大规模的出现，数据密集的天文调查引起了人类星系形态分类方法的生存能力。简而言之，正在生成太多的天文数据，供科学家在视觉上标记。通过从公众招募志愿者来招募志愿者来征服这项工作。但是，即使这些努力也将很快无法跟上现代调查产生的数据。无监督的学习技术不需要现有标签来对数据进行分类，并且可以为计划外发现铺平道路。因此，本文旨在实施无监督的学习算法，以在没有人类监督的情况下对数据集进行分类。首先，将卷积自动编码器作为功能提取器实现。然后通过K均值，模糊C均值和聚集聚类聚类提取的特征以提供分类。将结果与Galaxy Zoo贴花数据集的志愿者分类进行了比较。聚集聚类通常会产生最佳结果，但是，K均值聚类的性能增长并不重要。有了适当的优化，该方法可用于为表现更好的Galaxy Zoo贴花贴花的决策树问题提供分类。最终，这种无监督的学习方法提供了对科学家有用的宝贵见解和结果。

Galaxy形态的分类在理解星系形成和演变方面发挥着至关重要的作用。传统上，此过程是手动完成的。深度学习技巧的出现给了这个过程的自动化空间。因此，本文提供了深度学习架构的比较，以确定哪个最适合光学星系形态分类。调整Walmsley等人在2021中提出的模型训练方法，Zoobot Python库用于培训模型以预测由志愿者制作的Galaxy动物园贴花决策树响应，使用WequessileNet B0，DenSenet121和Reset50作为核心模型架构。然后，预测结果将用于生成每个决策树问题的精度度量来确定架构性能。发现DenSenet121在准确性方面产生最佳结果，具有合理的培训时间。未来，以更深入的学习架构进一步测试可能是有益的。

The Age-of-Information (AoI) metric has been widely studied in the theoretical communication networks and queuing systems literature. However, experimental evaluation of its applicability to complex real-world time-sensitive systems is largely lacking. In this work, we develop, implement, and evaluate an AoI-based application layer middleware that enables the customization of WiFi networks to the needs of time-sensitive applications. By controlling the storage and flow of information in the underlying WiFi network, our middleware can: (i) prevent packet collisions; (ii) discard stale packets that are no longer useful; and (iii) dynamically prioritize the transmission of the most relevant information. To demonstrate the benefits of our middleware, we implement a mobility tracking application using a swarm of UAVs communicating with a central controller via WiFi. Our experimental results show that, when compared to WiFi-UDP/WiFi-TCP, the middleware can improve information freshness by a factor of 109x/48x and tracking accuracy by a factor of 4x/6x, respectively. Most importantly, our results also show that the performance gains of our approach increase as the system scales and/or the traffic load increases.

本文提出了一项新颖的控制法，以使用尾随机翼无人驾驶飞机（UAV）进行准确跟踪敏捷轨迹，该轨道在垂直起飞和降落（VTOL）和向前飞行之间过渡。全球控制配方可以在整个飞行信封中进行操作，包括与Sideslip的不协调的飞行。显示了具有简化空气动力学模型的非线性尾尾动力学的差异平坦度。使用扁平度变换，提出的控制器结合了位置参考的跟踪及其导数速度，加速度和混蛋以及偏航参考和偏航速率。通过角速度进纸术语包含混蛋和偏航率参考，可以改善随着快速变化的加速度跟踪轨迹。控制器不取决于广泛的空气动力学建模，而是使用增量非线性动态反演（INDI）仅基于局部输入输出关系来计算控制更新，从而导致对简化空气动力学方程中差异的稳健性。非线性输入输出关系的精确反转是通过派生的平坦变换实现的。在飞行测试中对所得的控制算法进行了广泛的评估，在该测试中，它展示了准确的轨迹跟踪和挑战性敏捷操作，例如侧向飞行和转弯时的侵略性过渡。

本文提出了一种用于特技飞行轨迹生成的新型算法，用于垂直起飞和降落（VTOL）TAILSITTER飞行飞机。该算法与固定翼轨迹生成的现有方法不同，因为它考虑了现实的六度自由度（6DOF）飞行动力学模型，包括空气动力学方程。使用全球动力学模型，能够生成特技轨迹，从而利用整个飞行信封，从而使敏捷的操纵通过摊位策略，侧向飞行，倒置飞行等。是在这项工作中得出的。通过在差异平坦的输出空间中执行快速最小化，可以获得适合在线运动计划的计算高效算法。该算法在包括六架特技飞行器的大型飞行实验中证明了这一算法，一个时间优势的无人机赛车轨迹以及三架尾灯飞机的飞机样有机赛序列。

具有经典数字求解器的湍流模拟需要非常高分辨率的网格来准确地解决动态。在这里，我们以低空间和时间分辨率培训学习模拟器，以捕获高分辨率产生的湍流动态。我们表明我们所提出的模型可以比各种科学相关指标的相同低分辨率的经典数字求解器更准确地模拟湍流动态。我们的模型从数据训练结束到底，能够以低分辨率学习一系列挑战性的混乱和动态动态，包括最先进的雅典娜++发动机产生的轨迹。我们表明，我们的更简单，通用体系结构优于来自所学到的湍流模拟文献的各种专业的湍流特异性架构。一般来说，我们看到学习的模拟器产生不稳定的轨迹;但是，我们表明调整训练噪音和时间下采样解决了这个问题。我们还发现，虽然超出培训分配的泛化是学习模型，训练噪声，卷积架构以及增加损失约束的挑战。广泛地，我们得出的结论是，我们所知的模拟器优于传统的求解器在较粗糙的网格上运行，并强调简单的设计选择可以提供稳定性和鲁棒的泛化。