摘要:全球导航卫星系统（GNSS）拒止时，GNSS/惯性导航系统（INS）组合导航系统的性能严重下降，导致无人机集群导航误差快速发散.目前，利用神经网络预测位置与速度代替GNSS导航信息可校正无人机INS误差，但该方法仍存在定位误差较高且在轨迹突变时预测精度急剧下降的问题.因此，提出了一种基于卷积-双向长短时记忆网络联合残差补偿的位置与速度预测方法，用于提高位置与速度预测精度.首先，针对GNSS拒止后GNSS/INS组合导航系统定位误差较高的问题，提出卷积神经网络（CNN）与双向长短时记忆网络（BiLSTM）的融合模型，该模型可建立惯性测量单元（IMU）动力学测量数据与GNSS导航信息之间的关系，实现较准确的位置和速度预测.其次，针对轨迹突变时预测效果急剧下降的问题，提出并行CNN-BiLSTM回归架构，在预测位置与速度的同时，挖掘IMU动力学测量数据、预测值与预测残差之间的关系，预测并补偿预测残差，增强模型在轨迹突变时的预测精度.仿真结果表明，所提模型在预测准确性、有效性和稳定性方面都优于CNN-LSTM、LSTM网络模型.

摘要:以提高侧翻预警中对侧翻风险的预测和判断为目标，为了给驾驶员或其他驾驶辅助系统确定对车辆进行控制的介入时机提供重要依据，提出了一种更高效准确的侧翻预警算法.首先建立三自由度车辆预警参考模型；选取相平面法划分侧倾稳定域为侧翻指标，根据三自由度模型响应，设计改进侧翻预测时间（TTR）算法并计算TTR.分析结果表明，相平面侧翻指标接近实际横向载荷转移率（LTR），比LTR常用的表达形式更准确地表述了车辆状态，且改进的TTR也更加接近实际TTR.然后建立长短期记忆网络（LSTM）模型来取代改进TTR算法，提高预警计算效率，模型输出的TTR值作为车辆预警控制的依据.最后通过驾驶员在环（DIL）试验采集数据，对LSTM模型进行训练，并在两种工况下，仿真验证了此侧翻预警方法具有对侧翻风险预测的准确性和更高的实时性.

摘要:针对现有软件系统异常状态评估方法过度依赖数据标注、对时序数据的时间依赖性关注较低和系统异常状态难以量化等问题，提出一种基于混合生成网络的软件系统异常状态评估方法.首先，通过对长短期记忆网络（long short-term memory network， LSTM）与变分自动编码器（variational auto-encoder， VAE）的融合，设计一种LSTM-VAE混合生成网络，并以该网络为基础构建基于LSTM-VAE混合生成网络的系统异常状态检测模型，由LSTM对系统数据的时序特征进行提取并由VAE对系统数据的分布进行建模.然后，由LSTM-VAE异常状态检测模型处理系统关键特征参数，获取系统关键特征参数的异常度量值.最后，利用耦合度方法对传统的线性加权和方法进行优化，通过加权耦合度优化方法计算得到软件系统异常状态的量化值，从而实现对软件系统的异常状态评估.实验结果表明，本文模型对软件系统的异常时序数据具有较好的检测能力，其对系统异常状态的评估结果更为合理、有效.

摘要:在问答社区专家推荐算法中，图神经网络主要利用问答社区中用户与问题的交互关系建模，其模型性能取决于交互数据的稠密度，难以对无交互信息的用户及问题进行有效表示学习. 针对这一问题，提出了一个基于记忆的注意力图神经网络专家推荐方法. 该方法首先设计了面向用户多维特征的联合表示子网络，然后构建了一个记忆网络，为每个问题保存用户回答过的与其相似的问题，同时在用户表示与相似问题表示之间引入注意力机制，从不同用户的视角，有针对性的融合相似问题构建新问题的向量表示，最终基于用户和问题的表示为问题推荐专家，有效提高了专家推荐的准确性 . 在数据集中对本文所提出的方法进行验证，相较于同类其他模型性能均有所提升.

摘要:基于深度学习中的长短期记忆网络LSTM，通过搭建Seq2Seq模型，提出了可对实测沉降数据进行预处理的新方法. Seq2Seq可通过观测大量有效的测点数据来自动学习沉降发展规律，并在训练完成后能对异常测点沉降进行重新计算，可有效避免异常数据对后续沉降预测的干扰. 以某机场多个区域的实测沉降数据为背景，通过将Seq2Seq模型重计算出的沉降值与实测值对比，验证了该模型的可靠性. 结合超参数与数据集等参数分析，研究了提升模型学习能力的影响因素. 研究结果表明：在训练集选取40个测点、测试集选取15个的条件下，模型重计算值与实测值全过程平均误差3 cm. 增大训练集与数据特征，且减小训练集与测试集之间的偏差时，模型的精度提升明显，误差缩小到2 cm.