基于深度学习网络的星表非结构化岩石目标辨识方法研究

目标检测技术广泛应用于交通、医疗、安保和航天等领域.目前,目标检测技术面临目标微弱、背景复杂、目标被遮挡等挑战[1].针对星表非结构化模拟地形采集的图像中岩石和石块小目标检测识别率低、误识别率高的问题,研究了当下效果最好、模型轻量化的YOLOv5目标检测算法,在其基础上进行改进优化器与优化检测框重复检测效果的一种满足实时性要求的岩石目标检测算法.具体通过引入空标签负样本、结合随机梯度下降法SGD(stochastic gradient descent)优化模型和非极大值抑制参数调节方法,提升YOLOv5网络模型的特征描述能力和分类准确率.利用在地面试验场采集的复杂地形图像作为数据集,并采用mAP(mean average pre-cision)、画面每秒传输帧数(FPS)、准确率和召回(P-R)曲线等作为性能指标,对所提出的目标检测网络进行了试验验证.结果 表明本文提出的改进网络拥有更高的准确率和更低的虚警率,同时保持原有算法的实时性.     

基于深度强化学习的软件定义卫星姿态控制算法

深度强化学习（DRL）作为一种新型的基于机器学习的控制算法,在机器人和无人机等智能控制领域展现出了优异的性能,而卫星姿态控制领域仍然在广泛使用传统的PID控制算法。随着卫星的小型化、智能化以至软件定义卫星的出现,传统控制算法越来越难以满足姿态控制系统对适应性、自主性、鲁棒性的需求。因此对基于深度强化学习的姿态控制算法进行了研究,该算法使用基于模型的算法,比非基于模型的算法拥有更快的收敛速度。与传统控制策略相比,该算法无需对卫星的物理参数和轨道参数等先验知识,具有较强的适应能力和自主控制能力,可以满足软件定义卫星适应不同硬件环境,进行快速研发和部署的需求。此外,该算法通过引入目标网络和并行化启发式搜索算法之后,在网络精度和计算速度方面进行了优化,并且通过仿真实验进行了验证。      

基于YOLOv5的红外目标检测算法

针对红外图像的特点,提出了一种YOLOv5-IF算法,使用了基于残差机制的特征提取网络,实现了不同特征层之间信息的高效交互,能够得到更丰富的目标语义信息。通过改进YOLOv5的检测方案,增加更大尺度的检测头,有效提升了红外图像中小目标的检测概率。针对计算平台资源有限、算法实时性等问题,设计了Detection Block模块,并由此构建了特征整合网络,该模块不仅能提升算法检测精度,还有效缩减了模型参数量。在FLIR红外自动驾驶数据集上,本文算法的平均准确率（mAP）为74%,参数量仅19.5MB,优于现有的算法。     

一种基于Gabor深度学习的无人机目标检测算法

随着智能控制技术的不断成熟,无人机给军事领域带来快速发展的同时也带来了威胁.因此针对空中飞行的无人机进行实时检测的任务需求,设计了一种基于Gabor深度学习的无人机目标检测算法.首先,搭建基于Gabor滤波器的深度神经网络,输入的图片经过该网络进行网格化划分,用以特征提取;然后,针对每个格子的特征利用回归算法计算其中物体的位置信息,并利用分类算法计算物体的类别信息,对以上得到的回归和分类结果进行筛选、融合得到最终的检测结果;最后,采集空中飞行的无人机真实数据构建数据集,在此基础上进行网络模型训练和算法验证.     

基于分层随机梯度辨识算法的传感器故障检测方法

提出一种基于两阶段递推随机梯度参数辨识的传感器故障的在线检测方法.相对于最小二乘参数辨识算法,随机梯度参数辨识算法所需计算量更小.针对计算能力受限的系统,提出基于随机梯度参数辨识的检测算法.通过分析可知,参数辨识精度越高时检测精度越高.为提高精度,给出基于两阶段递推随机梯度参数辨识的检测算法并设计基于最新估计信息的残差.除此之外,还给出新的检测算法与原有的基于最小二乘检测算法计算量的对比分析,并通过仿真实例,证明新的检测算法的优越性及有效性.     

基于MobileFaceNet网络改进的人脸识别方法

为了解决训练过程中卷积模型参数较多、收敛速度较慢的问题，提出了一种基于MobileFaceNet网络改进的人脸识别方法。首先，使用MobileFaceNet网络提取人脸特征，在提取特征的过程中，通过引入可分离卷积减少模型中卷积层参数的数量；其次，通过在MobileFaceNet网络中引入风格注意力机制来增强特征的表达，同时使用AdaCos人脸损失函数来训练模型，利用AdaCos损失函数中的自适应缩放系数，来动态地调整超参数，避免了人为设置超参数对模型的影响；最后，分别在LFW、AgeDB和CFP-FF测试数据集上对训练模型进行评估。实验结果显示:改进后的模型在LFW、AgeDB和CFP-FF测试数据集上的识别精度分别提升了0.25%、0.16%和0.3%，表明改进后的模型相较于改进前的模型在精度和鲁棒性上有所提高。      

