基于域适应Faster RCNN的复杂背景目标检测

本文提出的算法实现了对复杂多变环境下目标的稳定识别,通过改进模型训练算法,有效提升了深度学习模型对不同环境条件下的目标检测准确率。同时,本文在网络域适应部分设计了类别平衡多分类判别器算法应对多种环境条件下收集样本难易度不同的问题;在RPN网络分类器及输出分类器中引入Focal Loss算法,解决不同环境条件下目标检测难易度差别较大的问题;数据集制作过程中采用局部标注策略加以辅助。实验结果表明改进后的域适应Faster RCNN算法训练出的模型不仅增强了对复杂环境条件下目标检测的鲁棒性,还明显提升了对目标在不良环境条件下的检测准确率,这给遥感任务图像中复杂地理环境背景下的目标检测方法提供了一种新的思路。     

基于组合特征选择的目标识别算法研究

针对飞机遥感图像识别,对一种基于组合特征选择的目标识别算法进行了研究。考虑获取的飞机样本数量有限,且存在旋转、遮挡等现象,采用提取图像熵值、归一化转动变量、Fourier描述子、Hu矩和Zernike矩不同的不变矩描述其整体和细节特征,用离差标准化的归一化方法进行特征融合。考虑组合不变矩维数相对较高,用主成分分析(PCA)算法进行特征选择以避免维数灾难。用具参数优化的支持向量机(SVM)进行分类识别。给出了目标识别算法的流程。进行了手写数字和飞机目标识别两个仿真实验,结果表明:该特征选择方法在基于MNIST数据集的小样本手写体数字图像识别中,识别效果良好;在有限样本的飞机识别中,经特征选择后识别效果有较大改善,识别时间缩短,训练样本数据多,识别的精度会更高,但当飞机目标的不同姿态下形状发生变化时识别效果会变差。     

利用随机森林算法的卫星控制系统故障诊断

针对卫星姿态控制系统存在闭环控制,外部干扰强,进而影响故障诊断准确性和实时性的问题,提出了一种利用随机森林算法的卫星姿态控制系统姿态敏感器和执行器故障诊断方法。首先,采集不同故障情形下卫星姿态控制系统的输入输出数据,进行特征提取。随后通过随机有放回抽样划分训练集和测试集,建立基于随机森林算法的故障诊断模型。利用生成的随机森林模型,对实时输入输出数据进行分类,实现卫星姿态控制系统的故障诊断。利用卫星姿态控制系统半物理仿真平台的数据进行实验,对比实验结果表明:本文所提方法可以实现故障高精度分离,并具有更好的实时性,适用于卫星姿态控制系统的故障诊断问题。     

基于粗集和支持向量机的雷达信号识别法

结合粗集的属性约简和支持向量机的分类机理,提出了一种融合算法.应用粗集理论的属性约简过程作为数据的预处理,把冗余的属性和冲突的对象从决策表中删去,却不损失任何有效信息;然后利用支持向量机进行分类识别.这样可以大大降低数据维数,减小支持向量机分类过程中的复杂度,在不同程度上避免了训练模型的过拟合现象,且分类性能更加优越.最后通过对雷达信号识别的仿真实例说明了上述方法的有效性.     

利用随机森林算法的卫星控制系统故障诊

针对卫星姿态控制系统存在闭环控制，外部干扰强，进而影响故障诊断准确性和实时性的问题，提出了一种利用随机森林算法的卫星姿态控制系统姿态敏感器和执行器故障诊断方法。首先，采集不同故障情形下卫星姿态控制系统的输入输出数据，进行特征提取。随后通过随机有放回抽样划分训练集和测试集，建立基于随机森林算法的故障诊断模型。利用生成的随机森林模型，对实时输入输出数据进行分类，实现卫星姿态控制系统的故障诊断。利用卫星姿态控制系统半物理仿真平台的数据进行实验，对比实验结果表明：本文所提方法可以实现故障高精度分离，并具有更好的实时性，适用于卫星姿态控制系统的故障诊断问题。     

