基于CRBMs-RVR的涡轴发动机输出功率衰退预测

针对涡轴发动机全寿命期内输出功率衰退预测问题，提出一种含多层连续受限玻尔兹曼机（CRBMs）深度特征提取的相 关向量回归（RVR）功率预测方法。对发动机气路部件测量数据进行重构，利用CRBMs深度网络提取数据深层特征，将特征数据作为RVR模型的输入，实现对输出功率的预测，并对预测结果提供概率分布。以某型双转子涡轴发动机部件级模型为试验对象，模拟全寿命期内发动机气路部件性能退化，对输出功率进行衰退预测。试验结果表明：基于CRBMs-RVR的预测模型与传统RVR预测模型相比，训练时间缩短30.2%，预测结果的均方根误差减小64.6%；与基于主成分分析（PCA）进行特征提取的PCARVR预测模型相比，预测结果均方根误差减小42.4%，验证了所提出的预测方法具有模型结构简单、预测精度高、可提供概率式输出的优点。     

基于改进ORB的月面着陆视觉导航的配准方法

月球探测器在下降着陆过程中探测到的月面图像灰度均匀,缺少纹理信息,而视觉辅助导航采用传统ORB算法对灰度均匀的月面图像检测出的特征点数量较少,容易出现团簇现象,因此提出一种基于改进ORB算法的图像特征提取与匹配算法。首先对月面图像构建金字塔尺度空间模型,设置自适应阈值并构建掩膜逐一分块检测特征点;然后采用非极大值抑制使特征点分布均匀,消除聚集现象再进行特征匹配;最后结合渐进一致采样算法剔除误匹配,并计算下降序列图像间的位置变换关系。实验结果表明:该方法对于存在大尺度、旋转变化情况下的月面图像,在匹配精度方面比ORB提高10%～13%,在月面着陆视觉导航应用方面具有较好的适用性。     

嵌入注意力机制的多尺度深度可分离表情识别

针对面部表情识别中，传统机器学习方法特征提取较为复杂，浅层卷积神经网络识别率不高，以及深度卷积神经网络易带来梯度爆炸或弥散的问题，构建了残差网络嵌入注意力机制的多尺度深度可分离表情识别网络。通过多层多尺度深度可分离残差单元的叠加进行不同尺度的表情特征提取，使用CBAM注意力机制进行表情特征的筛选，提升有效表情特征权重的表达，削弱训练数据的噪声影响。所提网络模型在Fer-2103和CK+表情数据集分别取得了73.89%和97.47%的准确度，表明所提网络具有较强的泛化性。      

基于混合神经网络的无线电信号自动调制识别

随着无线电信号数据海量增加，复杂电磁环境下面临着未知威胁和目标侦察识别复杂度高的问题，本文针对未知无线电信号的特征提取任务，设计了一种混合神经网络以提高目标无线电信号的识别能力。先通过胶囊神经网络对未知信号的空间信息进行提取，再进一步运用门控循环单元提取信号在时间上的特征信息。设计混合网络模型将信号的时间和空间特征相结合，提高对目标信号的分类精度。通过RML2016.04C调制信号数据集，验证了混合神经网络的识别性能。结果表明:当信噪比为6 dB时，混合网络模型对多种不同调制信号的分类精度大于95%。因此，本文所设计的混合神经网络能够有效对不同调制信号进行准确分类。     

特征点分段提取的时间序列模式匹配方法

常用的时间序列模式匹配方法难以平衡计算复杂度与匹配精度，针对该问题，提出了一种特征点分段提取的时间序列模式匹配方法。提取时间序列每个变量维度上的特征点，降低序列长度；将特征点序列转化为分位点矩阵，利用欧氏距离对分位点矩阵进行相似性度量；在几组时间序列数据集上对所提方法进行分类实验。结果表明：所提方法在降低计算复杂度的同时，获得了较高的匹配精度。     

