基于机器学习方法的三维粒子重构技术

通过三维粒子重构获取粒子场的分布情况是层析粒子图像测速的关键步骤，有限二维投影下的三维粒子重构是一个欠定的反问题，其精确解往往很难得到。一般情况下，可以通过优化方法得到近似解。为了获取质量更高的粒子场并用于层析粒子图像测速，提出了一种基于卷积神经网络（Convolutional Neural Networks，CNN）的粒子重构方法。所提出的技术可以从基于传统的代数重构技术（Algebraic Reconstruction Technique，ART）的方法所得到的粗略粒子分布中进一步提高粒子重构质量。与现有的基于ART的算法相比，新技术在重构质量方面有了显著的改进，可以有效剔除虚假粒子并更准确地还原粒子形状，并且在粒子浓度较稠密的情况下计算速度至少快了一个数量级。     

基于复杂网络的车载自组织网络脆弱性分析

车载自组织网络(VANET)作为智能交通的重要基础应用，其安全稳定地运行是交通系统乃至社会经济可持续发展的需要。以最大连通度、连通分支平均规模、全局网络效率等参数为脆弱性测度指标，基于复杂网络理论，应用车辆仿真软件(VanetMobiSim)建立了VANET网络拓扑模型，详细研究了在随机攻击和蓄意攻击模式下脆弱性量化指标随节点移除比例的变化关系；通过仿真实验分析了节点密度、信号辐射半径及不同攻击策略对VANET脆弱性的影响。仿真结果表明:VANET在蓄意攻击下比较脆弱，基于节点介数的蓄意攻击效能最强；节点密度、信号辐射半径越小，VANET连通性越差，网络越脆弱。所提方法和结果为VANET拓扑控制优化和网络管理决策提供了理论依据。      

基于深度神经网络的粒子图像测速算法

粒子图像测速(PIV)作为一种流体力学实验技术,能够从流体图像中获取全局、定量的速度场信息。随着人工智能技术的发展,设计用于粒子图像测速的深度学习技术具有广泛的应用前景和研究价值。借鉴在计算机视觉领域用于运动估计的光流神经网络,采用人工合成的粒子图像数据集进行监督学习训练,从而获得适用于流体运动估计的深度神经网络模型,并且能够高效地提供单像素级别分辨率的速度场。文中采用人工合成的湍流流场粒子图像进行初步实验评估,并讨论PIV神经网络的隐藏层输出和内在原理,同时将训练而成的深度神经网络模型与传统的相关分析法、光流法对比;随后进行射流流场测速实验,验证深度神经网络PIV的实用性。实验结果表明,文中提出的基于深度神经网络的粒子图像测速在精度、分辨率、计算效率上具有优势。     

基于卷积门控循环网络的滚动轴承故障诊断

针对许多基于深度学习的滚动轴承故障诊断方法在小样本数据集下诊断性能下降的问题,提出一种基于卷积门控循环神经网络的轴承故障诊断模型。该模型使用两层的卷积网络来从输入信号中提取特征,同时使用tanh函数作为激活函数,且池化层使用大池化核来进行重叠下采样。将所提取得到的高层特征连接到双向门控循环网络。合并循环网络正向和逆向的最后一个状态,并连接一层全连接层进行输出。选用凯斯西储大学的轴承故障数据集来验证模型在小样本数据集下的诊断性能,实验结果表明,相比于其他类型的模型,该模型在仅有20个训练样本的情况下依然保持97%的识别准确率。      

基于3D-Winograd的快速卷积算法设计及FPGA实现

近年来，卷积神经网络（CNN）已被计算机视觉任务广泛采用。由于FPGA的高性能、能效和可重新配置性，已被认为是最有前途的CNN硬件加速器，但是受FPGA计算能力、存储资源的限制，基于传统Winograd算法计算三维卷积的FPGA解决方案性能还有提升的空间。首先，研究了适用于三维运算的Winograd算法一维展开过程；然后，通过增加一次性输入特征图和卷积块的维度大小、低比特量化权重和输入数据等方法改善CNN在FPGA上的运行性能。优化思路包括使用移位代替部分除法的方法、分tile方案、二维到三维扩展及低比特量化等4个部分。相对传统的二维Winograd算法，优化算法每个卷积层的时钟周期数减少了7倍左右，相较传统滑窗卷积算法平均每个卷积层减少7倍左右。通过研究，证明了基于一维展开的3D-Winograd算法可以大大减少运算复杂度，并改善在FPGA运行CNN的性能。      

多斜率自适应卷积神经网络激活函数

针对卷积神经网络中激活函数无法有效为处于不同激活程度的像素点提供特定梯度响应的问题，设计了一种由多个分段线性函数组成的自适应激活函数.首先依据像素激活值的取值范围，自适应地生成多个独立的激活域，各个激活域的并集包含激活图中全体像素点的激活值；随后在每个激活域中学习一个特定的线性函数，为处于该激活域中的像素点提供特定的梯度响应；最后以NIN网络和ResNet18网络为例，在CIFAR 10和CIFAR 100数据集上，验证所提激活函数的性能.实验结果表明，与现有激活函数相比，本文提出的激活函数，由于能够更好地为处于不同激活程度的像素点提供适当的梯度响应，使分类准确率在NIN网络上分别达到87.96%和69.01%，在ResNet18网络上分别达到88.56%和73.54%.     

高超声速飞行器再入段LQR自抗扰控制方法设计

针对高超声速飞行器(HSV)再入过程中强非线性、强耦合、气动参数变化剧烈的不确定性的特点，提出一种基于线性二次型调节器(LQR)和自抗扰控制(ADRC)的高超声速飞行器再入段的姿态控制方法。首先，建立高超声速飞行器再入段线性化模型，并采用LQR方法完成了状态反馈控制律设计。然后，结合自抗扰控制技术，设计了扩张状态观测器(ESO)对系统的模型不确定性和外部干扰进行补偿，大幅增强了系统的扰动抑制能力。最后，将得到的高超声速飞行器再入段LQR自抗扰姿态控制器(LQRADRC)应用于高超声速飞行器六自由度仿真，仿真结果表明本文所提出的控制方法能够快速、精确地跟踪角位置指令，并且对系统不确定性具有强鲁棒性。