机载超轻量化卷积神经网络加速器设计

卷积神经网络庞大的权重参数和复杂的网络层结构,使其计算复杂度过高,所需的计算资源和存储资源也随着网络层数的增加而快速增长,难以在资源和功耗有严苛要求的机载嵌入式计算系统中部署,制约了机载嵌入式计算系统朝着高智能化发展。针对资源受限的机载嵌入式计算系统对超轻量化智能计算的需求,提出一套全流程的卷积神经网络模型优化加速方法,在对算法模型进行超轻量化处理后,通过组合加速算子搭建卷积神经网络加速器,并基于FPGA开展网络模型推理过程的功能验证。结果证明：本文搭建的加速器能够显著降低硬件资源占用率,获得良好的算法加速比,对机载嵌入式智能计算系统设计具有重要意义。     

精确制导武器末制导目标识别优化算法研究

针对目前精确制导武器末制导系统智能化发展面临的挑战,结合智能目标识别算法在嵌入式硬件上的计算需求,选取针对小目标具有较好检测效果的YOLOv3网络进行优化部署验证.研究基于BatchNorm层的双正则项神经网络裁剪优化算法、基于TensorRT的INT8量化技术以及面向FPGA计算架构的INT8训练与量化协同优化算法....     

基于PCA-MPSO-ELM的空战目标威胁评估

目标威胁评估是空战对抗过程中的关键环节。由于影响空战目标威胁评估的因素复杂多样，且指标之间存在相关性，导致传统的评估算法无法得到准确客观的评估结果。由此，提出了一种基于主成分分析法和改进粒子群算法优化的极限学习机（PCA-MPSO-ELM）的目标威胁评估算法。首先，综合分析了影响目标威胁程度的指标，利用主成分分析法对原始评估指标进行线性变化处理得到综合变量，消除了评估指标之间的相关性，实现了对评估数据的降维；在此基础上，构建ELM神经网络并利用改进的粒子群算法优化极限学习机的输入权值和阈值，提高了目标威胁评估模型的精度。最后，在空战训练测量仪中选取空战对抗数据，利用威胁指数法构造了目标威胁评估样本数据，通过仿真实验分析了PCA-MPSO-ELM算法的精度和实时性，结果表明所提算法可以快速准确地进行空战目标威胁评估。     

基于动态变结构BP神经网络的目标威胁评估

针对传统目标威胁估计方法和BP神经网络的不足,在BP神经网络的基础上,建立了基于动态变结构BP神经网络的目标威胁估计模型.该模型通过在权值向量更新公式中引入冲量函数,加快了网络的搜索速度和精度,保证了网络获得全局最优值;通过实时调整隐含层节点数目,可以将网络结构优化,极大地提升了网络的灵活性.仿真结果表明,与传统目标威胁估计方法和BP神经网络相比,动态变结构BP神经网络具有更好的预测能力和收敛速度,可以快速、准确地完成目标威胁估计.     

基于自适应深度网络的无人机目标跟踪算法

针对无人机（UAV）视频中目标易受到遮挡、形变、复杂背景干扰等问题，提出一种基于自适应深度网络的无人机目标跟踪算法。首先，基于主成分分析（PCA）和卷积神经网络（CNN）算法，设计3阶的自适应深度网络进行目标特征提取，该网络对图像的H、S、I通道分别进行主成分分析学习，将得到的特征向量输入网络进行分层卷积，优化了网络结构，提高了网络的收敛速度和精度。其次，将目标深度特征输入核相关滤波算法进行目标跟踪，通过分析相邻2帧图像的变化率，采用分段自适应调整学习率的算法进行目标模板更新，有效地改善目标遮挡问题。仿真实验结果表明，该算法有效地避免了复杂因素干扰导致的跟踪精度下降，具有较好的鲁棒性，相较于全卷积跟踪（FCNT）算法平均跟踪精度提高了9.62%，平均跟踪成功率提高了11.9%。     

基于改进BP神经网络的导弹攻击区计算

针对传统导弹攻击区计算方法和BP神经网络算法的不足,在BP神经网络的基础上,建立了基于动态变结构BP神经网络的导弹攻击区模型。该模型通过在权值向量更新公式中引入冲量函数,加快了网络的搜索速度和精度,保证了网络获得全局最优值;通过实时调整隐含层节点数目,可以将网络结构优化,极大地提升了网络的灵活性。仿真结果表明,与传统导弹攻击区计算方法和BP神经网络相比,动态变结构BP神经网络具有更好的计算能力和收敛速度,可以快速、准确地完成导弹攻击区计算。     

