基于类脑模型与深度神经网络的目标检测与跟踪技术研究

目标检测与跟踪技术广泛应用于交通、医疗、安保和航天等领域.目前，目标检测与跟踪技术面临目标微弱、背景复杂、目标被遮挡等挑战.同时，随着脑科学研究的不断深入，人们对人脑视觉系统的理解逐渐透彻，利用类脑计算解决复杂背景下高精度目标检测与跟踪问题成为相关领域的重要研究方向.本文结合神经工程导向的类脑模型和计算机工程导向的深度神经网络(Deep Neural Networks, DNNs)，提出多种基于类脑模型与深度神经网络的目标检测与跟踪算法，包括：基于演算侧抑制的目标检测算法，基于结构 对比度(Structure Contrast, SC)视觉注意模型的弱小目标检测算法和基于记忆机制与分层卷积特征的目标跟踪算法.实验结果表明，将类脑模型和深度神经网络应用于目标检测和跟踪领域，有利于实现复杂条件下的高精度目标检测和鲁棒性目标跟踪.     

月球表层采样样品智能确认方法

表层采样是月球采样探测的重要方式，样品智能确认有助于提升工作效率与复杂问题处理能力。结合月球表层采样铲挖工作过程，分析了铲挖过程中臂载相机图像的特点，模仿有人参与识别过程，提出了层次解耦的月球样品智能识别流程，利用深度学习方法构建了一类深度卷积识别网络，完整地描述了图像、特征、标记在网络中的正反传递关系，并在月球表层采样地面试验中进行了验证，结果表明该方法对不同光照、不同背景、不同过程、不同形态的样品，具有较好的泛化识别能力，误识别率优于8.1%，平均单幅识别时间约0.7 s。     

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。     

基于卷积神经网络的结冰翼型气动特性建模

提出了基于卷积神经网络（CNN）的结冰翼型气动特性预测方法，设计了输入层结冰翼型图像规范，克服了复杂冰形在翼面同一位置法线方向存在多值，单值函数难以描述的问题。预测模型可同时预测多个迎角对应的升阻力系数，实现了直接从冰形图像到气动特性的快速预测，对升力系数和阻力系数预测结果的平均相对误差均可控制在8%以内。重点研究了不同卷积层数量、卷积核数量、卷积核尺寸对模型性能的影响规律：CNN的不同层次特征对应不同滤波频率，卷积层数增加会捕获更多高频特征量；增加卷积核数量可提取更多冰形特征，提升模型性能，但数量过多会增加冗余特征，降低模型泛化性能；阻力系数预测模型对卷积核数量的最低要求大于升力系数，其原因在于，相较升力系数，阻力系数不仅受翼面压差影响，还受摩阻特性影响，其建模所需的关键特征数量多于升力系数；增大卷积核尺寸，可扩大卷积操作“视野”，增强对冰形整体特征信息的提取，有利于提升模型泛化性能。相关结论为飞机结冰气动特性实时动态预测与监测提供了新的思路和方法支撑。     

分析插值误差和斜率的轨迹优化网格细化方法

提出一种基于插值误差和斜率分析的轨迹优化自适应网格细化方法，包括节点插入算法和节点删除算法。节点插入算法分析各个离散节点的控制变量的插值误差。若插值误差较大，则在该节点周围增加节点细化网格；否则，不进行细化。节点删除算法分析各个离散节点处的控制变量斜率。若某个节点的左斜率和右斜率都为零，那么删除该节点；否则，保留该节点。采用三个典型的轨迹优化算例验证了所提出的方法的有效性和特色，并且与其它几种网格细化方法进行了对比。仿真结果表明，本文方法生成的网格规模较小，需要的网格迭代次数较少，能够快速、高精度求解非光滑轨迹优化问题。     

基于深度学习的空间站舱内服务机器人视觉跟踪

为提升舱内跟随服务机器人的任务辅助能力,解决机器人对航天员的视觉跟踪问题,提出了一种基于深度学习和概率模型的人体视觉跟踪算法。利用深度卷积神经网络实现了对穿着多样、姿态任意人体的稳定检测。结合人体检测结果,设计了运动预测概率模型,实现了对指定人员准确、连续的跟踪。算法对包含大多数航天员活动的多个数据集进行了验证。实验结果表明:提出的跟踪算法实现了对穿着多样、姿态任意人体的稳定跟踪,并有效避免了由于穿着相似、遮挡可能造成的误跟踪问题。该算法为空间站舱内跟随服务机器人对航天员的视觉跟踪提供了有效的解决方法。算法基于融合的RGB-D图像,工程上易于构建和实现,也可拓展到其他跟随服务机器人视觉跟踪任务中。     

激光点火系统损耗检测温度误差补偿方法

点火通路损耗检测精度是激光点火系统的一个重要指标,其在很大程度上决定着点火系统状态判断的准确性.针对激光点火系统损耗检测精度随温度变化的问题,对不同温度条件下激光点火系统的点火通路损耗检测精度进行了分析.分析结果表明,探测器暗电流、运放输入偏置电流和输入失调电压等均会影响检测精度,且检测偏差随温度升高而增大.建立了点火通路损耗检测温度误差模型,在-40℃～75℃范围内,采用温度误差模型进行补偿后,火工品发火前的损耗检测偏差(峰峰值)从0.62dB减小为0.16dB,火工品发火后的损耗检测偏差(峰峰值)从1.45dB减小为0.30dB,提高了损耗检测的精度,为判断是否具备发火条件及发火状态提供了有效支撑.     

FDA对比幅法单脉冲测向的角度欺骗

基于相控阵的干扰机在对目标雷达施放干扰的过程中，其辐射信号会被敌方的无源探测雷达所捕获。基于频率分集阵列(FDA)干扰机结构，提出一种针对敌方相邻天线比幅单脉冲测向系统的角度欺骗方法。首先，在建立FDA模型的基础上计算出FDA雷达的半功率波束宽度。然后，将半功率波束宽度代入相邻天线比幅单脉冲测向系统，通过仿真，系统分析了FDA干扰机对比幅法无源测向系统的角度欺骗效果及误差影响。仿真结果表明，远场条件下，FDA干扰机对测向系统具有良好的角度欺骗效果。      

混合式惯导原理及其在弹载环境下应用

在介绍混合式惯导技术起源与发展、工作原理、误差抑制机理以及影响因素的基础上,从工程应用的角度,对弹载环境的特点及其在弹载应用中关注的导航策略、动态响应特性以及稳定控制技术等内容进行了分析,为后续工程应用奠定基础。