-
公开(公告)号：CN109446553A
公开(公告)日：2019-03-08
申请号：CN201811083437.0
申请日：2018-09-14
Applicant: 清华大学
Abstract: 本发明涉及红外成像及计算机仿真领域，公开了一种基于Unity3D的空中动态红外场景仿真系统，包括：红外特性仿真系统、大气衰减仿真系统、天空环境仿真系统、探测器接收成像系统；所述天空环境仿真系统，包含天空模块、云朵模块、时间模块；所述探测器接收成像系统，包含辐射强度转化模块、噪声处理模块、综合成像模块；仿真系统实现方法如下：1、创建三维模型并计算红外辐射特性；2、创建大气透射率数据库；3、创建动态天空环境；4、模拟探测器接收单元及仿真系统可视化。本发明精确计算了高速飞行的导弹的红外特性，结合新一代图形引擎Unity3D，融合复杂天空模型，仿真生成的红外视频更加接近于实拍，为后续红外目标检测与跟踪生成大量测试视频。
-
公开(公告)号：CN109408941A
公开(公告)日：2019-03-01
申请号：CN201811216160.4
申请日：2018-10-18
Applicant: 清华大学
IPC: G06F17/50
Abstract: 本发明公开了一种基于数据挖掘和遗传算法的飞行器气动优化方法，用于解决使用传统遗传算法进行气动优化时收敛速度缓慢的问题，且该方法在最终优化进行阶段无需人工干预，能实现自动迭代计算，提高了优化效率。技术方案为首先通过半经验估算的方法获取设计样本库，然后对样本库进行数据挖掘，利用聚类分析、方差分析和决策树分析获取高可信度的优化规则，再将这些规则作为先验知识融合到遗传算法中，具体表现为根据先验规则对交叉规则、变异规则进行动态设置，最后将融合改进后的遗传算法用于基于高精度流体仿真的气动优化，获取优异的设计参数。相较于传统的基于遗传算法的优化方法，本发明大大提高了收敛速度，对飞行器气动优化具有很大的工程价值。
-
公开(公告)号：CN109408941B
公开(公告)日：2022-06-03
申请号：CN201811216160.4
申请日：2018-10-18
Applicant: 清华大学
IPC: G06F30/17 , G06F30/15 , G06F30/27 , G06F30/28 , G06F113/08
Abstract: 本发明公开了一种基于数据挖掘和遗传算法的飞行器气动优化方法，用于解决使用传统遗传算法进行气动优化时收敛速度缓慢的问题，且该方法在最终优化进行阶段无需人工干预，能实现自动迭代计算，提高了优化效率。技术方案为首先通过半经验估算的方法获取设计样本库，然后对样本库进行数据挖掘，利用聚类分析、方差分析和决策树分析获取高可信度的优化规则，再将这些规则作为先验知识融合到遗传算法中，具体表现为根据先验规则对交叉规则、变异规则进行动态设置，最后将融合改进后的遗传算法用于基于高精度流体仿真的气动优化，获取优异的设计参数。相较于传统的基于遗传算法的优化方法，本发明大大提高了收敛速度，对飞行器气动优化具有很大的工程价值。
-
公开(公告)号：CN112035780B
公开(公告)日：2022-05-31
申请号：CN202010923639.2
申请日：2020-09-04
Applicant: 清华大学
Abstract: 本发明涉及武器系统与运用工程技术领域，公开了一种导弹末制导阶段杀伤效果的计算方法，包括：导弹和目标在三维空间内的质心运动模型和静态三维几何体模型、引信模型和破片飞散模型，根据导弹和目标的方向余弦矩阵将导弹和目标几何体固连在各自质心上，并由此确定各自的三维几何体在三维空间的运动模型；引信探测到目标后发出引爆信号经过信号延迟后到达战斗部；导弹引爆后破片均匀分布在杀伤面上，计算每一个破片的运动方程，然后代入目标几何体运动方程，计算是否命中以及命中部位，根据命中目标各部位的破片数量和杀伤系数加权评估杀伤效果。本发明是一种精确的导弹杀伤计算方法，精确计算破片的命中数量和命中部位，以此描述导弹的杀伤效果。
-
公开(公告)号：CN113051706A
公开(公告)日：2021-06-29
申请号：CN202110055519.X
申请日：2021-01-15
Applicant: 清华大学
IPC: G06F30/20 , F41H11/02 , G06F111/04
Abstract: 本发明涉及航空航天技术领域，公开了一种采用虚拟点预测的三体对抗防御制导方法，包括：建立逃逸体、追踪体、防御体三体对抗非线性运动学模型，选取参考点，在参考点与追踪体的连线上选取偏置修正量从而确定预测追踪点，以预测追踪点为目标采用线性制导方法设计追踪机动指令。本方法基于预测思想，将防御高速运动的追踪体问题转变为追随低速运动的预测追踪点问题，将复杂的耦合非线性问题简化为单点轨迹规划问题。本发明所提出的制导方法对比以往制导方法不仅具有优秀的拦截能力，而且能够有效降低对防御体的性能需求，峰值加速度也有明显下降，即使是低速低性能的防御体也可以完成对高性能追踪体的拦截，本方法适用于二维和三维空间。
-
Patent Agency Ranking
公开(公告)号：CN112035780A
公开(公告)日：2020-12-04
