深度学习与迁移学习在航空航天的可能运用
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
三、深度学习与迁移学习目前在航空航天领域中的运用现状
目前知网基础数据库中可查的关于模式识别在航空航天领域中的应用的论 文不足百篇。其中的应用基本为各种部件的故障判断。而其中涉及深度学习的论 文仅有一篇，没有涉及迁移学习的论文。
四、深度学习与迁移学习在航空航天领域中的可能运用
根据航空航天领域、深度学习及迁移学习的相关知识，我认为深度学习与迁 移学习在航空航天领域中的可能应用有如下几条：
迁移学习，可以简单地理解为，一个学会骑自行车的人更容易学会骑摩托车。 同理，迁移学习就是期望通过对已知的领域进行分析，从而帮助我们更容易地学 会与已知领域相近的领域的知识、关系等。
迁移学习的基本概念有领域和任务。领域代表现实世界中的某一类。如汽车， 人是不同的类，也是不同的领域。一个领域包含特征空间和概率分布两个特征。 迁移学习中学习的过程称为一个任务。一个任务包括标记类号的空间和预测样本 类别的函数两部分。迁移学习的形式化定义为：
给定一个源领域 DS 源学习任务 TS，一个目标领域 DT 和一个目标学习任务 TT， 迁移学习的目的是利用 DS 和 TS 帮助 DT 和 TT 的学习，其中 DS 不等于 DT，TS 不等于 T 。 [ii]
T
综上，我们可以推测，深度学习与迁移学习可以应用于航空航天领域的数据 分析、故障判断、模型模拟、飞行模拟、故障预测等领域。
深度学习起源于对人脑视觉神经网络的研究。科学家通过实验发现人脑的视 觉神经系统对视觉信息的处理是一个不断抽象、不断迭代的过程。例如大脑在识 别人脸时，输入大脑的原始大脑信息是一堆像素，大脑接受这些信息后首先识别 出这些信息的边缘部分，然后根据这些边缘识别出更高一级的信息如人的鼻子 等，之后大脑不断识别出更高层的信息，直至识别出人脸[i]。这一研究结果随后 被使用于计算机模式识别领域中，并演化成为深度学习这一概念。科研人员通过 各种算法，使计算机模拟人类大脑对数据进行分析和识别，希望能够提高分析数 据的能力。
传统的数据分析是建立在统计学理论基础上的，所以传统的数据分析模型 的一次只能完成一种任务。当任务改变时，人们就必须重新收集样本、建模、标 记等。这些工作会浪费大wk.baidu.com的资源和精力，甚至有时样本会难以收集，使数据分
析的任务出现停滞。为了解决这些问题，人们想到了用与当前领域类似的、有关 联的其他领域的样本帮助我们分析新领域的问题，这就是迁移学习。航空航天仍 然是一门比较新的学科，许多新的领域都在不断试验之中。迁移学习正适合运用 于这样的新的领域。例如当我开发一种新型号的火箭时，能不能利用原有的火箭 的数据得出的经验，经过适当的迁移学习方法从而对新型号的火箭的实验数据进 行分析？或使用原有的数据帮助我设计新的火箭的一些部件？
2. 对航空器航天器实验数据进行分析：我们甚至可以结合大数据的技术， 通过深度学习对航空器航天器实验数据进行分析，判断出实验结论，甚至可以发 现原来没有想到的变量之间的联系。
3. 对新研发航空器航天器进行预判、模拟：开发新的航空器航天器时，由 于没有已知的实验数据，对新航天器的状况很难进行准确判断。引入迁移学习可 以帮助我们解决这些问题。我们可以借助之前的相关航空器航天器的实验数据， 通过经过研究的适当的迁移函数，对新研发航空器航天器的各类指标进行预判、 模拟。
更少。
六、总结
尽管目前深度学习及迁移学习要实际应用在航空航天领域还十分困难，但是 随着计算机领域的不断发展以及在各行各业中越来越广泛的运用，深度学习及迁 移学习在将来必将为航空航天领域做出自己的贡献。
七、参考文献
[1]王斌. 基于深度学习的行人检测[D].北京交通大学,2015. [2]刘晓明. 基于实例迁移学习的文本分类研究[D].吉林大学,2014. [1]陈宇. 基于深度置信网络的中文信息抽取方法[D].哈尔滨工业大学,2014. [4]冯通. 基于深度学习的航空飞行器故障自助检测研究[J]. 计算机仿 真,2015,11:119-122.
