近年来，无人机入侵的事件经常发生，无人机跌落碰撞的事件也屡见不鲜，在人群密集的地方容易引发安全事故，所以无人机监测是目前安防领域的研究热点。虽然目前有很多种无人机监测方案，但大多成本高昂，实施困难。在5G背景下，针对此问题提出了一种利用城市已有的监控网络去获取数据的方法，基于深度学习的算法进行无人机目标检测，进而识别无人机，并追踪定位无人机。该方法采用改进的YOLOv3模型检测视频帧中是否存在无人机，YOLOv3算法是YOLO（You only look once，一次到位）系列的第三代版本，属于one-stage目标检测算法这一类，在速度上相对于two-stage类型的算法有着明显的优势。YOLOv3输出视频帧中存在的无人机的位置信息。根据位置信息用PID（Proportion integration differentiation，比例积分微分）算法调节摄像头的中心朝向追踪无人机，再由多个摄像头的参数解算出无人机的实际坐标，从而实现定位。本文通过拍摄无人机飞行的照片、从互联网上搜索下载等方式构建了数据集，并且使用labelImg工具对图片中的无人机进行了标注，数据集按照无人机的旋翼数量进行了分类。实验中采用按旋翼数量分类后的数据集对检测模型进行训练，训练后的模型在测试集上能达到83.24%的准确率和88.15%的召回率，在配备NVIDIA GTX 1060的计算机上能达到每秒20帧的速度，可实现实时追踪

为了分析航班运行风险传播过程，进而有效控制保障飞行安全，基于复杂网络理论，首先参照民航局咨询通告选取机组、航空器、运行环境共29个终端因素作为网络节点，统计民航安全监察记录，根据事件中节点关系，构建无向网络；统计前后节点间的作用关系和发生概率，提出一种有向带权的航班运行风险网络；然后，引入改进感染率和改进恢复率概念，构建一种适用于航班运行风险传播分析的改进SIR(Susceptible-infected-recovered)模型；定义感染起始范围，最后采取多参数控制方式，大规模计算该有向带权网络的传播和控制过程。结果表明：有向网的平均最短路径为1.788，属于小世界网络；参照使用民航常规管控措施，有向网节点感染下降幅度可达到37.4%；对入度值排序前3或前4的节点控制后，感染节点峰值下降率高达50.6%和58.1%，网络传播抑制明显。结果证实：在该航班运行风险有向带权网络中，按入度值控制节点对抑制风险传播最为有效

§1 有瓶颈设备的多级生产计划问题 §2 下料问题 §3 面试顺序与消防车调度问题 §4 飞机定位和飞行计划问题

《改变生活的生物技术》课程教学资源（阅读材料）飞行——生物航空煤油

一、运载火箭 二、航天器的轨道 三、空间交会与对接

一、几个有意义的实际问题 二、质点相对运动动力学的基本方程 三、飞行员的黑晕与红视现象

2-1飞机沿与水平成仰角θ的直线作匀速飞行,如题2-1图(a)所 示。已知发动机推力F1,飞机重量G,试求飞机的升力F和阻力F2 的大小

10.1 航天飞机的结构组成 10.2 航天飞机的控制系统 10.3 航天飞机的飞行控制 10.4 航天飞机再入与着陆的制导与控制

8.1 航天器导航的概念与分类 8.2 航天器的自主导航系统 8.3 航天器的轨道机动与轨道保持 8.4 航天器的交会与对接 8.5 航天器的再入返回控制 8.6 星际飞行的导航与制导

1 用电设备： 靠电能工作的设备。 2 分类： 按功用： (1) 发动机和飞机的操纵控制设备。发动机喷油、点火、推动及转速控制。飞机飞行仪表、通风、导航、燃油供给、起落架收放、舱门起启闭