人工智能結(jié)合自動化測試技術(shù)在衛(wèi)星測試系統(tǒng)中的應(yīng)用探索

王爽 王頎玥 田畇 張斯明 張靜

摘要：人工智能技術(shù)在當(dāng)今許多領(lǐng)域都有廣泛的應(yīng)用，如何將人工智能技術(shù)與自動化測試技術(shù)相結(jié)合并應(yīng)用于衛(wèi)星測試系統(tǒng)，目前還是測試領(lǐng)域中的藍(lán)海。該文從人工智能領(lǐng)域中的應(yīng)用方法入手，討論在衛(wèi)星測試領(lǐng)域中應(yīng)用人工智能技術(shù)的實踐方式和應(yīng)用研究。

關(guān)鍵詞：人工智能;自動化測試技術(shù);衛(wèi)星測試

中圖分類號：TP18? ? ? ? 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2021）08-0165-04

1 引言

人工智能作為最具顛覆性和變革性的技術(shù)，正不斷滲透進(jìn)社會生產(chǎn)生活的各個方面，對國家政治、經(jīng)濟(jì)、文化等方面帶來極為深遠(yuǎn)的影響，持續(xù)引發(fā)全球政界、產(chǎn)業(yè)界和學(xué)術(shù)界的高度關(guān)注。人工智能通過將解決智能問題的方法轉(zhuǎn)化為某種模型或算法，從而讓機(jī)器模擬人的智能行為，在不同領(lǐng)域中的方法和實現(xiàn)方式千差萬別。在航天活動中，人工智能有多方面的應(yīng)用，如各種專家系統(tǒng)、實時故障診斷、智能機(jī)器人、智能化管理系統(tǒng)等。將人工智能應(yīng)用于衛(wèi)星綜合測試領(lǐng)域，是一種具象化的新嘗試。

本文針對人工智能在衛(wèi)星測試領(lǐng)域的應(yīng)用現(xiàn)狀、前景及挑戰(zhàn)進(jìn)行了分析并對未來應(yīng)用進(jìn)行了研究探索。

2 人工智能與衛(wèi)星測試

2.1 人工智能簡述

人工智能是一門正在發(fā)展中的綜合性前沿學(xué)科，它是研究人類智能活動的規(guī)律，并用于模擬、延伸和擴(kuò)展人類智能的一門新的技術(shù)科學(xué)，是在計算機(jī)、控制論、信息論、數(shù)學(xué)、心理學(xué)等多種學(xué)科相互綜合、相互滲透的基礎(chǔ)上發(fā)展起來的一門新興邊緣學(xué)科。人工智能的研究方法、學(xué)術(shù)流派、理論知識非常豐富，應(yīng)用領(lǐng)域十分廣泛。目前，人工智能在機(jī)器學(xué)習(xí)、模式識別、機(jī)器視覺、機(jī)器人學(xué)、航空航天、自然語言理解、Web 知識發(fā)現(xiàn)等領(lǐng)域取得了突破性進(jìn)展，并可以出色地完成各種復(fù)雜的單一任務(wù)[1-6]。

2.2 衛(wèi)星測試簡述

衛(wèi)星綜合測試是指對電氣性能或功能的測試，定性或定量地對衛(wèi)星的功能和性能進(jìn)行評定，證明其功能、性能指標(biāo)滿足總體設(shè)計要求，并具備衛(wèi)星發(fā)射的條件[7]。衛(wèi)星綜合測試是系統(tǒng)級的電性能測試，是集測量、電子、通信、計算機(jī)、工程管理等多學(xué)科于一體、科學(xué)性與工程性相結(jié)合的綜合技術(shù)。是在衛(wèi)星發(fā)射前，對衛(wèi)星性能分析、功能驗證的最終審查，是航天器質(zhì)量保證的關(guān)鍵步驟。衛(wèi)星綜合測試工作包括測試設(shè)計，測試實施，測試總結(jié)等方面。其中測試設(shè)計需要結(jié)合被測對象性能特點進(jìn)行設(shè)計，其中人為參與因素繁多，在測試實施和測試總結(jié)方面，基于事件本身的規(guī)律性，更適合結(jié)合算法操作處理，使該過程智能化。