申请号：CN202010923639.2
申请日：2020-09-04
Applicant: 清华大学
Abstract: 本发明涉及武器系统与运用工程技术领域，公开了一种导弹末制导阶段杀伤效果的计算方法，包括：导弹和目标在三维空间内的质心运动模型和静态三维几何体模型、引信模型和破片飞散模型，根据导弹和目标的方向余弦矩阵将导弹和目标几何体固连在各自质心上，并由此确定各自的三维几何体在三维空间的运动模型；引信探测到目标后发出引爆信号经过信号延迟后到达战斗部；导弹引爆后破片均匀分布在杀伤面上，计算每一个破片的运动方程，然后代入目标几何体运动方程，计算是否命中以及命中部位，根据命中目标各部位的破片数量和杀伤系数加权评估杀伤效果。本发明是一种精确的导弹杀伤计算方法，精确计算破片的命中数量和命中部位，以此描述导弹的杀伤效果。
-
公开(公告)号：CN110657713B
公开(公告)日：2020-10-16
申请号：CN201910739750.3
申请日：2019-08-12
Applicant: 清华大学
IPC: F41H11/02
Abstract: 本发明涉及飞行器制导与控制技术领域，公开了一种采用预测制导的主动防御导弹最优发射时机搜索方法，包括：主动防御的三体对抗运动学模型，由载机和来袭导弹的飞行状态求解来袭导弹在已知制导律下的飞行弹道，计算在不同防御导弹发射时间下的预测拦截点序列，计算防御导弹与预测拦截点所形成的预测航向偏差角序列，搜索防御导弹最优发射时机。本方法搜索得到了主动防御问题中防御导弹的最优发射时机，为载机提供了智能发射的能力，相对于非最优发射时机的情况，防御导弹的制导过载为最优，制导能量损耗最小，降低了对防御导弹的性能需求，从而提升了载机的存活概率。
-
公开(公告)号：CN110660061A
公开(公告)日：2020-01-07
申请号：CN201910779851.3
申请日：2019-08-22
Applicant: 清华大学
IPC: G06T7/10
Abstract: 本发明公开了一种采用概率图梯度损失函数的图像语义分割方法，其特征在于含有：图像语义分割数据集，卷积网络，归一化指数函数，概率图损失以及概率图梯度损失。所述卷积网络用于从所述图像语义分割数据集中提取特征，这些特征经过所述归一化指数函数处理形成预测概率图。用于训练网络模型的损失函数由所述概率图损失与所述概率图梯度损失两部分构成。所述概率图损失使预测概率图中单个像素的概率值尽可能接近真实概率值，所述概率图梯度损失使预测概率图梯度尽可能接近真实概率图梯度。本发明的一种采用概率图梯度损失函数的图像语义分割方法能够有效学习语义分割图的局部细节特征，适用于推广应用。
-
公开(公告)号：CN109614631A
公开(公告)日：2019-04-12
申请号：CN201811217192.6
申请日：2018-10-18
Applicant: 清华大学
IPC: G06F17/50
Abstract: 本发明公开了一种基于强化学习和迁移学习的飞行器全自动气动优化方法，用于解决现有气动优化方法存在的容易陷入局部最优或收敛速度缓慢的问题，同时该优化方法在最后的高精度优化阶段将人工干预排除在外，进一步提高了优化效率。技术方案是首先分别建立基于半经验估算和高精度流体仿真的强化学习环境，然后构建强化学习神经网络、设置奖励函数，利用强化学习的全局寻优能力，在网络训练的过程中从半经验估算方法中提取优化经验并储存于网络参数中，然后构建另一个强化学习神经网络，并使用迁移学习将提取的优化经验迁移到该网络，再将其运用到基于高精度流体仿真的气动优化中，最后通过训练该网络获取气动性能优异的高精度设计参数。相对于背景技术方法，本发明提高了收敛速度，同时具备强大的全局寻优能力，对高精度气动优化具有很大的工程价值。
-
公开(公告)号：CN112699247B
公开(公告)日：2023-10-17
申请号：CN202011545760.2
申请日：2020-12-23
Applicant: 清华大学
IPC: G06F16/36 , G06F40/30 , G06N5/022 , G06N3/045 , G06N3/042 , G06N3/0464 , G06N3/088 , G06N3/0895 , G06N3/084 , G06N3/0985
Abstract: 本发明公开一种基于多类交叉熵对比补全编码的知识表示学习方法，该方法主要包括：语义结构特征提取模块S和自动对比补全编码模块G。语义结构特征提取模块S负责对实体、关系提取低级和高级语义结构特征并融合得到低级和高级语义结构特征；自动对比补全编码模块G负责预测出实体上下文向量，设置正负样本及其采样的方法C3NCE，计算多类交叉熵对比损失函数，并通过优化该目标函数训练模型，得到知识图谱实体和关系的向量表示，并完成三元组补全任务。本发明所提的知识表示学习的技术方案，能够快速、稳定、准确地补全知识图谱中缺失信息的三元组，并很好地完成了知识表示学习任务，极大地提高了知识图谱构建的准确性和效率，应用前景广阔。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.016 seconds)
