-
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。
-
公开(公告)号：CN117332817A
公开(公告)日：2024-01-02
申请号：CN202311320469.9
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 , G06N3/0442 , G06N3/092 , G06N3/09
Abstract: 本申请属于机器学习算法领域，特别涉及一种基于轨迹预测的智能体决策可解释性算法。包括步骤一、训练Transformer模型，并通过训练好的所述Transformer模型进行轨迹预测，得到运动轨迹；步骤二、通过近端策略优化算法PPO对所述运动轨迹进行采样，并基于采样数据对智能体进行决策，得到具有可解释性的策略。本申请的基于轨迹预测的智能体决策可解释性算法，Transformer模型具有很强的预测能力，利用近端策略优化算法PPO通过对手过往的运动轨迹中采样得到数据，对其未来的运动轨迹进行预测，根据预测结果可以做出相应的反馈动作，该预测解释了智能体决策的理由，因此智能体生成的策略具有可解释性。
-
公开(公告)号：CN113918451A
公开(公告)日：2022-01-11
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: G06F11/36
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：CN110740182A
公开(公告)日：2020-01-31
申请号：CN201910999675.4
申请日：2019-10-21
Applicant: 中国航空工业集团公司沈阳飞机设计研究所
IPC: H04L29/08 , H04L12/759
Abstract: 本申请属于实时嵌入式网络通信领域，特别涉及一种基于DDS技术的动态数据通信方法及设备。方法包括：步骤一：根据DDS通信过程中动态产生的主题ID，生成通信通道；步骤二：根据主题路由表判断通信数据是否需要路由，并通过所述通信通道进行所述通信数据的传输；步骤三：通信结束后，释放主题内存资源，更新所述主题路由表。本申请的基于DDS技术的动态数据通信方法，用户无须配置通信过程中的主题，即可适应各节点的点对点通信要求；通信的各节点只收到控制信息，不会收到与自身节点无关的信息，避免了冗余信息，同时保证了数据的安全。
-
公开(公告)号：CN119024701A
公开(公告)日：2024-11-26
申请号：CN202411175726.9
申请日：2024-08-26
Applicant: 中国航空工业集团公司沈阳飞机设计研究所
IPC: G05B13/04
Abstract: 本申请属于飞机及无人机智能控制领域，具体涉及一种飞机及无人机控制基于模糊推理的规则库构建方法，包括：规则前件构建步骤：对各个输入变量进行模糊分区；对各个输入变量的模糊分区进行组合，构建规则前件矩阵，规则前件矩阵的每一行为一个输入变量的模糊分区组合，代表一个规则前件；规则后件构建步骤：对各个输出变量进行模糊分区；对于各个输出变量，以其模糊分区构建规则后件矩阵，规则后件矩阵中每一个元素，代表一个规则后件；规则库构建步骤：对于各个输出变量，将其对应规则后件矩阵中的元素，对应填写到规则前件矩阵中，得到各个输出变量模糊分区输出的规则库。
-
Patent Agency Ranking
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：CN117350362A
公开(公告)日：2024-01-05
申请号：CN202311320466.5
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: G06N3/092 , G06N3/047 , G06N5/01 , G06F18/21 , G06F18/243
Abstract: 本申请属于强化学习技术领域，特别涉及一种深度神经网络策略网络模型可解释性转换算法。包括：步骤一、在多智能体强化学习环境下，选取分散式部分可观马尔科夫决策过程网络模型；步骤二、对所述分散式部分可观马尔科夫决策过程网络模型进行COMA可解释算法设计，包括：采用集中式训练方式对所述分散式部分可观马尔科夫决策过程网络模型进行训练；采用反事实基线实现所述分散式部分可观马尔科夫决策过程网络模型的置信分配。本申请在多智能体强化学习环境下，采用COMA可解释算法生成智能体的策略，利用训练好的多智能体强化学习算法模型的特征提取模块生成网络提取特征，为决策树的决策奠定基础。
-
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：CN110740182B
公开(公告)日：2022-05-06
申请号：CN201910999675.4
申请日：2019-10-21
Applicant: 中国航空工业集团公司沈阳飞机设计研究所
IPC: H04L67/63 , H04L45/028
Abstract: 本申请属于实时嵌入式网络通信领域，特别涉及一种基于DDS技术的动态数据通信方法及设备。方法包括：步骤一：根据DDS通信过程中动态产生的主题ID，生成通信通道；步骤二：根据主题路由表判断通信数据是否需要路由，并通过所述通信通道进行所述通信数据的传输；步骤三：通信结束后，释放主题内存资源，更新所述主题路由表。本申请的基于DDS技术的动态数据通信方法，用户无须配置通信过程中的主题，即可适应各节点的点对点通信要求；通信的各节点只收到控制信息，不会收到与自身节点无关的信息，避免了冗余信息，同时保证了数据的安全。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.047 seconds)