衛(wèi)星測試領(lǐng)域已越來越多增加自動化手段及獨立的算法實現(xiàn)測試實施和測試數(shù)據(jù)管理，但仍需要人工操作和監(jiān)管，而對于衛(wèi)星測試領(lǐng)域中的設(shè)備、文件信息統(tǒng)籌管理、測試實施中的故障診斷和衛(wèi)星實測數(shù)據(jù)的系統(tǒng)性判讀等方面可通過人工智能幫助其更好地實現(xiàn)自動化、智能化。

3 人工智能應(yīng)用方法

3.1專家系統(tǒng)

專家系統(tǒng)用于收藏領(lǐng)域內(nèi)一個或數(shù)個專家的寶貴知識和經(jīng)驗，使之不因?qū)＜译x退休、故去而失傳，具有永久性。經(jīng)拷貝代替專家到多個崗位上工作，使專家知識和經(jīng)驗得到更廣泛的推廣和應(yīng)用。能產(chǎn)生更為一致的可重復(fù)結(jié)果，提高工作實時性、一致性，避免人為因素造成的影響?？稍趷毫踊蛭ｋU環(huán)境中代替專家工作，可給初學(xué)者傳授知識和技巧。

國內(nèi)外已發(fā)展多種專家系統(tǒng)用于衛(wèi)星測試的不同領(lǐng)域，當(dāng)前應(yīng)用最廣泛，使用效果最明顯的有故障診斷專家系統(tǒng)、智能指揮專家系統(tǒng)、應(yīng)急救生輔助決策專家系統(tǒng)等。在衛(wèi)星測試領(lǐng)域，可以將一種知識自動獲取的方式即機(jī)器學(xué)習(xí)[8]，運用于專家系統(tǒng)的建造階段，由于每個衛(wèi)星測試過程中均有測試人員與計算機(jī)進(jìn)行交互，專家系統(tǒng)可以從以往經(jīng)驗中抽取知識，對知識庫進(jìn)行自動更新和擴(kuò)展。

3.2神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是模擬的生物激勵系統(tǒng)，將一系列輸入通過神經(jīng)網(wǎng)絡(luò)產(chǎn)生輸出。輸出、輸入都是標(biāo)準(zhǔn)化的量，輸出是輸入的非線性函數(shù)，其值可由連接各神經(jīng)網(wǎng)元的權(quán)重改變，以獲得期望的輸出值。由于神經(jīng)網(wǎng)絡(luò)具有快速并行處理能力和良好的分類能力，被廣泛用多種測試系統(tǒng)中。

基于神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的測試設(shè)備故障診斷方法，將神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)相結(jié)合可以彌補(bǔ)傳統(tǒng)專家系統(tǒng)構(gòu)造中知識獲取的“瓶頸”和推理的“組合爆炸”等問題。測試設(shè)備工作時，診斷系統(tǒng)通過信號采集模塊對測試設(shè)備的工作電壓進(jìn)行實時采集，當(dāng)發(fā)現(xiàn)監(jiān)測信號異常時，系統(tǒng)報警，經(jīng)神經(jīng)網(wǎng)絡(luò)推理機(jī)找出故障原因并定位故障、給出維修建議[9]。