武汉大学《航空航天技术概论》期末作业
题 目：深度学习与迁移学习在航天工程中的可能运用 学 院：计算机学院 专 业：计算机科学与技术 姓 名：潘佳鑫 学 号：2014301500249
2016 年 4 月 10 日
一、深度学习与迁移学习简介
深度学习和迁移学习是计算机模式识别中的两种方法。模式，指事物的标准 样式。模式识别是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关 系的)信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过 程，是信息科学和人工智能的重要组成部分。
二、深度学习与迁移学习用于航空领域的优势
深度学习可以将复杂的问题层次化，通过对每一个层次的研究使问题简单 化，适合于对复杂函数的表达。如表示函数 log(cos(exp(sin3(x))))，普通的 浅层学习只能通过原本的表达式表示这个函数，复杂而且容易出现不可更改的错 误。而深度学习可以将上述函数分为 sin(x)，x3，exp(x)，cos(x)，log(x)五 层，每一层只表示出该层的关键信息，大大减少了每一层的计算量，并且如果其 中一层出现错误，它之后的层次可以对该层错误进行一定程度的弥补[iii]。深度 学习这一特点极其适合于运用到计算复杂的航空航天领域的数据分析之中，它的 一定程度的纠错能力也符合航空航天领域的高精确度、低错误率的要求。并且， 目前为止，世界各国甚至创业公司已经进行了大量的航天器发射、飞行、返回实 验，积累了大量的实验数据。深度学习是一种模仿神经网络的数据处理结构，十 分适合于处理这样大量的数据，如果有好的算法，甚至从数据中发现一些大家从 前没有注意的因果关系。
1. 航空器航天器各类部件的故障判断：如发动机、传感器。此类部件一般 在多次发射中积累了大量的实验数据，故可以使用深度学习方法对这些部件进行 故障判断。此类应用目前的例子有基于深度学习中深度信念网络方法对飞行器故 障自助检测的研究iv。我们也可以使用深度学习中卷积神经网络方法对这些部件 进行故障判断。目前使用模式识别对航天器部件进行故障判断主要还是使用传统 的统计学、概率学方法，如果使用深度学习算法，有可能能进一步改进故障判断 的正确率、判断速度等。同理，我们也可以将这些判断方法用于其他领域，如飞 行中燃油消耗判断等。
五、深度学习与迁移学习运用于航空航天领域存在的困难
不得不承认，目前深度学习与迁移学习要成熟地运用于航空航天领域还有很 多困难。具体有以下几条：
1. 深度学习与迁移学习是一个比较新的研究领域，目前也仅有几十年的发 展历史，投入实际应用的时间更短，理论仍然不是十分完善。
2. 能够进行深度学习与迁移学习在航空航天领域的学者几乎没有。深度学 习与迁移学习涉及到计算机、概率论、统计学等多种学科，对研究人员数学、计 算机的能力要求都比较高。实际上，深度学习与迁移学习已经超过大部分本科生 甚至许多研究生的能力范围。而同时精通深度学习、迁移学习和航空航天的学者
目前知网基础数据库中可查的关于模式识别在航空航天领域中的应用的论 文不足百篇。其中的应用基本为各种部件的故障判断。而其中涉及深度学习的论 文仅有一篇，没有涉及迁移学习的论文。
四、深度学习与迁移学习在航空航天领域中的可能运用
根据航空航天领域、深度学习及迁移学习的相关知识，我认为深度学习与迁 移学习在航空航天领域中的可能应用有如下几条：
迁移学习，可以简单地理解为，一个学会骑自行车的人更容易学会骑摩托车。 同理，迁移学习就是期望通过对已知的领域进行分析，从而帮助我们更容易地学 会与已知领域相近的领域的知识、关系等。
迁移学习的基本概念有领域和任务。领域代表现实世界中的某一类。如汽车， 人是不同的类，也是不同的领域。一个领域包含特征空间和概率分布两个特征。 迁移学习中学习的过程称为一个任务。一个任务包括标记类号的空间和预测样本 类别的函数两部分。迁移学习的形式化定义为：
给定一个源领域 DS 源学习任务 TS，一个目标领域 DT 和一个目标学习任务 TT， 迁移学习的目的是利用 DS 和 TS 帮助 DT 和 TT 的学习，其中 DS 不等于 DT，TS 不等于 T 。 [ii]
T
综上，我们可以推测，深度学习与迁移学习可以应用于航空航天领域的数据 分析、故障判断、模型模拟、飞行模拟、故障预测等领域。
深度学习起源于对人脑视觉神经网络的研究。科学家通过实验发现人脑的视 觉神经系统对视觉信息的处理是一个不断抽象、不断迭代的过程。例如大脑在识 别人脸时，输入大脑的原始大脑信息是一堆像素，大脑接受这些信息后首先识别 出这些信息的边缘部分，然后根据这些边缘识别出更高一级的信息如人的鼻子 等，之后大脑不断识别出更高层的信息，直至识别出人脸[i]。这一研究结果随后 被使用于计算机模式识别领域中，并演化成为深度学习这一概念。科研人员通过 各种算法，使计算机模拟人类大脑对数据进行分析和识别，希望能够提高分析数 据的能力。