基于迁移学习的卷积神经网络SAR图像目标识别

针对卷积神经网络中因网络参数随机初始化和参数过多导致的收敛速度慢及过拟合的问题,提出了一种基于迁移学习监督式预训练的卷积神经网络。首先,引入迁移学习的思想,采用小规模数据集作为源域的训练样本,针对源域中源任务进行监督式训练得到预训练模型;然后,构建一个多层的卷积神经网络作为目标域中目标任务的待训练网络,将源域中获得的预训练模型作为该网络的初始参数,大规模数据作为目标域的训练样本进行网络的微调,通过这种基于特征选择的迁移学习,实现源域到目标域的特征信息迁移;针对卷积神经网络中全连接层参数过多的问题,采用卷积层替代全连接层。试验使用美国国防高等研究计划署的移动与静止目标搜索识别（Moving and Stationary Target Acquisition and Recognition,MSTAR）数据集中三类目标数据作为源域样本,十类目标数据作为目标域样本,结果表明该算法的十类目标识别精度达到了99.13%,且具有更快的误差收敛速度。     

面向天基监视的红外弱小飞行目标识别算法

针对当前红外弱小飞行目标特征不明显、背景干扰大等问题,提出了一种基于深度学习的红外弱小目标识别算法。检测框架以YOLOv4模型为基础,通过使用K-means++算法对训练集的候选框进行聚类处理,在初始大小的选取上放弃随机生成初始点的方式,在样本集里选取某一个样本作为初始中心使锚框（anchor）大小的选取更加合理。在模型结构中引入卷积注意力模块,使算法模型计算资源分配更合理,对红外弱小飞行目标的特征信息更加敏感。改进空间金字塔池化模块,使用平均池化可以更多保留图像的原始信息,降低天基成像中的噪点与坏点的影响。仿真实验表明采用K-means++计算Anchor大小时准确率可以达到80.13%,在加入了SPP和CBAM模块后之后在测试集上算法识别准确率达到了83.3%,经过对模型的修改有效提升了对红外弱小飞行目标识别的准确率。     

未知载荷条件下机械系统剩余寿命预测方法

针对无法确定复杂机械系统的随机工作载荷的问题，提出了一种基于隐半马尔可夫模型(HSMM)的寿命预测方法。在完成基于隐半马尔可夫模型的载荷空间构建后，引入前向-后向过渡参数，并结合Viterbi算法对模型参数进行求解，通过估计参数预测随机未来载荷的转移走向及对应的概率。将载荷预测的结果结合基于多传感器信息的寿命预测模型预测系统的剩余寿命。使用NASA的商用模块化航空推进系统仿真数据验证所提方法的有效性和正确性。      

基于道路特征信息的车道结构化解析

高速道路动态执法要求车道检测算法能够结构化解析道路，但是基于传统手工设计特征的车道检测算法准确率和召回率不足，而基于深度学习的算法又对计算资源要求太高，因此提出基于道路特征信息的车道结构化解析算法。利用边缘点的梯度统计信息筛选Hough空间的候选点，用动态规划的方法在剩余的Hough空间候选点中寻找最合理的车道线组合，能够在较少计算资源的平台上准确地检测到道路上的全部车道。在自有数据的检测实验中，所提算法能够准确定位结构化和非结构化道路；在对比实验中，所提算法在准确率、召回率和计算速度上均比同类算法有所提高。      

能量有效的无线传感器网络分簇路由协议

无线传感器网络（WSNs）的应用前景非常广阔,得到了越来越广泛的关注,其中网络节能、降低功耗、延长寿命是WSNs必须解决的问题。对WSNs中典型的分簇路由协议进行了详细分析,通过对比研究,提出了一种基于节点间相关性的能量有效分簇路由协议——BCCP协议。在BCCP协议中,能耗均衡分簇算法利用节点间位置相关性与节点剩余能量,降低分簇迭代次数,得到分布均匀的簇首节点,降低簇内成员节点与簇首节点的通信能耗,以此降低网络能耗;降低能耗分簇算法利用节点间数据相似性与节点间协同性,降低簇内通信、簇间通信的数据量,以此降低网络能耗。实验结果表明,BCCP协议在能耗均衡、网络存活节点数、降低能耗方面与其他方法相比均有明显的优势。      

基于序列Monte Carlo技术的动态节点定位

无线传感器网络中目标节点定位的准确性与定位频次对跟踪与监视精度有着重要的影响.为了提高目标跟踪精度,需要研究高效的网络节点定位算法.在分析传统基于Bayesian估计过程定位的基础上,讨论可利用基于采样的序列Monte Carlo算法解决移动节点的自主定位的算法,研究了序列Monte Carlo算法在无线传感器网络节点定位中的应用.利用该方法无需对传感器网络的先验知识和对节点移动的假设,利用低密度种子节点得到定位的精度较高.理论分析和仿真实验表明,利用序列Monte Carlo算法进行定位能够充分利用移动性来提高定位的精度,Monte Carlo定位算法很大程度上提高了定位效率,能够更有效地利用传感信息,降低不确定性因素的影响.      