3.3圖像識別

圖像識別是指利用計算機(jī)對圖像進(jìn)行處理、分析、理解，以識別各種不同模式的目標(biāo)和對象的技術(shù)。視覺圖像經(jīng)過采樣和量化后輸入計算機(jī)，變成數(shù)字圖像，其基本信息儲存在數(shù)組中。通過數(shù)字圖像處理技術(shù)，進(jìn)行一定處理后就進(jìn)行圖像識別，這既是圖像識別的核心部分圖像識別分類器。它的作用主要在根據(jù)模式識別中的各種技術(shù)，如統(tǒng)計模式識別、模糊模式識別、人工神經(jīng)網(wǎng)絡(luò)模式識別等，對輸入的圖像特征參量進(jìn)行一定的運算后，判斷輸出圖像的分類。利用已知類別的圖像樣本訓(xùn)練某個算法，得到所涉及的分類方案，使得這個方案對原有已知類別的圖像正確分類 [10-11]。

在測試系統(tǒng)中，圖像識別多用于故障診斷中，與專家系統(tǒng)結(jié)合，訓(xùn)練算法以通過圖像識別的方式正確分類故障，利用專家系統(tǒng)解決故障。

3.3遺傳算法

遺傳算法通過隨機(jī)產(chǎn)生新的解并保留其中較好的結(jié)果，并避免陷入局部最小，以求得全局最優(yōu)解或近似最優(yōu)解。作為一種高效的全局概率搜索方法，在解決決策空間大、目標(biāo)函數(shù)具有多峰和非線性特性等高復(fù)雜度的優(yōu)化問題時，顯示了其獨特的優(yōu)勢和高效性[12]。

在衛(wèi)星測試中，對于測試數(shù)據(jù)生成、分析問題往往需要花費大量的時間，自動求解該問題，將有效減輕測試人員的勞動強(qiáng)度，并提高測試時的效率和質(zhì)量，從而節(jié)省測試成本。測試數(shù)據(jù)生成、分析的過程實際上是依據(jù)一定的規(guī)則對被測程序的輸入空間進(jìn)行抽樣的過程。實際復(fù)雜測試的數(shù)據(jù)類型各異，輸入空間龐大，采用遺傳算法解決測試數(shù)據(jù)自動生成、分析問題成為目前解決衛(wèi)星測試數(shù)據(jù)生成、分析問題研究的前沿之一[13]。

3.4大數(shù)據(jù)模型

大數(shù)據(jù)模型主要從大規(guī)模數(shù)據(jù)集或數(shù)據(jù)庫發(fā)現(xiàn)知識或模式。知識發(fā)現(xiàn)方法有統(tǒng)計方法、粗集和模糊集、機(jī)器學(xué)習(xí)、智能計算等方法。知識發(fā)現(xiàn)的任務(wù)分為數(shù)據(jù)總結(jié)、概念描述、分類、聚類及相關(guān)性分析等。機(jī)器感知涉及圖像、聲音、文字等信息的識別問題。模式識別的主要目標(biāo)是用計算機(jī)模擬人的識別能力，運用知識表達(dá)和推理方法，主要從圖形、圖像和語音抽取出模式，表征或刻畫被識別對象類屬特有的信息模型[14]。

將大數(shù)據(jù)模型與測試相結(jié)合可以分為以下幾步完成：第一步，將所有數(shù)據(jù)分成訓(xùn)練組和檢驗組;第二步，數(shù)組中包括待預(yù)測的目標(biāo)信息以及可能影響該目標(biāo)的各種信息;第三步，選擇有可能影響目標(biāo)的信息;第四步，選擇一種機(jī)器學(xué)習(xí)算法“決策樹”;第五步，把目標(biāo)和可能影響目標(biāo)的信息作為數(shù)組變量輸入算法，訓(xùn)練得到一個預(yù)測模型;第六步，把預(yù)測模型用于檢驗數(shù)據(jù)，檢測該模型的精確度。

