Aerial-BiSeNet: A real-time semantic segmentation network for high resolution aerial imagery

The aircraft system has recently gained its reputation as a reliable and efficient tool for sensing and parsing aerial scenes. However, accurate and fast semantic segmentation of high-resolution aerial images for remote sensing applications is still facing three challenges: the requirements for limited processing resources and low-latency operations based on aerial platforms, the balance between high accuracy and real-time efficiency for model performance, and the confusing objects with large intra-class variations and small inter-class differences in high-resolution aerial images. To address these issues, a lightweight and dual-path deep convolutional architecture, namely Aerial Bilateral Segmentation Network (Aerial-BiSeNet), is proposed to perform real-time segmentation on high-resolution aerial images with favorable accuracy. Specifically, inspired by the receptive field concept in human visual systems, Receptive Field Module (RFM) is proposed to encode rich multi-scale contextual information. Based on channel attention mechanism, two novel modules, called Feature Attention Module (FAM) and Channel Attention based Feature Fusion Module (CAFFM) respectively, are proposed to refine and combine features effectively to boost the model performance. Aerial-BiSeNet is evaluated on the Potsdam and Vaihingen datasets, where leading performance is reported compared with other state-of-the-art models, in terms of both accuracy and efficiency.     

基于自适应迭代学习的小行星绕飞容错控制

对于小行星绕飞任务的探测器姿态控制问题,已有方法大都考虑了干扰力矩和参数不确定等因素,而忽视了执行器故障情况。针对执行器故障条件下的小行星探测器姿态控制问题,提出了一种基于自适应迭代学习的容错控制方法。所设计的控制器包括两部分：其一针对执行器故障,设计了自适应迭代学习控制器,采用类滑模的思想和自适应迭代学习算法对控制器参数进行调整,进而补偿执行器故障带来的影响,保证系统在控制输出不足情况下的高精度姿态稳定性;其二针对探测器参量变化、外部环境干扰等不确定情况,设计了基于自适应神经网络的迭代学习控制器,采用径向基函数（RadialBasisFunction,RBF）神经网络对系统非线性部分进行逼近,同时对控制器参数进行自适应迭代学习调整,进而保证系统在不确定情况下的动态性能。数值仿真结果表明该控制器能够有效抑制外部环境干扰和内部参数变化带来的不利影响,在执行器部分失效甚至完全失效故障情况下,仍能保证系统的鲁棒性并实现误差在10^-2数量级内的较高姿态控制精度。     

基于高斯过程的机器人自适应抓取策略

在机器人抓取作业时,目标物体的位姿经常发生变化。为了使机器人在运动过程中能够适应物体的位姿变化,提出了一种基于高斯过程的机器人自适应抓取策略。该方法建立了从观测空间到关节空间的映射,使机器人从样本中学习,省去了机器人视觉系统的标定和逆运动学求解。首先,拖动机器人抓取物体,记录物体的观测变量和机器人的关节角度;然后,利用记录的样本训练高斯过程模型,实现观测变量和关节角度的关联;最后,当得到新的观测变量时,通过训练的高斯过程模型得到机器人的关节角度。经过训练后,UR3机器人成功抓取了物体。     

基于二叉树支持向量机的装备故障诊断研究

本文提出了一种基于二叉树支持向量机的某型装备故障诊断方法,应用该方法构造了多故障分类器,并通过某型装备故障实例验证了该方法故障诊断结果的正确性,证明了该故障诊断方法具有良好的鲁棒性和推广性。     

高职学生英语课外学习情况调查与分析

对重庆城市管理职业学院非英语专业二年级学生的英语课外学习进行问卷调查并对调查结果进行分析,针对调查结果存在的问题,提出提高高职学生英语个性化自主学习能力的建议,做到课堂英语教学与课外英语学习的有机统一。     

一种改进的航空发动机结构概率风险评估方法

针对航空发动机适航条款FAR33.75中关于发动机限寿件(ELLP)结构失效概率要求,提出了一种基于Kriging和蒙特卡罗半径外重要抽样(MCROIS)混合的结构概率风险评估方法。该方法针对ELLP高维、小失效概率事件以及极限状态函数为隐式、高度非线性的特点,利用Kriging元模型模拟隐式极限状态函数,然后通过主动学习迭代算法,计算最优点(MPP,最接近设计验算点的样本点),更新实验设计(DOE)并提高Kriging元模型的模拟精度。在此基础上,利用Kriging元模型确定最优抽样半径,构造半径外重要抽样密度函数,在最优抽样半径确定区域进行抽样,通过构造主动学习函数,使样本点更多落在抽样半径确定的球区域附近,加速失效概率计算的收敛,并构建了ELLP风险概率模型,解决了高维、小失效概率事件以及隐式、非线性极限状态函数的发动机结构概率风险评估难题,以某型发动机低压压气机轮盘为应用示例,与传统的蒙特卡罗仿真(MCS)方法进行了对比,验证了该方法的高效率、鲁棒性和仿真精度。     

基于等级状态方法的 军校本科学员学习能力评价模型

文章以等级状态方法为依托,构建军校本科学员学习能力评价指标体系,优选数据采集的方法途径,创建 数学模型,并进行实证分析,验证整套评价系统是比较客观的,具有推广应用价值。     

面向智能环境的活动模式迁移学习

针对智能环境中活动模式的学习和挖掘花销大、难以实际操作等问题,提出了能够有效地将已有活动模式迁移到新环境的整体框架。迁移学习框架将活动模式的迁移过程分解为轨迹的迁移和触发持续时间的迁移,首先对已有活动模式中的活动轨迹以及触发持续时间模糊化;然后采用备选轨迹生成(ATSG)算法在新环境中生成备选轨迹集;最后采用相似度计算(SC)算法进行活动模式中的轨迹与备选轨迹间的匹配,利用活动轨迹映射(TM)算法和触发持续时间迁移(TDT)算法对活动信息进行迁移,从而在新环境中得到活动模式。理论分析和实验结果表明,相比于基于频繁模式挖掘得到活动模式的方法,本文方法大幅度地降低了得到活动模式所需的时间开销,同时,利用本文方法获取的活动模式取得了较好的活动识别效果。      

基于优化字典学习算法的压缩数据收集

为了提高压缩数据收集对多样化传感数据的适应能力,同时抑制环境噪声对数据收集精度的影响,提出了一种优化字典学习算法来构造压缩数据收集中的稀疏字典。理论分析表明在压缩数据收集中由环境噪声导致的数据收集误差和稀疏字典的自相干程度正相关。为此在字典学习的过程中引入了自相干惩罚项来抑制环境噪声对数据收集精度的影响。该惩罚项还能减少字典学习过程中对训练数据的过拟合,从而进一步提高了该算法的稀疏表示能力。实验表明,该算法的稀疏表示能力高于同类字典学习算法,而且能有效地抑制环境噪声对压缩数据收集精度的影响。