中段目标高分辨距离像姿态敏感性影响度量方法

高分辨距离像（HRRP）存在散射中心模型改变、越距离单元走动、闪烁现象三个方面的姿态敏感性,同时影响距离像预处理、特征选择、模板生成等方面。为了区分不同姿态敏感性对距离像识别的影响,从而研究针对性的解决办法,首先在识别理论框架下,建立了“HRRP姿态敏感性影响水平统计模型”作为姿态敏感性对目标识别性能影响的定量分析工具。其次,针对弹道中段目标识别问题,定量分析了中段目标HRRP的姿态敏感性。暗室实测数据表明,闪烁现象与越距离单元走动对HRRP识别的影响程度相近。最后,通过比较聚类模板生成算法和邻近姿态角模板生成算法,验证了基于姿态敏感性影响水平分析方法的有效性。此分析方法对于弹道中段目标识别具有一定的参考价值。     

基于点云的空间非合作目标结构识别问题研究

在空间非合作目标捕获任务中，从传感器数据中识别出目标表面的可抓取结构是一个有待解决的问题。以卫星点云数据集作为对象，对4种基于神经网络算法(PointNet、PointNet++、SPLATNet和SO-Net)在卫星结构分割识别任务中的性能进行了比较分析。为了能够更好地测试算法性能，基于NASA在线数据库构建了训练测试数据集，并给出一种点云数据的快速构建方法。使用该方法，可以实现成批量地生成点云数据。仿真测试结果显示:PointNet++在卫星完整点云数据集和非完整点云数据上的分割准确率都是最高，并且分割效果也优于其他算法。     

通信信号智能调制识别对抗攻击研究

基于深度学习技术的通信信号调制识别算法由于其优秀的特征提取能力,极大地提升了调制识别任务的精度,但是对抗样本特性的存在,导致基于深度学习的调制识别模型的安全性受到了极大威胁,通过在训练好的调制识别网络中添加设计好的特定微小扰动,就可以使得调制识别模型完全失效。研究了基于深度学习的调制识别模型及其对抗样本攻击方法,提出一种基于快速梯度符号法的定向扰动生成方法,该方法在扰动和原始信号功率比为-21 dB的条件下,针对11类常见的不同调制种类的通信信号生成扰动,实现对通信信号调制识别模型的定向攻击,为智能调制识别模型的攻防对抗提供参考。     

基于低比特量化神经网络的红外目标识别方法及其FPGA实现

红外目标识别系统成为航空航天、无人驾驶等军事和民用领域中一项至关重要的技术。红外目标识别算法是红外目标检测识别系统中的核心之一。传统红外目标识别技术往往依赖人为的特征选择，无法对复杂困难的红外目标实现高效、准确的识别。本文提出了训练中反量化与通道级量化相结合的量化策略，有效减小量化误差对网络模型性能的影响。实验结果表明:本文提出的低比特量化算法在红外数据集上有着优异的表现。在硬件部署方面，本文提出了更加高效的卷积计算单元，提高了硬件资源的利用率，同时也达到了更高的峰值性能。最终，在PYNQ-Z2嵌入式现场可编程门阵列(FPGA)上进行验证，系统在150 MHz的时钟频率下达到了90.6 GOP/s的峰值吞吐率，其功耗为2.5 W。     