4 人工智能在衛(wèi)星測試系統(tǒng)中的應(yīng)用領(lǐng)域

4.1測試設(shè)備

衛(wèi)星測試設(shè)備包括：低頻設(shè)備、高頻設(shè)備、網(wǎng)絡(luò)連接設(shè)備、大型試驗設(shè)備、測試電纜等，其中包含供配電分系統(tǒng)、遙測遙控分系統(tǒng)、數(shù)管熱控分系統(tǒng)、控制分系統(tǒng)、電推進(jìn)分系統(tǒng)、載荷分系統(tǒng)、跟蹤分系統(tǒng)、數(shù)據(jù)管理分系統(tǒng)等，是一個高度集成化的測試系統(tǒng)，其中涉及了多個不同的專業(yè)學(xué)科。如果能在測試設(shè)備中運用人工智能技術(shù)，提高設(shè)備的智能化，提升測試系統(tǒng)的整體協(xié)作性，在解決衛(wèi)星測試系統(tǒng)問題時，基于計算機(jī)理論，運用人工智能技術(shù)來合理編寫計算機(jī)控制程序，將從基層設(shè)備方面達(dá)到智能化和自動化控制。

4.2測試工作

衛(wèi)星測試工作主要包括：測試用例設(shè)計、測試實施、測試數(shù)據(jù)總結(jié)三方面。

測試設(shè)計需要結(jié)合被測對象性能特點進(jìn)行設(shè)計，需要人為參與因素比較多。人工智能可以應(yīng)用于測試用例設(shè)計中。通過計算機(jī)龐大的計算能力以及精確性的特質(zhì)，減少以人為主導(dǎo)所編寫的測試用例的失誤與不精確性。例如運用專家系統(tǒng)，來使AI具備大量的航天領(lǐng)域?qū)＜宜降闹R與經(jīng)驗，從而使AI模擬專家來進(jìn)行測試用例的編寫。避免因為測試人員專業(yè)知識不熟練所導(dǎo)致的各種問題。

在測試實施和測試總結(jié)方面，由于事件自身有一定的規(guī)律性，適合機(jī)器操作處理。目前的測試現(xiàn)狀是，測試過程中產(chǎn)生的大量的試驗數(shù)據(jù)以電子文檔的方式分散保存在各個測試計算機(jī)中?？梢酝ㄟ^運用機(jī)器學(xué)習(xí)的理論，由測試人員提供大量的輸入和輸出數(shù)據(jù)來訓(xùn)練AI，最終由AI學(xué)會根據(jù)特定需求去自動生成測試用例、執(zhí)行測試，并對測試結(jié)果進(jìn)行分析。這將大大減少人工測試工作量，大幅提高工作效率。

4.3故障診斷

故障診斷是根據(jù)衛(wèi)星測試系統(tǒng)中的故障特征，對已發(fā)生故障的時間、位置和程度進(jìn)行預(yù)測，對設(shè)備運行狀態(tài)處于正常或異常做出判斷，根據(jù)歷史檔案、運行狀態(tài)等等級和已出現(xiàn)的故障特征或征兆，判斷故障的性質(zhì)和程度，以此制定相應(yīng)的解決方案。

由于衛(wèi)星測試設(shè)備的多樣性，其故障診斷不僅指單臺設(shè)備，也包括由設(shè)備組成的分系統(tǒng)。一臺設(shè)備或組成系統(tǒng)的某個節(jié)點（包括軟件、硬件、通信等）在運行中的故障，可能造成大部分設(shè)備或整個分系統(tǒng)癱瘓。在衛(wèi)星測試系統(tǒng)中，測試設(shè)備及星上設(shè)備通常在關(guān)鍵點都留有備份或冗余，但在測試過程中，當(dāng)故障發(fā)生時，需要在第一時間發(fā)現(xiàn)和排查，并對衛(wèi)星的安全保障有非常高的要求。這就對衛(wèi)星測試過程中的故障診斷提出了較高的要求。如果能夠引入人工智能的技術(shù)提高故障報警的及時性，加快故障的排查速度，將對衛(wèi)星測試的安全性大大提升。

