基于小波神经网络的齿轮系统故障诊断

通过对齿轮系统在不同的运转状态下不同的故障类型进行试验测试分析,获取了有关的测试信号,对振动特征信号进行了小波阈值去噪,采用离散小波变换(DWT)对去噪后的信号进行8层分解处理,对各层的小波系数进行了小波重构,得到8层细节信号和1层近似信号,并计算了各层信号的能量,得到了信号的能量分布特征.在此基础上把各层信号特征作为神经网络的输入,进行了网络的研究、分析处理和故障分类,并对小波神经网络方法与单独采用神经网络方法的故障诊断结果进行了比较评价.研究表明,去噪处理后的效果比没有去噪的信号特征更加明显,而采用小波神经网络诊断方法,对于齿轮无故障、齿根裂纹故障、分度圆裂纹故障和齿面磨损故障能够进行很好地区分与诊断,其诊断成功率均在95%以上,可对实际工程工作的齿轮系统进行故障诊断.      

基于SVR及阴影信息的SAR目标方位角估计

目标成像方位估计是合成孔径雷达（synthetic aperture radar,SAR）自动目标识别中一个重要的预处理过程。提出一种基于支持向量回归机（support vector machine for regression,SVR）并结合SAR目标阴影信息的方位角估计方法。首先通过长直边拟合法与脊波变换法对目标图像进行方位的粗估计．再由SVR完成精确估计。利用“运动与静止目标的获取与识别”（moving and stationary target acquisition and recognition, MSTAR）项目组提供的实测数据所做实验表明,此方法可以有效估计SAR目标方位角,精度高、泛化能力强．特别是在水平成像方位附近利用了目标的阴影信息,明显提高了相应区间的方位角估计精度。     

一种新的红外烟幕遮蔽效果时域特性评估方法

提出了基于分形特征和Aitkin插值技术的烟幕遮蔽效果时域特性评价的方法,计算了目标热像区域的分数维和分形拟合误差,采用了Aitkin插值技术来获得烟幕场遮蔽效果的时域特性。     

飞机外形和结构件反求建模技术研究

 探讨了基于特征的飞机外形和结构件反求建模策略,并给出曲面特征和实体特征的定义,该方法支持具有完整特征表达的模型快速重建。提出了大规模散乱数据k近邻的空间球搜索算法,其逐步增大搜索范围的策略可有效提高搜索效率。研究了结构件与外形相关曲面特征的重建方法,当贴合面较窄、外形线接近于直线时,采用直纹面逼近,否则由蒙皮曲面等距间接求取。研究了基于工程约束的曲面形状修改算法,以B样条曲面需满足的点、线、面几何约束为目标约束,通过最小化形状修改前后差曲面的弯曲能得到精确满足目标约束的光滑曲面,推导了曲面弯曲能和曲线约束的表达式。最后,以飞机翼肋模型反求为例验证了所提方法的可行性。     

基于自组织神经网络的软件功能测试数据自动生成

针对面向软件功能的测试数据自动生成问题,提出了一种动态自组织特征映射方法,用于生成揭示软件功能故障的测试数据(简称故障数据)。该方法主要有两部分组成,①采用具有全局多峰搜索特性的小生境遗传算法,在输入空间内搜索功能测试数据,生成少量的初始故障数据;②由初始故障数据,采用具有联想和分类能力的可变结构自组织特征映射,不断迭代生成大量相近而不同的故障数据,以便给开发者提供引发这些软件故障的信息,从而确定软件故障行为的模式或假设。用某型空空导弹发射控制软件进行了实验,运行结果表明了方法的有效性,故障数据生成效率高于遗传算法和随机法。     

基于SVM的浮动车行驶模式判断模型

浮动车在低速情况下存在两种行驶模式,如不能对上述模式进行准确区分,将严重影响浮动车实时路况计算的精度和效率.研究和设计了一个基于支持向量机(SVM,Support Vector Machine)的浮动车行驶模式判断模型,并针对性地提出了一种简单的基于隶属度矩阵的特征评价和选择方法.实验表明通过上述方法选择的特征子集所训练的分类器在测试样本集上具有92.6%的分类准确性;经过行驶模式分析后,浮动车系统的准确性有显著提升.      

基于混合体制雷达网的弹道目标微特征及外形参数提取

针对弹道中段目标微特征难以识别与分辨的问题,提出了一种基于低分辨雷达和高分辨雷达相结合的混合体制雷达网的有翼弹道目标微特征及外形参数提取方法。依据非线性信号参量可分离模型,利用非线性最小二乘估计方法解算出有翼弹道目标群各散射中心的幅相参数,结合不同雷达提取的微特征的关联性,利用散射中心关联处理实现了各类散射中心的分离。在此基础上,利用弹道目标的微特征,结合弹道目标各散射中心的相对位置关系,重构出各目标的三维微特征及各散射中心的三维位置矢量,进而估计出目标的进动特征和结构参数。仿真结果表明:当信噪比(SNR)为5 dB时,该方法的重构精度保持在92%左右。     

基于权值分配及多特征表示的在线多示例学习跟踪

针对复杂环境下目标跟踪过程中由于遮挡、目标姿势及光照条件变化引起跟踪漂移的问题,提出一种基于多示例学习（MIL）框架的在线视觉目标跟踪算法。该算法针对多示例跟踪算法采用单一haar-like特征不能准确描述目标外观变化及在学习过程中对样本包中各正负样本示例采用相同权值,忽略不同正负样本示例在学习过程中对包的重要性不同的特点,采用多特征联合表示目标外观构造分类器,通过将多特征互补特性融入在线多示例学习过程中,利用多特征的互补属性建立准确的目标外观模型,克服在线多示例跟踪算法对目标外观变化描述不足的问题;同时,依据不同正负样本示例对样本包的重要程度进行权值分配,提高跟踪精度。实验结果表明,本文跟踪算法对场景光线剧烈变化、遮挡、尺度变化及平面旋转等干扰具有较强的跟踪鲁棒性,通过对不同视频序列进行测试,文中算法在5组测试视频序列上的平均中心位置误差远小于对比增量式学习跟踪,仅为10.14像素,其对比算法IVT、MIL和OAB的中心位置误差分别为17.99、20.29和33.64像素。      

基于改进HOG特征的空间非合作目标检测

传统的非合作目标检测方法大都基于一定的匹配模板,这不仅需要预先指定先验信息,进而设计合适的检测模板,而且同一模板只能对具有相似形状的目标进行检测,不易直接用于检测形状未知的非合作目标。为降低检测过程中对目标形状等先验信息的要求,借鉴基于规范化梯度的物体区域估计方法,提出一种基于改进方向梯度直方图特征的目标检测方法,首先构建包含有自然图像和目标图像的训练数据集;然后提取标记区域的改进方向梯度直方图特征,以更好地保持局部特征的结构性,并根据级联支持向量机训练模型,从数据集中自动学习目标物体的判别特征;最后,将训练后的模型用于检测测试集图像中的目标。实验结果表明,算法在由4953幅和100幅图像构成的测试集中分别取得94.5%和94.2%的检测率,平均每幅图像的检测时间约为0.031 s,具有较低的时间开销,且对目标的旋转及光照变化具有一定的鲁棒性。     

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%。