基于FPGA的红外目标识别神经网络加速器设计

在红外目标识别领域，基于卷积神经网络的深度学习算法的识别精度已远远超过了传统模式识别算法,但神经网络的实现需要庞大的计算和存储，难以在无人机等嵌入式平台上进行部署。针对此问题，将通道级量化策略和梯度的近似优化训练引入到了低比特神经网络模型的建立中，并提出了一种可充分利用硬件计算资源的FPGA加速器，其整体平均性能为65.6GOPS。与其他相关工作的对比表明，低比特量化方法及其FPGA加速器实现，可以为嵌入式红外目标识别系统提供一种能效高、识别精度高的解决方案。     

基于活动预测和能耗均衡的WSN路由算法

无线传感网络（WSN,Wireless Sensor Network）中节点触发与数据传输往往会呈现出某种活动模式,基于活动模式特性提出了基于活动的节点分簇算法（AACP,Activity-Aware Clustering Protocol）,将网络中的传感器 节点分成多个活动簇,并通过对节点的历史触发数据进行分析,结合分簇结果对当前发生的活动进行预测.基于活动预测结果,综合能耗均衡、节点剩余能量、传输能耗等影响因素,提出了基于活动预测和能耗均衡的WSN路由算法（AEBRP,Activity-aware and Energy Balanced Routing Protocol）.仿真实验中与低功耗自适应集簇分层型协议（LEACH,Low Energy Adaptive Clustering Hierarchy）、基于跟踪的动态节点分簇算法（HCMTT,Hybrid Clustering for Multitarget Tracking in wireless sensor networks）和传感器信息系统中的高能效采集算法（PEGASIS,Power Efficient Gathering in Sensor Information System）进行比较,验证了AEBRP算法在维持网络能耗均衡、延长网络生命周期方面具有明显优势.      

机会传感网中一种自适应链路侦测数据收集算法

提出了一种自适应链路侦测的数据收集算法,以提高机会传感网链路的预测精度与传输成功率:采用自适应链路侦测算法测量出各节点的实时网内链路质量权重因子,结合节点能量消耗模型,通过基于无味卡尔曼滤波的概率预测方法对节点间的链路质量进行量化计算,实现节点对通信链路的实时自适应预测与最优化选择,从而完成数据收集.仿真实验结果表明:新算法提高了最优化路径决策的预测精度,可以有效地增加消息的平均通信成功率,降低消息的平均传输延时.     

多尺度特征融合的Anchor-Free轻量化舰船要害部位检测算法

反舰导弹对舰船要害部位的精确打击能力是精确制导武器的关键技术之一。针对反舰导弹导引头对舰船要害部位检测精度低、特征提取能力不足,预测框的处理降低检测速度等问题,提出了一种多尺度特征融合的Anchor-Free轻量化舰船要害部位检测算法。由于舰船要害部位检测数据具有多尺度、多角度特性,引入多尺度特征融合模块,综合利用不同感受野的检测信息,优化特征提取;利用高效轻量化注意力机制改进Hourglass结构中的跨层连接,提升检测精度,降低算法总参数量;使用迁移学习有效提升算法收敛效果。在建立的舰船要害部位检测数据集和公开的PASCAL VOC数据集进行实验,检测准确率分别提升了4.41%和5.57%,分析算法参数与运算量,设计了模块消融实验,论证了所提算法的有效性。      

一种基于轻量化CNN的天文暂现源智能识别方法

天文暂现源携带了关于天体本质及演化过程的丰富信息,对暂现源进行探测与研究具有极为重要的科学价值。天文暂现源的辐射峰值大多在X射线或伽马射线,天基望远镜对这些高能波段的观测优势是地基望远镜无法比拟的,更适合于暂现源观测。但由于星载计算机的性能约束,很难实现依托于地面强大算力的复杂检测算法。针对以上问题,提出了基于轻量化卷积神经网络（CNN）模型的天基暂现源检测算法,并在嵌入式ARM平台上实现了模型部署。实验结果表明,本文提出的轻量化CNN暂现源检测算法的模型复杂度和计算量不及Deep Hits算法的1/4,准确率达到96.52%,可应用于星载有限算力平台,实现未来的天基暂现源实时检测。     

基于数据融合的MEMS阵列加速度传感器实现方法

针对单MEMS加速度计性能有限无法满足实际工程中日益复杂且严苛的检测需求的问题,提出了一种基于数据融合的MEMS阵列加速度传感器实现方法。首先,设计了MEMS阵列加速度传感器的系统架构,并分析了对数据融合算法的技术需求;然后,针对已有的数据融合技术无法满足MEMS阵列加速度传感器的精度与实时性要求的问题,提出了基于离散对数映射的自整定加权融合算法,在此基础上,设计了MEMS阵列加速度传感器的仿真验证方案。仿真实验结果表明,提出的方法通过三个不同范围MEMS加速度计的阵列集成提高了信号检测能力,相比于最优拼接法其平均损失降低了6.1%,且融合数据精度优于各个加速度传感器的原始仿真数据,是高性能MEMS阵列加速度传感器的有效实现方案。