4.4測試環(huán)境

衛(wèi)星在不同研制階段需要進(jìn)行大量的地面驗證試驗，如桌面聯(lián)試、整星電測試、熱試驗、振動噪聲試驗、EMC 試驗、發(fā)射場試驗、外協(xié)試驗以及臨時增加的補(bǔ)充測試試驗等。試驗關(guān)聯(lián)因素多，試驗場地多樣化。

對于一些大型試驗，如熱試驗要求衛(wèi)星連續(xù)加電數(shù)百小時，對于測試人員是一個考驗;如發(fā)射場試驗，由于發(fā)射當(dāng)日的試驗場地有一定危險性，對于測試人員的人身安全有威脅。如果能在這些試驗中使用人工智能的技術(shù)實現(xiàn)測試的無人化，全自動化，將大大緩解對人員自身的限制。

5 人工智能結(jié)合自動化測試技術(shù)應(yīng)用現(xiàn)狀

5.1衛(wèi)星自動化測試模式

當(dāng)前衛(wèi)星測試普遍利用自動化模式控制測試實施過程如圖1，自動化測試?yán)砟顚⑺械臏y試細(xì)則數(shù)字化，測試實施過程全部由計算機(jī)來執(zhí)行，即使計算機(jī)無法自動完成，需要人工操作、記錄或判讀的步驟，也必須編排在數(shù)字化細(xì)則中，執(zhí)行到該步操作時，由計算機(jī)給出操作提示并將人工操作結(jié)果記錄到計算機(jī)系統(tǒng)中。

目前的自動化測試信息系統(tǒng)可以將測試實施與設(shè)計的一致性進(jìn)行同步，相較于傳統(tǒng)的測試模式全部由人工實施測試的過程已經(jīng)大有進(jìn)步，但是僅能實現(xiàn)簡單的數(shù)據(jù)測試靠電腦自動生成來完成，復(fù)雜測試用例的編寫仍舊由人作為主導(dǎo)。自動化信息系統(tǒng)只能實現(xiàn)自動地將人所編寫的測試用例輸出來執(zhí)行程序并得出執(zhí)行結(jié)果，屬于半智能化信息系統(tǒng)。

5.2衛(wèi)星自動測試診斷系統(tǒng)

目前衛(wèi)星測試所使用的系統(tǒng)是通過數(shù)據(jù)服務(wù)器、數(shù)據(jù)管理中心、衛(wèi)星監(jiān)測系統(tǒng)、集成診斷推理系統(tǒng)共同組成的分布式故障診斷系統(tǒng)，可協(xié)作運行完成對衛(wèi)星的測試、監(jiān)測和診斷。在每個單元程序編碼完成后，根據(jù)程序編碼及實現(xiàn)的功能進(jìn)行了測試用例的設(shè)計，即主要采用白盒測試與黑盒測試相結(jié)合的測試策略對各個模塊進(jìn)行了單元測試，記錄了錯誤發(fā)現(xiàn)的時間，并及時對發(fā)現(xiàn)的錯誤進(jìn)行了修正。

該系統(tǒng)負(fù)責(zé)對衛(wèi)星數(shù)據(jù)庫進(jìn)行管理、維護(hù)、數(shù)據(jù)查詢、數(shù)據(jù)入庫等基本任務(wù)，同時嵌入了數(shù)據(jù)分析模塊，便于專家對歷史數(shù)據(jù)的深入分析和挖掘。衛(wèi)星監(jiān)測系統(tǒng)對衛(wèi)星全波道數(shù)據(jù)狀態(tài)監(jiān)測，將監(jiān)測狀態(tài)實時顯示并傳送給故障診斷系統(tǒng)。集成故障推理系統(tǒng)運用專家系統(tǒng)、模糊推理以及基于多信號模型推理技術(shù)，可以有效地對遙測數(shù)據(jù)進(jìn)行自動化地實時診斷推理。其中，專家系統(tǒng)推理系統(tǒng)集成了衛(wèi)星用戶單位給出的幾十種故障模式，通過對歷史數(shù)據(jù)的學(xué)習(xí)形成測試模型，具有給出故障解釋與故障對策的能力。模糊推理系統(tǒng)解決了衛(wèi)星外界環(huán)境的不確定性導(dǎo)致診斷知識的模糊不確定性。基于多信號模型的實時診斷算法可以解決衛(wèi)星在軌時可能出現(xiàn)多種元件同時發(fā)生故障的情況。

