XiaoMi-AI文件搜索系统
World File Search SystemSwarm
Silent Swarm ® 无人值守电子战系统 - SRC, Inc.
该系统不显眼，非常适合长期部署在敌对地区。它可以用作无人值守的诱饵，利用电子战综合重编程数据库 (EWIRDB) 经过验证的雷达发射器情报数据来模仿 BLUFOR 和 REDFOR 雷达和武器系统及通信。该系统还提供先进的网络和非传统情报、监视和侦察功能，用于识别和利用对手。
无人机群控制的设计挑战 - VTT CRIS
摘要。人们普遍认为，群体可能是无人驾驶飞行器 (UAV) 或无人机技术的下一步发展方向。尽管导航、数据收集和决策的自主性大幅提高是“集体人工智能”愿景的重要组成部分，但这一预期发展引发了人们对群体与其人类操作员之间最有效的互动形式的质疑。一方面，每个单元的低级“微观管理”显然抵消了使用群体的许多优势。另一方面，保留对群体目标和实时行为进行一定控制的能力显然至关重要。我们提出了两种控制方法，直接和间接，我们相信它们可用于设计合适的图形用户界面 (GUI)，即同时直观、易于使用、功能强大且灵活，允许单个操作员编排群体的动作。模拟结果用于说明概念，并对不同场景中的两种控制方法进行定量性能分析。确定了与无人机群控制相关的人为因素方面，并从人类操作员的使用角度讨论了这两种控制方法。我们得出的结论是，直接方法更适合短时间尺度（“战术”级别），而间接方法允许指定更抽象的长期目标（“操作”级别），使它们自然互补
使用内源性 BCI 范式设计基于 EEG 的无人机群控制系统
摘要 — 非侵入式脑机接口 (BCI) 已被开发用于通过使用脑电图 (EEG) 信号来理解用户的意图。随着人工智能的发展，无人机控制系统也取得了许多进展。能够反映用户意图的 BCI 特性导致了基于 BCI 的无人机控制系统的出现。使用无人机群比使用单架无人机具有更多优势，例如任务多样性。特别是，基于 BCI 的无人机群控制可以为军事服务或行业灾难等各个行业提供许多优势。BCI 范式包括外生范式和内生范式。内生范式可以独立于任何刺激根据用户的意图进行操作。在本研究中，我们设计了专门用于无人机群控制的内生范式（即运动想象 (MI)、视觉想象 (VI) 和语音想象 (SI)），并进行了基于脑电图的与无人机群控制相关的各种任务分类。五名受试者参加了实验，并使用基本机器学习算法评估了表现。MI、VI 和 SI 的总平均准确率分别为 51.1% (± 8.02)、53.2% (± 3.11) 和 41.9% (± 6.09)。因此，我们证实了使用各种内生范式增加无人机群控制自由度的可行性。关键词-脑机接口；脑电图；无人机群控制；直觉范式
射电天文学的月球轨道的卫星群
iac-20，b4,3,6，x59219 Olfar的自主任务计划：Lunar轨道上的卫星群，用于射电射线天文学的Sung-Hoon Mok A *，Jian Guo A，Jian Guo A，Eberhard Gill A，Eberhard Gill A，Raj Thilak Rajan Ba Aerospace Engifetry of Aerospace Engineering（lr）（LR），LR），DELLE（LR），deflue（lr），deflue（lr）。荷兰2629 HS，s.mok@tudelft.nl; j.guo@tudelft.nl; e.k.a.gill@tudelft.nl b Faculty of Electrical Engineering, Mathematics & Computer Science (EWI), Delft University of Technology, Mekelweg 4, Delft, The Netherlands 2628 CD , r.t.rajan@tudelft.nl * Corresponding Author Abstract Orbiting Low Frequency Array for Radio Astronomy (OLFAR) is a radio astronomy mission that has been studied since 2010 by several荷兰大学和研究机构。该任务旨在通过在30 MHz频带以下的超低波长状态下收集宇宙信号来产生天空图。一颗卫星群，其中包括10多个配备了被动天线的卫星，将部署在可以最小化射频干扰的太空中，例如，在月球的远处。到目前为止，已经投入了一些研究来设计空间部分，其中包括有效载荷和平台元素。但是，尚未详细设计地面部分，尤其是任务计划系统。在本文中，根据当前的卫星设计提出了任务计划问题后，提出了OLFAR的系统任务计划方法。关键字：任务规划，射电天文学，卫星群，月球轨道，地面部门，自治1。任务控制元素（MCE）是地面部分元素之一，其主要功能是任务计划和计划。简介地面细分市场对于任务成功以及太空领域和发射部门[1]起着重要作用。它旨在在有限的资源和限制下安排几个任务；最终，为特定的计划范围生成时间表。任务计划算法（或不久的算法）通常可以分为三类：确定性精确算法，确定性近似算法和非确定性近似算法[2]。首先，确定性精确算法提供了一个精确的最佳解决方案，但需要三个方面的计算时间最长。例如，蛮力搜索需要在获得全球最佳解决方案之前列举所有可能的候选者。其次，确定性近似算法提供了一个亚最佳解决方案，其计算负担明显较小。它通常被称为启发式算法[3]。有例如贪婪算法和本地搜索算法。第三，非确定性近似算法也提供了次优的解决方案，通常称为元启发式算法或基于人群的算法。遗传算法和粒子群优化是众所周知的非确定性近似算法。但是，应注意的是，算法的定义和分类在文献中通常会有所不同。
