基于函数链神经网络的深度分类器

目前的宽度学习系统（Broad learning system，BLS）通过所建立的一系列映射节点和增强节点来形成联合节点。因为联合节点与输出层的线性连接，网络权值可以用求解伪逆的方法快速求得，避免了耗时的训练过程，从而成为快速而高效的学习方法。然而在追求高精度结果的过程中，BLS对于增强节点数量的需求过于巨大，容易造成过拟合问题。为此，本文提出了基于函数链神经网络（Functional-link neural network，FLNN）的深度分类器（FLNN based deep classifier，FLNNDC），旨在提供一种更加简单却又不失精度的BLS变体结构。FLNNDC将几个轻量级的BLS子系统堆积成栈式结构，每一个轻量级的BLS子系统随机选择一部分映射节点生成增强节点，而不是全部映射节点。和原宽度结构相比，在几个主流数据集上的实验结果表明本文所提出的FLNNDC分类器具有网络结构更小且学习速度更快的优势。     

基于深度学习的毫米波和亚毫米波成像仪的图像增强技术

风云四号卫星毫米波和亚毫米波成像仪(MMSI)数据根据采样方式分为过采样和非过采样数据。由于采样方式的影响,非过采样数据在采样过程中会有一定的信息损失。为解决采用简单的线性插值方法做精细化处理时提升精度有限问题,采用基于深度学习的方法增强MMSI亮温图像,设计卷积神经网络重建风云四号卫星MMSI的亮温图像和风云三号卫星微波成像仪亮温图像。实验结果显示:相比传统的双三次插值方法,在风云三号卫星微波成像仪亮温图像样本上峰值信噪比提升了1.13dB,结构相似度提升了0.01。实验结果表明:对于非过采样亮温数据,采用基于深度学习的方法增强图像具有更高的精度,同时可在其他微波探测仪数据中使用,具有很强的普适性。     

基于IPSO-Elman神经网络的飞机客舱能耗预测

为了提高飞机客舱使用地面空调制冷时客舱能耗的预测精度，提出了一种改进的粒子群优化（IPSO）Elman神经网络的飞机客舱能耗预测模型。依据对算法中惯性权重与学习因子的收敛域分析，得出了二者合理的取值范围，将粒子到全局最优位置间距离与参数的取值范围相结合，构造了惯性权重与学习因子的动态调节函数，对其进行非线性的动态调节，并引入了变异因子，提出了一种跳出局部最优的策略，防止粒子群优化（PSO）陷入局部最优。将IPSO-Elman应用于Boeing738飞机客舱能耗预测中，与PSO-Elman、Elman算法进行性能比较，仿真结果表明基于IPSO-Elman的客舱能耗预测模型在预测精度和收敛速度方面均有一定的提升。该研究结果为飞机客舱能耗预测模型的建立提供了理论依据，对飞机地面空调的节能与机场电能合理调配提供了支持。     

基于模糊矩阵和神经网络的航空发动机磨损部位故障识别

滑油中的金属颗粒成分及含量反映了发动机部件磨损程度,利用光谱分析技术监测诊断发动机部件磨损故障。在分析发射光谱原始数据的基础上,提出基于BP神经网络的航空发动机磨损部位识别方法,并通过实例阐述了部位磨损识别的步骤。将待识别样本输入已经训练好的神经网络中,得到低压压气机轴承支座磨损故障模式。待识别样本中含有Fe、Al、Cr、Cu、Mg,与低压压气机轴承支座磨损故障模式存在的元素完全一致。与原始识别方法相比,本文方法得到的故障特征更加明显,所需训练样本更少,识别精度达到96.67%。     

卷积神经网络及其在航空视觉任务中的应用展望

从卷积神经网络的基本理论出发,介绍了几种经典卷积网络结构,并结合当前卷积神经网络在计算机视觉领域的应用现状,重点探讨了它在未来航空视觉相关任务系统中的应用前景,以及实施这些技术必须解决的若干问题,为未来航空装备智能化水平的进一步提升提供参考。     

基于改进深度学习模型的焊缝缺陷检测算法

针对传统深度学习模型在进行焊缝缺陷检测时对小缺陷目标检测效果不理想问题，提出基于改进深度学习Faster RCNN模型的焊缝缺陷检测算法，算法通过多层特征网络提取多尺度特征图并共同作用于模型后续环节，以充分利用模型中的低层特征，增加细节信息；改进模型的区域生成网络，加入多种滑动窗口，从而优化了模型锚点的长宽比设置，提高检测能力。实验表明，改进Faster RCNN模型取得最优的缺陷检测结果，对于小缺陷目标仍取得较好的检测精度，从而验证了算法的有效性。     

无须模板的阵列天线方向图综合设计方法

阵列天线方向图综合通常须选择适当的方向图模板。然而,目前还没有方向图模板选择方案的研究,因此无法保证现有模板的合理性。为避免所预设的方向图模板不可行,本文提出以最小化旁瓣最大值与主瓣最小值的比值为准则,构建方向图综合优化设计问题。该问题的不等式约束是非凸且耦合的。采用罚函数法将不等式约束引入目标函数中,然后设计一个光滑函数来逼近并替代目标函数中不可微部分,从而得到原问题的可微逼近问题,最后使用拉格朗日神经网络法求解逼近问题进而得到原问题的近似解。仿真试验验证了本文所提方法的有效性。     

一种基于卷积神经网络的地磁基准图构建方法

地磁匹配导航技术是一种重要的辅助导航制导方法，地磁基准图的构建精度对地磁匹配制导的精准度起着决定性作用。针对现有地磁基准图构建精度难以满足实际地磁匹配导航需求的问题，提出了一种基于卷积神经网络的地磁基准图构建方法。首先，利用卷积层提取低分辨率基准图中的特征图像块；然后，利用基于学习的阈值收缩算法（LISTA）实现图像块的稀疏表示；最后，利用三通道的地磁信息得到重建后的高分辨率基准图。实验结果表明:所提方法对地磁基准图具有更高的构建精度，同时对噪声有更好的鲁棒性，各种客观评价指标均高于现有的超分辨率重建方法。      

卷积神经网络和峭度在轴承故障诊断中的应用

针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。      

基于热力学的涡扇发动机神经网络建模方法

由于无法掌握不同发动机的真实部件特性，传统热力学模型对在翼涡扇发动机的建模存在较大的建模误差；同时，热力学模型在特性图边界线附近迭代时，容易迭代到特性图之外，造成迭代过程的不收敛。针对上述问题，本论文提出基于热力学过程的涡扇发动机神经网络建模方法，在神经网络模型的训练过程中充分考虑对部件共同工作热力学约束的优化，提高发动机建模的准确性。通过构建部件级网络结构、部件共同工作损失函数及融合训练过程，将基于部件特性图的传统热力学模型迭代过程转化为部件级神经网络的多目标优化与训练过程，提高了模型的收敛性及建模准确性。模型在26 970条发动机实际飞行数据上进行了训练及测试，结果表明，在相当宽松的准稳态数据下，论文提出的建模方法最大误差可以达到7%左右，比基于部件特性图的热力学模型低5%左右。