衛(wèi)星測試平臺接收轉(zhuǎn)化過的衛(wèi)星下傳的數(shù)據(jù)，實時監(jiān)測衛(wèi)星遙測狀態(tài)，進(jìn)行有針對性的自動化測試實施，發(fā)現(xiàn)異?；蚬收霞皶r報警并將診斷所需的各部件的正常狀態(tài)及異常記錄寫入衛(wèi)星遙測數(shù)據(jù)庫，在整個診斷系統(tǒng)起著非常重要的作用。

6 人工智能在衛(wèi)星測試系統(tǒng)的應(yīng)用探索

在衛(wèi)星測試領(lǐng)域中應(yīng)用人工智能技術(shù)，可以在很大程度上解決因技術(shù)點廣泛、關(guān)聯(lián)緊密復(fù)雜、創(chuàng)新及拓展性強(qiáng)、信息量巨大等問題帶來的隱患，從技術(shù)和管理角度有效控制關(guān)鍵薄弱環(huán)節(jié)。本文通過分析尋找人工智能技術(shù)與衛(wèi)星測試領(lǐng)域結(jié)合點，對其在衛(wèi)星測試領(lǐng)域的未來應(yīng)用做出了以下應(yīng)用探索。

核心模塊包括：

1） 用戶管理：收集信息，并對管理崗位人員、技術(shù)崗位人員及不同分系統(tǒng)專業(yè)參與測試的人員進(jìn)行分類信息錄入，建立大數(shù)據(jù)模型并通過專家系統(tǒng)進(jìn)行智能化的權(quán)限劃分、任務(wù)分配和人員調(diào)配。

2） 測試設(shè)備：遺傳算法滲透測試設(shè)備管理，在設(shè)備大數(shù)據(jù)庫中跟蹤每臺設(shè)備的具體情況，并在測試過程中運用神經(jīng)網(wǎng)絡(luò)技術(shù)實現(xiàn)虛擬設(shè)備管理，統(tǒng)一設(shè)備指令類型，實現(xiàn)智能監(jiān)控、智能管理、智能統(tǒng)籌。

3） 測試流程管理：針對測試流程復(fù)雜多變、試驗方案多樣化等難題，通過對以往測試任務(wù)信息的數(shù)據(jù)收集，結(jié)合專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)，不斷迭代優(yōu)化，保障計劃節(jié)點與技術(shù)要素的共同實現(xiàn)。

4） 測試數(shù)據(jù)管理：測試數(shù)據(jù)是衛(wèi)星測試中體量最大的數(shù)據(jù)來源，基于遺傳算法、神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)整合大數(shù)據(jù)可在很大程度上實現(xiàn)衛(wèi)星測試數(shù)據(jù)的智能解讀與分析，保障可靠性的同時提高智能化。

5） 故障診斷：通過神經(jīng)網(wǎng)絡(luò)計算與甄別，專家系統(tǒng)處理和評估等多項智能技術(shù)，實現(xiàn)對測試數(shù)據(jù)的自動診斷與推理，能夠準(zhǔn)確及時地給出故障診斷說明和解決對策。

圖2是人工智能相關(guān)技術(shù)應(yīng)用于衛(wèi)星測試領(lǐng)域的框架圖，針對五種人工智能技術(shù)圖解了其在衛(wèi)星測試系統(tǒng)的應(yīng)用方式。

7 挑戰(zhàn)