传统的数据分析是建立在统计学理论基础上的，所以传统的数据分析模型 的一次只能完成一种任务。当任务改变时，人们就必须重新收集样本、建模、标 记等。这些工作会浪费大wk.baidu.com的资源和精力，甚至有时样本会难以收集，使数据分
析的任务出现停滞。为了解决这些问题，人们想到了用与当前领域类似的、有关 联的其他领域的样本帮助我们分析新领域的问题，这就是迁移学习。航空航天仍 然是一门比较新的学科，许多新的领域都在不断试验之中。迁移学习正适合运用 于这样的新的领域。例如当我开发一种新型号的火箭时，能不能利用原有的火箭 的数据得出的经验，经过适当的迁移学习方法从而对新型号的火箭的实验数据进 行分析？或使用原有的数据帮助我设计新的火箭的一些部件？
2. 对航空器航天器实验数据进行分析：我们甚至可以结合大数据的技术， 通过深度学习对航空器航天器实验数据进行分析，判断出实验结论，甚至可以发 现原来没有想到的变量之间的联系。
3. 对新研发航空器航天器进行预判、模拟：开发新的航空器航天器时，由 于没有已知的实验数据，对新航天器的状况很难进行准确判断。引入迁移学习可 以帮助我们解决这些问题。我们可以借助之前的相关航空器航天器的实验数据， 通过经过研究的适当的迁移函数，对新研发航空器航天器的各类指标进行预判、 模拟。
更少。
六、总结
尽管目前深度学习及迁移学习要实际应用在航空航天领域还十分困难，但是 随着计算机领域的不断发展以及在各行各业中越来越广泛的运用，深度学习及迁 移学习在将来必将为航空航天领域做出自己的贡献。
七、参考文献
[1]王斌. 基于深度学习的行人检测[D].北京交通大学,2015. [2]刘晓明. 基于实例迁移学习的文本分类研究[D].吉林大学,2014. [1]陈宇. 基于深度置信网络的中文信息抽取方法[D].哈尔滨工业大学,2014. [4]冯通. 基于深度学习的航空飞行器故障自助检测研究[J]. 计算机仿 真,2015,11:119-122.
武汉大学《航空航天技术概论》期末作业
题 目：深度学习与迁移学习在航天工程中的可能运用 学 院：计算机学院 专 业：计算机科学与技术 姓 名：潘佳鑫 学 号：2014301500249
2016 年 4 月 10 日
一、深度学习与迁移学习简介
深度学习和迁移学习是计算机模式识别中的两种方法。模式，指事物的标准 样式。模式识别是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关 系的)信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过 程，是信息科学和人工智能的重要组成部分。
二、深度学习与迁移学习用于航空领域的优势
深度学习可以将复杂的问题层次化，通过对每一个层次的研究使问题简单 化，适合于对复杂函数的表达。如表示函数 log(cos(exp(sin3(x))))，普通的 浅层学习只能通过原本的表达式表示这个函数，复杂而且容易出现不可更改的错 误。而深度学习可以将上述函数分为 sin(x)，x3，exp(x)，cos(x)，log(x)五 层，每一层只表示出该层的关键信息，大大减少了每一层的计算量，并且如果其 中一层出现错误，它之后的层次可以对该层错误进行一定程度的弥补[iii]。深度 学习这一特点极其适合于运用到计算复杂的航空航天领域的数据分析之中，它的 一定程度的纠错能力也符合航空航天领域的高精确度、低错误率的要求。并且， 目前为止，世界各国甚至创业公司已经进行了大量的航天器发射、飞行、返回实 验，积累了大量的实验数据。深度学习是一种模仿神经网络的数据处理结构，十 分适合于处理这样大量的数据，如果有好的算法，甚至从数据中发现一些大家从 前没有注意的因果关系。
1. 航空器航天器各类部件的故障判断：如发动机、传感器。此类部件一般 在多次发射中积累了大量的实验数据，故可以使用深度学习方法对这些部件进行 故障判断。此类应用目前的例子有基于深度学习中深度信念网络方法对飞行器故 障自助检测的研究iv。我们也可以使用深度学习中卷积神经网络方法对这些部件 进行故障判断。目前使用模式识别对航天器部件进行故障判断主要还是使用传统 的统计学、概率学方法，如果使用深度学习算法，有可能能进一步改进故障判断 的正确率、判断速度等。同理，我们也可以将这些判断方法用于其他领域，如飞 行中燃油消耗判断等。
五、深度学习与迁移学习运用于航空航天领域存在的困难
不得不承认，目前深度学习与迁移学习要成熟地运用于航空航天领域还有很 多困难。具体有以下几条：
1. 深度学习与迁移学习是一个比较新的研究领域，目前也仅有几十年的发 展历史，投入实际应用的时间更短，理论仍然不是十分完善。
2. 能够进行深度学习与迁移学习在航空航天领域的学者几乎没有。深度学 习与迁移学习涉及到计算机、概率论、统计学等多种学科，对研究人员数学、计 算机的能力要求都比较高。实际上，深度学习与迁移学习已经超过大部分本科生 甚至许多研究生的能力范围。而同时精通深度学习、迁移学习和航空航天的学者