基于MEMS陀螺的风洞模型水平姿态动态测量与精度评估

风洞实验对模型的水平姿态实时动态测量精度的要求不断提高,微小型飞行器模型、高精度的激光陀螺、光纤陀螺惯性测量单元往往在体积、质量方面受到限制,而单一的MEMS系统在水平姿态测量精度方面通常难以达到要求。采用高精度石英挠性加速度计替代MEMS加速度计,与MEMS陀螺进行组合测量。针对加速度计I/F转换脉冲量化及陀螺漂移对动态测量精度的影响,提出了一种基于速度观测Kalman滤波的水平姿态动态测量算法,以提高风洞实验中模型水平姿态的测量精度。提出了在三轴飞行模拟转台上,利用高精度激光陀螺捷联惯导系统的测量结果作为基准进行动态精度评估的方法,解决了安装误差、时间同步等因素对评估精度的影响。通过与其他几种惯性水平姿态测量方法进行精度对比,验证了该算法的技术优势。     

集群编队条件下通导一体高精度时间同步方法

针对集群编队条件下对高精度时间同步的需求，对通导一体高精度时间同步方法进行了研究，将卫星导航系统与数据链系统进行深度融合，提出了动基座条件下基于卫星导航载波差分算法的节点间高精度时间同步算法。该算法通过协同时间驯服的方式来抑制两次定位间隔间受钟漂影响导致的节点间时间同步误差发散以及节点间时钟修正不同步导致的时间同步误差，提升了编队组网条件下节点间的时间同步精度。最后,通过仿真对算法进行了验证。结果表明，时空同步精度可以达到1ns，可有力支撑未来集群编队作战、高精度协同探测、高精度协同制导等典型场景下对节点间高精度时间同步的需求。     

基于多模型的低轨星座多目标跟踪传感器资源调度

针对低轨星座多目标持续跟踪传感器资源调度问题,首先将目标跟踪任务划分为高精度任务集合和低精度任务集合,并分析了跟踪任务状态转移过程;然后,为两任务集合分别建立了基于动态优先级的优化调度模型,提出了一种基于多模型的实时传感器调度算法。不同场景下仿真实验表明,所提算法较之以跟踪精度为优化目标和以跟踪精度为门限约束的方法具有更强的适用性,尤其对于目标分布较为集中的情况,其目标丢失率大大降低,尽管个别目标的跟踪误差略有增大。     

基于粒子群聚类优化的快速分形图像压缩算法

针对经典分形压缩算法中编码时间过长的问题提出了一种改进算法。将粒子群优化算法应用于聚类中心的求解中,利用聚类优化方法分别对子块和父块进行聚类,匹配时通过类内搜索取代全局搜索,减低了编码时间。仿真实验结果表明,在不影响信噪比和压缩比的前提下,与经典分形压缩算法相比,本文的算法编码速度可提高大约5倍;同近期文献报道的基于K-均值聚类优化的快速分形图像压缩算法相比也有明显的改善。     

航空机电作动器神经网络快速终端滑模控制

目前机电作动器由于具有干净、维护方便等优点,越来越受到航空业的青睐。航空机电作动器的特点是控制精度、稳定性和响应速度要求高,针对以上特点,提出了一种基于多层神经网络的快速终端滑模控制策略。为了提高航空作动器响应速度和跟踪精度,设计了快速终端滑模控制策略,不仅可以加快系统响应而且可以在无扰动情况下实现系统的有限时间稳定。针对系统参数不确定性和外部扰动,设计多层神经网络进行估计并通过前馈方法加以补偿。针对神经网络的重构误差,设计了非线性鲁棒项加以克服。利用李亚普洛夫稳定性定理证明了控制系统在有扰动情况下可以实现有界稳定。实验结果表明：所设计的控制器具有良好的参数自适应和抗干扰能力,同时具有更高的跟踪精度和更快的响应速度。     

N-fold Bernoulli probability based adaptive fast-tracking algorithm and its application to autonomous aerial refuelling

Recently, deep learning has been widely utilized for object tracking tasks. However, deep learning encounters limits in tasks such as Autonomous Aerial Refueling (AAR), where the target object can vary substantially in size, requiring high-precision real-time performance in embedded systems. This paper presents a novel embedded adaptiveness single-object tracking framework based on an improved YOLOv4 detection approach and an n-fold Bernoulli probability theorem. First, an Asymmetric Convolutional Network (ACNet) and dense blocks are combined with the YOLOv4 architecture to detect small objects with high precision when similar objects are in the background. The prior object information, such as its location in the previous frame and its speed, is utilized to adaptively track objects of various sizes. Moreover, based on the n-fold Bernoulli probability theorem, we develop a filter that uses statistical laws to reduce the false positive rate of object tracking. To evaluate the efficiency of our algorithm, a new AAR dataset is collected, and extensive AAR detection and tracking experiments are performed. The results demonstrate that our improved detection algorithm is better than the original YOLOv4 algorithm on small and similar object detection tasks; the object tracking algorithm is better than state-of-the-art object tracking algorithms on refueling drogue tracking tasks.     

