公开(公告)号：CN109353506A

公开(公告)日：2019-02-19

申请号：CN201811160531.1

申请日：2018-09-30

Applicant: 清华大学

Inventor： 王吴凡 ,  朱纪洪 ,  匡敏驰 ,  史恒 ,  闫星辉

IPC: B64C39/02 ,  B64C29/00

Abstract: 本发明公开了一种双余度作动的尾座式无人机，其特征在于含有：机身、机翼、旋翼发动机、二自由度矢量基座、矢量舵机、副翼、升降舵、方向舵、舵面舵机。所述旋翼发动机安装在所述二自由度矢量基座上，所述二自由度矢量基座固定在所述机身前部，所述矢量舵机驱动所述旋翼发动机全向偏转，所述副翼安装在所述机翼下方，所述升降舵和所述方向舵安装在机身尾部，所述舵面舵机驱动所述副翼、所述升降舵和所述方向舵偏转。本发明的无人机采用二自由度推力矢量和控制舵面相结合的双余度作动方式，保证了整个飞行包线姿态控制的可靠与高效，适用于推广应用。

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

Inventor： 闫星辉 ,  朱纪洪 ,  匡敏驰 ,  王吴凡 ,  史恒

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：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

Inventor： 史恒 ,  朱纪洪 ,  匡敏驰 ,  王吴凡 ,  闫星辉

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

Inventor： 王吴凡 ,  朱纪洪 ,  杨佳利 ,  匡敏驰 ,  史恒 ,  闫星辉

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

Inventor： 闫星辉 ,  朱纪洪 ,  匡敏驰 ,  王吴凡 ,  史恒

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。