顾及样本优化选择的机器学习云检测研究

针对云层日变化、云类型、云相态、云光学厚度等特征差异带来的光谱差异,导致传统阈值算法对云识别精度不高的问题,文章提出了一种顾及样本优化选择,耦合物理阈值方法和机器学习的云检测算法模型,利用“葵花8号”卫星（Himawari-8）数据进行日间云检测。通过样本优化选择,使样本中尽可能包括不同情形下的云特征,为机器学习模型提供良好的样本基础,增加模型泛化能力;同时输入特征除了考虑反照率、亮温、亮温差以及天顶角等因素外,还加入了基于反照率和亮温差的物理阈值方法云识别结果;最后基于极限随机树模型进行云检测。结果表明：模型云检测交叉验证精度为96.41%,总漏检率和总虚检率分别为2.08%和0.91%;通过云-气溶胶激光雷达与红外探路者卫星观测（CALIPSO）产品数据进行对比分析,结果显示云检测总体精度为97.1%。     

雷达信号脉冲调制的分析技术

通过对几种脉冲调制算法的比较 ,分析了各种算法的优缺点和适用范围 ,提出了一种新的脉冲信号调制分析方案 ,即针对不同的信号采用不同的算法。仿真结果表明 :此方案识别信号能力强 ,在较低的信噪比下具有很好的效果。     

基于孪生支持向量机的无人机目标检测算法

无人机属于机动目标,有时会集群出现,这对传统的目标检测与跟踪技术提出了更高的要求。如何提升目标检测与跟踪算法的性能一直是研究人员密切关注的问题。针对传统目标检测算法在低信噪比下无人机检测性能不佳的问题,提出了一种基于孪生支持向量机的无人机目标检测方法。利用仿真软件对雷达探测到的无人机回波数据进行仿真建模,得到不同信噪比下的回波数据。在此基础上,对回波数据进行预处理形成无人机目标检测数据集,并使用数据集对检测方法进行训练与测试。然后与恒虚警检测算法和基于支持向量机的雷达目标检测算法进行性能对比分析。实验结果表明,该方法不仅能保证传统算法在高信噪比下优越的检测性能,与此同时在低信噪比下也能实现精准目标检测,缓解了传统检测方法在低信噪比时的检测精度下降的问题。     

卢杰:我的太空日记(三) 做个太空摄影师

拍摄照片已经成为我们日常生活中司空见惯的事情,每个人都可以是照片主角、摄影师。技术不是很专业,对照片要求不高的我们可以随意地用传统相机或相对比较方便的数码相机甚至是手机来进行拍摄。但是,在遥远的太空,在以每小时28967．4千米的速度飞行的国际空间站上,航天员是如何拍摄照片呢?卢杰在他的太空日记中讲述了空间站上的拍照设备,以及他所掌握的不同于地面的拍摄技巧。     

基于LSTM-ResNet模型的时变结构损伤检测

面向火箭结构健康监测，提出了一种基于深度学习的损伤检测方法，直接将多个通道的振动数据作为输入，并基于由长短时记忆网络LSTM（Long Short-Term Memory Networks）和残差卷积神经网络ResNet（Residual Convolutional Neural Networks）组合而成的LSTM-ResNet网络进行损伤识别。其优点在于，首先利用LSTM提取信号的时间依赖特征，减轻了由某些通道信号缺失带来的影响，再利用ResNet在不损耗特征的情况下进一步提取空间特征，提高了训练效率和损伤辨识准确性。通过充液圆筒振动放水实验模拟火箭飞行状态下的燃料消耗，并基于自主构建的数据集和公用数据集对LSTM-ResNet、LSTM、ResNet以及ResNet-LSTM网络进行了训练，训练结果表明，LSTM-ResNet组合网络无论在传感器是否存在故障的情况下都具有更好的性能，损伤检测精度更高。     

CCSDS空间链路层协议识别技术研究

针对空间链路层通信协议在合作目标和非合作目标两种背景下的应用情况,提出一种适合于CCSDS协议识别的方法。详细分析了协议识别技术的实际研究现状,介绍了CCSDS协议特征提取方法和特征模型建立算法,并利用多类型仿真数据和实际航天任务数据为样本检验了算法可行性,得出了误码率对识别效果的影响关系。研究成果对空间信息对抗中的协议识别技术研究具有借鉴意义。     