靶向衰老的治疗药物的进步
简介：心脏病是显着影响受害者生活方式和生活的著名人类疾病。心律不齐（心律不齐）是反映个人心跳状态的关键心脏疾病之一。ECG（心电图）信号通常用于这种心脏疾病的诊断过程中。目标：在本手稿中，已经努力采用和检查新兴群智能（SI）技术的性能，以寻找用于心律不齐的最佳特征集。方法：已经考虑了279个属性和452个实例，标准基准UCI数据集集已被考虑。五种不同的基于SI的元元素技术。二进制灰狼优化器（BGWO），蚂蚁狮子优化（ALO），蝴蝶优化算法（BOA），蜻蜓算法（DA）和缎面鸟优化（SBO）也已被使用。此外，已经设计了五种新型SBO的混乱变体，以解决诊断心律不齐的特征选择问题。已经计算了不同的性能指标，例如精度，健身价值，最佳功能集和执行时间。结论：从实验中观察到，就心律不齐的准确性和适应性值而言，SBO的表现优于其他SI算法。bgwo，da，boa和alo。此外，当重点仅在尺寸上时，BOA和ALO似乎是最适合的。
研究文章 使用多级粒子群优化进行基于运动想象的 BCI 系统的通道和特征选择
脑机接口 (BCI) 是连接人脑和计算机或其他电子设备的通信和控制系统。然而，无关通道和与任务无关的误导性特征限制了分类性能。为了解决这些问题，我们提出了一种基于粒子群优化 (PSO) 的高效信号处理框架，用于通道和特征选择、通道选择和特征选择。改进的 Stockwell 变换用于特征提取，多级混合 PSO-贝叶斯线性判别分析用于优化和分类。这里使用 BCI 竞赛 III 数据集 I 来确认所提方案的优越性。与未优化方法（89%准确率）相比，基于PSO的方案在使用不到10.5%的原始特征时，最佳分类准确率达到99%，测试时间减少90%以上，Kappa值和F-score分别达到0.98和98.99%，信噪比更好，优于现有算法。结果表明，通道和特征选择方案可以加快收敛到全局最优的速度，减少训练时间。由于该框架可以显著提高分类性能，有效减少特征数量，大大缩短测试时间，可以为相关实时BCI应用系统研究提供参考。
无人机群是大规模杀伤性武器吗？
作者：RJ Larsen — 2.大规模杀伤性武器为化学、生物、放射性或核武器 (CBRN)。3.大规模杀伤性武器为 CBRN 和高爆炸弹 (CBRNE) ...
执法清理行动中人机与无人机和无人机群的互动
执法清理行动中人机与无人机和无人机群的交互 Richard T. Stone 1、Thomas M. Schnieders 1、Kevin A. Push 1、Stephen Terry 2、Mary Truong 3、Inshira Seshie 4 和 Kathryn Socha 1 1 爱荷华州立大学 2 宾夕法尼亚州立大学 3 西北大学 4 马里兰大学巴尔的摩分校 警察通常必须单独进行清理行动，这一程序涉及调查建筑物中的威胁并做出适当反应。无人机群和警察之间的合作有可能在这些高压力行动中提高警察和平民的安全性，并降低敌对人员伤害的风险。这项由两部分组成的研究探讨了使用单个无人机或无人机群进行执法建筑清理行动过程中的信任、态势感知、心理需求、性能和人机交互等方面。结果表明，单架无人机的使用可以增加操作时间，但清理的准确性和安全性会得到提高。单架无人机的使用提高了态势感知能力，减少了未击中目标的数量，并获得了中等程度的信任。对于无人机群，结果表明，与单架无人机相比，群数据馈送的心理工作量存在显著差异，但发现目标的准确性没有显著差异。引言美国联邦航空管理局将无人机定义为无人驾驶飞机系统 (UAS) (FAA，2018)。最早的实际用途
飞机配平粒子群优化分析
在本研究中，首先开发了 F-16 飞机全动力学的详细非线性模型，并用 MATLAB 编写了代码。该模型包括重力模型、可变大气参数、表格气动函数、推进模型、非线性控制面驱动模型和六自由度运动方程。然后开发了一种使用上述模型计算所有可能配平值的数值工具。该工具可以计算不同操作点的配平值。在开发的算法中，使用了粒子群优化 (PSO) 方法，这是一种在连续搜索空间上具有高收敛速度的元启发式方法。然后使用开发的模型围绕计算出的配平值进行模拟。模拟结果证实，基于 PSO 的配平算法可以高精度地找到所有配平值。引用本文：I. Gumusboga、A. Iftar，“粒子群优化飞机配平分析”《航空航天技术杂志》，第12，第2，第185-196，7 月2019.分段优化和配平分析
粒子群优化的飞机配平分析
在本研究中，首先开发了 F-16 飞机全动力学的详细非线性模型，并用 MATLAB 进行编码。该模型包括重力模型、可变大气参数、表格气动函数、推进模型、非线性控制面驱动模型和六自由度运动方程。然后开发了一种使用上述模型计算所有可能配平值的数值工具。该工具可以计算不同操作点的配平值。在开发的算法中，使用了粒子群优化 (PSO) 方法，这是一种在连续搜索空间上具有高收敛速度的元启发式方法。然后使用开发的模型围绕计算出的配平值进行模拟。模拟结果证实，基于 PSO 的配平算法可以高精度地找到所有配平值。