伴隨人工智能在衛(wèi)星測試應(yīng)用上研究的深入，研究人員們也面臨著諸多挑戰(zhàn)。

1） 智能技術(shù)的挑戰(zhàn)：

要做到用人工智能完全替代人來進(jìn)行測試，就需要人工智能具備強(qiáng)人工智能的基礎(chǔ)。而這一點在人工智能領(lǐng)域尚未解決。

2） 應(yīng)用范圍的局限：

由于現(xiàn)階段人工智能在測試領(lǐng)域的應(yīng)用較為單一，因此無法將人工智能大范圍應(yīng)用于衛(wèi)星測試的各個領(lǐng)域。

3） 測試安全的限制：

與其他測試領(lǐng)域相比，由于衛(wèi)星測試對安全性的要求非常高，人工智能技術(shù)的嘗試難度更高，代價更大。

綜上所述，我們發(fā)現(xiàn)純智能測試在測試效率、測試數(shù)據(jù)分析以及測試安全等方面，相較于人工測試和混合測試在衛(wèi)星測試領(lǐng)域的優(yōu)勢還有一定限制。但是，不可否認(rèn)的是人工智能技術(shù)是未來的發(fā)展趨勢，其在衛(wèi)星測試領(lǐng)域方面的應(yīng)用與發(fā)展空間還很大，還有很多的可能性。隨著測試技術(shù)的不斷發(fā)展，隨著人工智能技術(shù)的不斷完善 ，我們相信人工智能將成為衛(wèi)星綜合測試的主流測試模式。

參考文獻(xiàn)：

[1] 張國英，何元嬌.人工智能知識體系及學(xué)科綜述[J].計算機(jī)教育，2010（8）：25-28.

[2] 蒲慕明，徐波，譚鐵牛.腦科學(xué)與類腦研究概述[J].中國科學(xué)院院刊，2016，31（7）：725-736，714.

[3] 曾毅，劉成林，譚鐵牛.類腦智能研究的回顧與展望[J].計算機(jī)學(xué)報，2016，39（1）：212-222.

[4] 徐波，劉成林，曾毅.類腦智能研究現(xiàn)狀與發(fā)展思考[J].中國科學(xué)院院刊，2016，31（7）：793-802.

[5] 賁可榮，張彥鐸.人工智能[M].2版.北京：清華大學(xué)出版社，2013.

[6] 馮健翔.人工智能及其航天應(yīng)用概論[M].北京：宇航出版社，1999.

[7] 周志成.通信衛(wèi)星工程[M].北京：中國宇航出版社，2014.

[8] Hester T，Stone P.TEXPLORE：real-time sample-efficient reinforcement learning for robots[J].Machine Learning，2013，90（3）：385-429.

[9] Krizhevsky A，Sutskever I，Hinton G E.ImageNet classification with deep convolutional neural networks[J].Communications of the ACM，2017，60（6）：84-90.

[10] 井金劍，翟春艷，李書臣，等.基于紅外圖像識別的電氣設(shè)備故障診斷[J].電子設(shè)計工程，2014，22（12）：171-173.

[11] 郭健，王勇.人工智能結(jié)合自動化測試在智能電網(wǎng)系統(tǒng)中的未來應(yīng)用[J].軟件，2018，39（11）：224-229.

[12] 陳騁，馬曉巖，楊瑞娟，等.基于遺傳算法的多功能電子系統(tǒng)任務(wù)調(diào)度[J].現(xiàn)代防御技術(shù)，2013，41（4）：68-73.

[13] 姬秀荔，李愛玲，孫玉強(qiáng).一種新的軟件測試數(shù)據(jù)的進(jìn)化生成方法[J].微計算機(jī)信息，2007，23（21）：249-251.

[14] 程顯毅，胡海濤，曲平，等.大數(shù)據(jù)時代的人工智能范式[J].江蘇大學(xué)學(xué)報（自然科學(xué)版），2017，38（4）：455-460.

【通聯(lián)編輯：朱寶貴】