基于遗传二进制粒子群混合算法的测试点决策研究

测试点选择是测试性分析和设计的前提。通过对测试问题的分析,建立了数学模型和构造了衡量测试集优劣程度的启发式函数,提出了一种遗传-二进制粒子群混合算法求解满足测试性指标要求的最小完备子集。应用实例表明,该算法能够有效的克服单一算法陷入局部最优和早熟收敛等不足,提高了搜索效率,能够有效快速的获得全局最优解。     

基于蚁群算法的飞机定检原位工作流程优化

首次将蚁群算法（ACO）应用于飞机定检原位工作流程优化中。在建立原位工作流程优化模型的基础上,借鉴最优一最差蚂蚁系统的思想改进信息素更新机制,并采用改进的精英策略和变异特征对基本蚁群算法进行改进。实例仿真表明,改进蚁群算法在全局搜索能力和收敛速度上较基本蚁群算法有明显提高,克服了基本蚁群算法搜索时间长、容易早熟的不足。优化后原位工作完成时问较优化前缩短2．27％,验证了ACO在解决定检工作流程优化问题上的适用性。     

基于遗传算法的飞机大修总装工作流程优化

将遗传算法应用于飞机大修总装工作流程优化中。以完成时间最短为目标,建立总装工作流程优化模型;综合“工序重置法”和罚函数法,满足总装工作中的工序和人员约束条件;采用改进的最优保存策略对基本遗传算法作进一步改进。仿真结果表明,改进的遗传算法的最优解搜索能力较基本遗传算法有明显提高,验证了GA在解决定检离位工作流程优化问题上的适用性。     

利用卷积-循环神经网络的串行序列空时分组码识别方法

针对多输入多输出(Multiple Input Multiple Output, MIMO)系统中的空时分组码识别(Space-Time Block Code, STBC)问题,本文提出了一种利用卷积-循环神经网络的串行序列空时分组码识别方法。将一维接收信号的实部和虚部分离后输入网络,利用卷积神经网络(CNN)提取其空间特征,结合循环神经网络(RNN)提取其深层时序特征,提高网络的特征表达能力;网络训练过程采用反向传播方法,通过计算输出与目标值的误差,将误差反向传回网络中并更新权值,完成网络的训练过程;将测试集数据输入训练好的网络中,实现对空时分组码的识别和区分。该方法将深度学习算法运用到串行序列空时分组码识别当中,训练完的网络可直接对单接收天线下的空时分组码进行识别,不需要重复计算信号的统计特征,避免了人为设计特征参数和检测阈值。该方法不需要知道信道和噪声的先验信息,适用于电子侦查等非协作通信情况。仿真实验表明,该算法能够有效地对串行序列空时分组码进行识别,并且在低信噪比下有较好的识别性能。      

锦屏出场专用公路滑坡成因分析及稳定性研究

从地形地貌、地层岩性和水文地质条件及公路开挖等方面分析了锦屏出厂专用公路滑坡的成因,通过Geo-slope软件计算了滑坡的稳定性,研究了滑坡的稳定状况,为滑坡的进一步治理提供了可靠的依据。