基于有序BDL树集的船舶电网潮流算法及执行时间分析

针对嵌入式船舶电力模拟训练系统在频繁模拟操作指令下对潮流计算的快速性需求以及嵌入式模拟训练系统极其有限的运算资源之间的矛盾,提出一种基于有序BDL树集的船舶电网潮流算法。该算法在常规回推前推法基础上对节点编号进行优化,将多电站船舶电力系统在实际开环运行模式下等效为由多个辐射状电网构成的有序BDL树集,树集中的每个有序BDL树包含单个电站中的主配电板层、配电层和负载层,并把发电机潮流整合入主配电板层,避免了常规潮流算法中节点编号突变问题。对该算法的时间复杂度分析结果及实际运行结果进行比较分析,证明该算法比常规船舶电网潮流算法更优。     

空间非合作目标惯性参数的Adaline网络辨识方法

空间在轨操作中,航天器在对空间非合作目标的抓捕行动常常导致航天器本体的姿态和空间轨迹发生变化。为克服空间非合作目标对航天器本体动力学、运动学的影响,使控制系统做出精准及时的姿控策略调整,确保航天器正常在轨工作和轨迹姿态的高精度,需对抓捕的非合作目标的惯性参数进行辨识。针对传统辨识方法依赖广义逆求解导致的辨识过程运算量大,且数值容易产生剧烈振荡,造成辨识结果不稳定等不足,采用基于归一化最小均方（NLMS）准则的Adaline神经网络方法进行空间非合作目标惯性参数的辨识。首先,基于动量守恒理论建立抓捕后的航天器-机械臂-空间非合作目标系统模型;然后将辨识方程的系数矩阵作为网络的输入和输出,空间非合作目标的惯性参数作为神经网络的训练权重,基于迭代步长可变的NLMS准则实现对目标惯量参数的快速、准确辨识;最后,在构造的ADAMS/MATLAB联合仿真平台上进行了验证。仿真结果表明,基于NLMS准则的Adaline神经网络是一种快速、准确辨识目标惯量参数的有效方法。     

基于非线性预测的逆传播神经网络算法优化策略研究

逆传播神经网络算法是人工神经网络用于非线性预测的主要学习算法。它具有思路清晰，结构严谨，操作性强等特点，但同时也存在预测精度低，收敛速度慢等问题，本文从神经网络模型的结构出发，对学习算法提出了一系列改进和优化措施，以加快网络的学习速度，并增加模型的稳定性。     

基于云贝叶斯网络的运输飞机超轮速风险评估

起飞超轮速严重威胁飞行安全,为了有效评估运输飞机起飞时在不确定性因素影响下的超轮速风险水平,提出一种基于云模型和贝叶斯网络的评估模型。选取抬轮速度、总重、低压转子转速、抬轮率、抬轮时机、升降舵控制量、风的分量、总温8个指标,建立超轮速风险指标体系;运用基于启发式高斯云变换算法和正向高斯云算法的云模型,实现超轮速风险等级...     

基于BP神经网络的装备备件重要度评估

针对装备备件重要度的评估问题,构建了相应的评估指标体系,建立了用于备件重要度评估的三层BP神经网络.然后,构造样本对BP神经网络进行训练,利用训练好的网络对备件重要度进行评估.结果表明,该方法能够较好地克服人为因素和模糊随机性的影响,取得了较好的评估效果.     

一种电动汽车用驱动电机系统性能评价方法

根据电动汽车用驱动电机性能特点,从驱动电机系统的电机控制性能、电机本体设计、企业资质能力等不同维度分析,应用层次分析法(AHP)确定驱动电机性能评价指标体系及其指标权重,建立驱动电机性能评价的BP神经网络模型,并采用鸡群优化算法(CSO)对其模型进行优化。仿真实例表明,基于AHP和CSOBP神经网络的驱动电机系统性能评价方法,具有评价速度快、准确率高等优点, 并得到满意的评价结果。这对于电动汽车驱动电机系统的评价、选择与应用,具有较好的工程实用价值。     

基于改进的BP网络的水机温度模型建立

传统的水电仿真系统中的温度模型的构建方法存在模型可移植性比较差、推导过程必须有水电专家的参与、推导过程复杂度大、模型精确度不高等不足,这些都对水电仿真的进一步发展和准确性产生了一定影响。因此需要一种更新的方法来适应水电仿真的发展。为此提出了一种改进的BP网络神经元网络学习算法,通过改进训练算法以提高神经网络的训练效率以及准确度。将这种算法应用于吉林丰满水电厂水电仿真系统的水机温度模型的建立实验中,并与原有的神经网络方法进行比较,比较结果表明,该方法能提高分类准确率和训练速度。