡轴发动机(5)用于驱动所述第一升力涵道风扇(1)、第二升力涵道风扇(2)以及后置推力涵道风扇(3)工作；所述电动发动机(6)用于驱动所述前置配平涵道风扇(4)工作。采用这种结构，相对于现有技术中采用大功率的发动机，本发明的传动机构相对较少，相对于现有技术中采用纯电动发动机方式，能够提供无人机足够的动力。
-
公开(公告)号：CN105366049A
公开(公告)日：2016-03-02
申请号：CN201510828381.7
申请日：2015-11-24
Applicant: 中国航空工业集团公司沈阳飞机设计研究所
IPC: B64C29/02
Abstract: 本发明公开了一种垂直起降无人机。所述垂直起降无人机包括：机身；机翼，所述机翼以能够折叠方式设置在机身两侧；升力涵道风扇，所述升力涵道风扇为两个，且均设置在机翼的根部、机身的中后段对称轴两侧上；推力涵道风扇，所述推力涵道风扇设置在机身的尾部；配平涵道风扇，所述配平涵道风扇设置在机身的头部；其中，所述垂直起降无人机在起飞-飞行-降落过程中，所述配平涵道风扇用于提供垂直起降阶段纵向俯仰姿态控制所需的抬头和低头力矩；推力涵道风扇用于提供平飞所需的前推动力；升力涵道风扇用于提供垂直升力。本发明的垂直起降无人机能够在民用舰船上垂直起降，且具有比直升机更好的飞行性能。
-
公开(公告)号：CN117371478A
公开(公告)日：2024-01-09
申请号：CN202311329066.0
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: G06N3/04 , G06N3/092 , G06N5/01 , G06N7/04 , G06F18/243
Abstract: 本申请属于可解释类深度神经网络评估技术领域，特别涉及一种基于模糊层次分析法的可解释类深度神经网络评估方法。包括：步骤一、获取可解释神经网络模型的时间复杂度、空间复杂度以及规则复杂度；步骤二、根据可解释神经网络模型的时间复杂度、空间复杂度以及规则复杂度，计算影响因素的权重；步骤三、根据可解释神经网络模型的时间复杂度、空间复杂度以及规则复杂度，构建隶属度关系矩阵；步骤四、根据权重以及隶属度关系矩阵对可解释神经网络模型进行评估。本申请采用模糊层次分析法解决了传统层次分析法存在的问题，矩阵的一致性检验比层次分析法更容易；通过时间复杂度、空间复杂度以及规则复杂度来对可解释模型进行评估，非常具有实用性。
-
公开(公告)号：CN117332272A
公开(公告)日：2024-01-02
申请号：CN202311320473.5
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: G06F18/214 , G06F30/27 , G06N20/00
Abstract: 本申请属于机器学习中的深度强化学习技术领域，特别涉及一种基于半监督的语义预测方法。包括：步骤一、获取原始数据D，原始数据D包括n局数据；步骤二、从原始数据D中随机选取m局数据，并对所选的m局数据进行标注，得到已标注的数据集Labeled_D；步骤三、基于数据集Labeled_D进行有监督模型训练，得到预训练模型M_Pretrain；步骤四、通过原始数据D中除去已标注的m局数据之外的剩余数据，对预训练模型M_Pretrain进行预测，并将预测的语义结果定义为伪标签Fake_Label，得到带有伪标签的数据集Fake_Labeled_D；步骤五、将数据集Labeled_D和数据集Fake_Labeled_D组合成数据集D_Final，并基于数据集D_Final进行有监督模型训练，得到语义预测模型M_Final。本申请能够在任意的复杂场景情况下实现对语义的预测。
-
Patent Agency Ranking
公开(公告)号：CN110989649B
公开(公告)日：2023-07-25
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：CN113919209A
公开(公告)日：2022-01-11
申请号：CN202111062054.7
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: G06F30/27 , G06F119/02
Abstract: 本申请设计航空人工智能自主决策、仿真建模领域，为一种利用深度神经网络克隆运动学仿真模型的方法包括，运行运动学仿真模型；建立深度神经网络的免模型的基本策略模型，根据基本策略模型收集运动学数据，建立或更新运动学的数据集；利用运行学的数据集生成状态转移函数；根据状态转移函数生成状态转移环境，并选择相应的算法优化基本策略模型；运行基本策略模型，将新产生的数据加入数据集；利用新的数据集生成新的状态转移函数，重复优化基本策略模型，直至状态转移函数的偏差值在设定的阈值范围内。具有提高仿真模型的自动决策水平、提高模型训练效率与质量的技术效果。
-
公开(公告)号：CN107730004A
公开(公告)日：2018-02-23
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：CN117350337A
公开(公告)日：2024-01-05
申请号：CN202311329976.9
申请日：2023-10-13
Applicant: 中国航空工业集团公司沈阳飞机设计研究所
IPC: G06N3/0464 , G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/08 , G06F18/214 , G06F18/24 , G06N3/006 , G06N3/084
Abstract: 本申请属于可解释类深度神经网络评估技术领域，特别涉及一种基于深度学习的可解释类深度神经网络评估方法。包括：获取初始动作状态数据；通过生成式对抗网络对初始动作状态数据进行扩充，得到生成动作状态数据；通过初始动作状态数据以及生成动作状态数据对卷积神经网络模型进行分类训练；对卷积神经网络模型进行可靠性评估。本申请收集原始神经网络的初始数据，通过生成式对抗网络完成对数据集的扩充，并将原始数据以及生成数据作为统一的数据集输入到卷积神经网络模型中，使得卷积神经网络具备分辨失败、成功数据的能力，通过卷积神经网络判别其数据在实际对抗体系下成功数据个数，从而完成可解释类深度神经网络模型的评估。
-
公开(公告)号：CN117349168A
公开(公告)日：2024-01-05
申请号：CN202311332874.2
申请日：2023-10-13
Applicant: 中国航空工业集团公司沈阳飞机设计研究所
Abstract: 本申请属于错误定位技术领域，特别涉及一种可解释类深度神经网络条件规则错误定位方法。包括：步骤一、获取条件规则中的所有语句，计算每条语句的可疑度值，并根据语句的可疑度值的大小对语句进行排序；步骤二、获取条件规则中的所有失效执行切片，计算每个失效执行切片的动态失效执行块的可疑度值，并根据动态失效执行块的可疑度值的大小对失效执行切片进行排序；步骤三、根据语句以及失效执行切片的排序，逐一排查失效执行切片的动态失效执行块中的语句，得到错误语句；步骤四、根据错误语句生成补丁规则，并将补丁规则前置于可解释类深度神经网络条件规则模型。本申请能够实现可解释类深度神经网络条件规则模型的错误定位及修改。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.038 seconds)