基于点云深度学习的对称结构空间目标相对位姿测量

针对对称结构空间目标相对位姿解算过程中点云误匹配带来的误差问题，提出一种基于点云深度学习的对称结构空间目标相对位姿测量方法。首先设计空间目标点云特征提取网络及关键点回归网络，将位姿测量问题转换为空间目标点云关键点回归问题，通过两个并行的回归网络分别输出空间目标平移向量和具有固定标签的目标点云三维边界框角点；其次利用具有连续稳定标签的角点求解目标姿态，可有效解决目标的对称结构导致的点云误配准问题；最后通过仿真数据集的实验表明，该方法相比于传统的点云配准方法有更高的准确率，能够精确求解具有对称结构的空间目标相对位姿。     

基于通道注意力机制的行人重识别方法

针对行人特征表达不充分的问题，提出了一种基于通道注意力机制的行人重识别方法。将通道注意力机制SE模块嵌入到骨干网络ResNet50中，对关键特征信息进行加权强化；采用动态激活函数，根据输入特征动态调整ReLU的参数，增强网络模型的非线性表达能力；将梯度中心化算法引入Adam优化器，提升网络模型的训练速度和泛化能力。在Market1501、DukeMTMC-ReID和CUHK03主流数据集上对改进后的模型进行测试评价，Rank-1分别提升2.17%、2.38%和3.50%，mAP分别提升3.07%、3.39%和4.14%。结果表明:改进后的模型能够提取更强鲁棒性的行人表达特征，达到更高的识别精度。      

基于邻近点特征的地磁室内定位方法及性能分析

地磁室内定位以其成本低、适用范围广、复杂度低的特点而受到广泛关注。然而,它的定 位精度不稳定,且指纹采集工作量较大。因此,提出了一种基于磁场信息的邻近点特征,可由指纹 数据求得,特征范围是0~1。经实验证明,邻近点特征与定位精度呈正相关关系。邻近点特征越 大的测试点定位误差越小,定位准确率越高。邻近点特征均值越大的室内区域定位误差越小。结 合邻近点特征与快速构建指纹库的方法,可以实现对室内区域定位精度的预判,为室内区域定位 方法的选择提供依据。针对邻近点特征较大的室内区域,提出了使用插值算法以减少指纹库的采 集量。在实验中,仅采集原有指纹点的29.6%依然具有较好的定位表现,对定位精度的影响较小。 使用邻近点特征可以极大地提高地磁室内定位的效率。     

基于深度学习的电力数据分析研究

针对传统电力数据分析方法存在适用范围有限、模型复杂等导致电器分类准确率较差的问题,提出了一种基于多层堆叠长短期记忆(Long short-term memory,LSTM)网络的电力数据分析模型。首先,根据电力数据的频谱图、Mel频率倒谱系数(Mel-Frequency Cepstral Coefficient,MFCC)和Mel频谱图提取电力数据的特征,然后将其应用于深度学习模型并提高分类任务的性能,从而改善过拟合问题。其次,建立了一个多层堆叠LSTM模型,从而有效提高模型的分类和回归能力。最后,提出了一种改进的软独热编码和多尺度训练方法,从而防止峰值概率分布,提高模型的泛化能力。实验阶段,以家庭电力数据集为例,对所提模型进行验证。仿真结果表明,所提模型软独热编码及多尺度训练对加快训练效果具有一定效果,最终分类准确率到达89.85%。     

基于AE-BN的发电机滚动轴承故障诊断

为解决风力发电机在复杂工况及耦合性、不确定性条件下故障识别的准确性问题，提出了一种基于自动编码器(AE)与贝叶斯网络(BN)的AE-BN故障诊断方法。采用AE对电流信号进行特征提取，得到能够高度表征信号的特征分量；基于故障与特征之间的因果关系，建立由故障位置、故障状态和故障特征搭建的三层BN；将AE的特征分量与BN的拓扑结构相结合建立风力发电机故障诊断模型，解决故障诊断中的不确定性问题，提高多故障诊断的准确性。实验结果表明：所提方法能够对故障特征信号进行分析及诊断，精确辨识不同故障类型，相比K近邻算法等具有明显优势。