冗余惯性导航系统信息一致性判断方法

针对冗余惯性导航信息识别问题,提出一种基于Siamese网络的导航信息一致性判断方法。采用一段时间内的惯导数据变化趋势,模拟人脑对数据信息一致性的判断。首先建立惯组测量模型,获得不同状态的惯组测量数据,导航解算等处理后得到一段时间内7类21维的数据信息构造样本对。然后通过设计Siamese网络结构,采用卷积神经网络提取样本对特征向量进行网络训练。最后进行实验仿真验证。结果表明,本文采用552对小样本数据进行训练的结果,在与训练样本存在差异的497对测试样本上达到了98.19%的准确度,说明网络具有一定的泛化能力。神经网络训练结果稳定,在测试集上的准确度高。为冗余惯性导航系统信息一致性判断提供了新思路。     

基于YOLOV3的改进目标检测识别算法

经过近几十年不断的研究和发展，红外目标检测识别在侦察、导弹制导等领域取得了卓越的成就和广泛的应用，亦成为当今的热门话题。为进一步提高模型的检测识别性能，提出一种基于YOLOV3改进的目标检测识别算法。首先，通过分析红外目标的检测特性，改进了原始算法的特征提取网络，融合KL-LOSS，在原网络预测目标位置的基础上，进一步预测了位置的准确度标准差，并结合Soft-NMS算法用于改善网络的检测准确度;其次，针对红外目标相对三通道彩色图像的特征量少的问题，在检测层前融合了SKNET模块，使网络更加关注目标的有用特征;最后，给出改进网络训练的新的损失函数及前向传播算法流程。实验结果表明:改进的KS-YOLO网络在目标域(实拍空中红外目标数据集)上的平均AP性能值要优于原来的YOLOV3网络2.4个百分点，预测时间比YOLOV3实用性更好、更快。     

弱引力下小行星动量驱动机器人的可控跳跃行为

以小行星表面着陆探测为背景,提出一种动量驱动机器人(MoRo)以满足弱引力复杂环境下的探测需求。该机器人利用弱引力环境下的摩擦和碰撞特性,通过主动辨识环境参数,规划和控制动量轮以产生期望的驱动力矩,完成可控性跳跃及腾空后的稳定拍照等任务。首先,基于MoRo的动量轮刹车机构特性,分析了MoRo在弱引力环境下的跳跃机理并对其跳跃方式进行了规划;接着考虑动量轮驱动机构三闭环伺服系统的非线性特性,基于Herze碰撞模型和Karnopp摩擦模型建立了MoRo在小行星表面的跳跃行为动力学模型;其次,使用机器学习算法建立环境参数和MoRo运动的函数关系,并基于环境参数规划动量轮转速实现跳跃距离和腾空高度的可控。最后,通过数值仿真校验了MoRo跳跃规划方法和控制方法的可行性。     

基于Boosting的模糊分类规则集成学习及应用

由于难于获得先验知识,样本可分性差,辐射源识别很难达到很高的识别率。结合AdaBoost算法和遗传算法,提出了一种模糊分类规则的迭代学习方法。在每轮迭代训练过程中,算法通过调整训练样本的分布,利用遗传算法产生分类规则。减少分类规则能够正确分类样本的权值,使得新产生的分类规则重点考虑难于分类和拒识的样本。在规则学习的适应度函数中考虑训练实例的分布,使模糊分类规则在产生阶段就考虑相互之间的协作,改善了模糊分类规则的整体识别能力。辐射源识别实验结果表明,该方法具有良好的分类识别性能。     

三种导航卫星故障识别方法的等价性研究

通过分析比较卫星导航系统自主完好性监测算法中常用的三种故障星识别方法,文中提出它们在实质上是一致的观点。从理论上证明这三种方法的等价性,并分别通过模拟数据和GPS观测站的实测数据,验证三者的等价关系。结论对于在不同应用环境下减少识别运算量、提高识别速度有实际意义。