对未知环境的探索, 如搜救、追逃等场景, 无人机需要一边探索(感知)环境一边完成当前的航迹规划(动作选择)。针对上述场景, 为了提高无人机对未知环境的探索范围, 提出了结合长短期记忆的改进深度双Q网络探索航迹规划方法: 搭建仿真地图, 以无人机视野内的环境信息作为输入, 引入长短期记忆网络, 输出动作方向的选择; 设置探索经验样本优先级, 提高训练效率; 加入飞行动力学约束, 设计合理的状态、动作空间及单步奖励函数。运用所提算法, 无人机可以自主规划出一条无碰撞且对环境探索范围大的航迹。仿真实验结果表明: 在未知环境下, 所提算法得到的探索面积比、单步探索平均奖励值等指标均优于传统的DDQN算法。

空战对抗过程中的目标状态数据呈现时序性、多维性等特征, 为进一步提升目标意图识别的准确率, 提出了一种基于改进注意力机制的长短期记忆网络(LSTM)目标识别方法, 将空战可能出现的目标意图识别当成一个多分类问题处理。该方法首先通过目标实时的状态数据, 生成特征序列; 接着采用注意力机制提升目标的特征学习能力, 增强空战过程中的主要目标状态特征表示, 得到具有权值分配的特征向量; 最后利用LSTM网络对目标特征向量进行训练, 通过softmax层实现目标意图的识别。仿真实验表明, 该方法利用注意力机制有效增强目标的特征学习, 进一步提升了LSTM网络的识别精度, 具有一定的科学性和有效性。

实现电磁数据的异常检测和模式发现, 对电磁目标异常行为的判断与提前预警具有重要价值。不同类型的电磁数据通常以时间序列的形式存在, 且具有正常数据与异常数据不均衡等特点。为应对上述挑战, 提出一种基于时空联合注意力机制的时间序列异常检测方法。基于电磁数据的时间与空间特征, 结合通道与空间注意力机制, 增强对时序数据异常部分的特征表示。实验结果表明, 提出的检测算法能够有效应对数据不均衡的难点, 具有较强的鲁棒性。

由于航空图像背景复杂，包含的物体类别多样，航空图像分类任务仍然面临困难。针对传统航空图像多标签分类算法准确率低、泛化性差的问题，本文提出了一种基于循环神经网络多标签航空图像分类方法。首先，采用超像素分割获取图像的低层特征，通过注意力机制生成注意力特征图；接着，采用交叉验证的方式获取最佳的图像尺度，将多尺度注意力特征图嵌入卷积神经网络中对 图像进行特征提取；最后，采用改进的双向长短期记忆网络挖掘标签之间的相关性，改进的双向长短期记忆网络增加了输入门到输出门之间的连接，使输入状态可以更好地控制每一内存单元输出的 信息，并且将遗忘门和输入门合并成单一的更新门，使得改进的双向长短期记忆网络可以学到更长时期的历史信息。结果显示，在图像变换尺度为1，1.3，2时，模型在UCM多标签数据集上的精确率 和召回率分别达到了85.33%和87.05%，F1值达到了0.862。本文方法相比于原始VGGNet16模型，精确率提高了7.25%，召回率提高了8.94%。实验表明，该方法可以有效提高航空图像多标签分类任务 的准确率。

结合惯性器件随机误差研究的实际, 针对传统的基于时间序列的ARMA建模方法和深度学习LSTM网络进行了适用性和实时性对比分析, 通过获取具体型号的惯性器件输出数据设计了算例。研究认为在未做实时性要求的情况下, ARMA建模和LSTM网络均可以达到较好的拟合效果, 而建立LSTM网络方法可以减少提取趋势项和周期项的环节; 实时在线预测情况下LSTM网络优势明显, 但预测精度会随时间序列缩短而明显下降, 可以在一定程度上反映噪声变化的趋势并据此对整体控制系统的滤波算法进行优化。