基于多尺度残差卷积网络的HEVC视频隐写分析

图片、语音、视频等多媒体形式的信息交流在网络通信中占有重要地位，同时也有很多非法信息的传播隐匿于此。隐写分析是甄别隐秘信息是否存在的有效手段，提出了一种通用的基于多尺度残差卷积网络的HEVC视频隐写分析算法。网络主体由残差计算、特征提取和二分类3部分构成，其中在特征提取部分针对性地提出了残差卷积层、多尺度残差卷积模块及隐写分析残差块。实验结果表明:所提算法基于视频像素域分析网络的检测率高达99.75%，比传统的手工提取特征方法具有更大的优势。      

一种基于深度学习的电磁信息泄漏检测方法

电子信息设备工作时无意发射的电磁波中包含有用信息，会导致电磁信息泄漏，从而威胁设备的信息安全。现有的电磁信息泄漏检测方法，在复杂现场环境下，难以从具有不确定性的电磁泄漏信号中提取有用信息。面向电磁信息安全问题，开展了电磁信息泄漏检测研究，提出了一种基于深度学习的检测方法。设计了一个适用于电磁泄漏信号的一维卷积神经网络，并结合改进的梯度加权类激活映射方法，在未知电磁信息泄漏特征的前提下，通过深度学习实现电磁信息泄漏特征的智能标定和自动提取，从而解决了现场环境下电磁信息泄漏检测难以提取有用信息的问题。分别通过实测和仿真对比实验，验证了所提方法的有效性。      

基于不确定传感器状态的机载系统多层故障诊断方法

准确的机载系统故障诊断是保证飞机安全飞行和实现经济效益最大化的重要途径。然而传感器受到内外部环境条件的影响而不可避免的存在检测状态的不确定性，因此基于单个传感器或局部区域传感器综合检测结果的方法难以完全保证故障诊断的有效性和正确性。针对飞机机载系统的结构和工作原理，充分利用系统中不同层级、不同区域传感器检测特征之间的关联关系，考虑单个传感器本身存在的不确定性，构建了传感器信息前向融合与反向校验相结合的分层诊断决策方法，实现了对系统状态和传感器状态的双重估计与更新，克服了单一传感器故障对系统诊断推理准确度的影响。该方法较传统故障诊断模型，不再依赖某一个或某一类传感器信息的绝对可靠，在实现系统级的准确故障诊断同时，还能判断具体某一传感器本身是否发生虚拟警。在飞机液压系统故障诊断案例中，新方法成功将系统故障诊断的虚警率降低了96%，传感器的不确定度降低了84%。     

基于深度神经网络的客机总体设计参数敏感性分析

飞机总体主要设计参数敏感性分析揭示了总体主要设计参数对飞机特性指标的影响，有助于总体设计方案的决策。针对宽体客机总体主要设计参数敏感性问题，根据其总体主要设计参数和特性指标的特点，以及多学科间的耦合关系，建立了深度神经网络模型。该深度神经网络模型以客机总体主要设计参数为输入，对特性指标进行预测。在深度神经网络模型中，设置了多个输入层、多个输出层以及多个分块的隐藏层，从而模拟客机总体主要设计参数对特性指标的影响以及不同特性指标之间的相互作用。测试结果表明，与传统代理模型相比，深度神经网络模型对客机特性指标的预测精度更高，多参数适应性更好。利用该深度神经网络模型对客机总体主要设计参数进行敏感性分析。分析结果表明，机翼1/4弦线后掠角在30°~31.5°时，有利于减少最大起飞重量和起飞平衡场长；发动机海平面最大静推力和机翼面积对客机直接使用成本、最大起飞重量等特性指标的影响最为显著。     

基于深度混合模型评分推荐

从用户-项目评分矩阵中学习用户对项目的个性化偏好,对于评分推荐来说至关重要。许多推荐方法如潜在因子模型,无法充分利用评分矩阵中的交互信息学到较好的个性化偏好而得到较差推荐效果。受深度学习中Wide and Deep模型应用于APP推荐启发,本文提出一种深度混合模型并命名为DeepHM用于评分推荐。与Wide and Deep模型相比,使用DeepWide和DNN部分重构Wide模型和Deep模型得到DeepHM,并且DeepWide和DNN部分共享交互信息输入。因此,DeepHM可以更有效地使用评分矩阵中的用户和项目的交互信息学到个性化偏好信息。DeepHM将评分推荐作为分类问题旨在提高推荐准确性。实验表明在公开的Movielens数据集上DeepHM算法相比现有的基于评分推荐模型具有更好的效果。     

基于MFC的拉扭复合系统界面设计

为了方便对拉扭复合系统中2台伺服电机的控制,设计了基于MFC的上位机界面。通过串口通信,使用不同的按钮操作设置伺服驱动器相应参数,从而控制2台伺服电机的运行。上位机实时接收伺服驱动器监控数据绘制出转速、位移、转矩曲线。针对在数据接收过程中信息帧接收错误的情况,使用拼接两相邻错误信息帧的方法进行修复。结果表明:上位机界面实现了系统功能及对电机运行工况的监控。     

基于改进SSD的舰船目标精细化检测方法

以SSD为代表的主流深度学习方法在目标检测领域取得了显著的成绩，但由于该类方法只能以矩形框给出目标的概略位置，检测结果具有很大的背景冗余区域，特别是港口密集停泊的舰船在图像中会出现区域重叠，导致误检和漏检。针对以上问题，提出了一种具有旋转不变性的舰船目标精细化检测方法，该方法综合利用可变形卷积、可变形池化、旋转的边框回归和旋转的非极大值抑制等模块的优点，借鉴MobileNet架构对网络加速，通过学习密集区域目标的几何形变，有效预测目标的旋转角度，最终以旋转的矩形框给出目标的位置。实验结果表明，该算法可实现多类舰船目标类型区分和目标朝向判定的功能，有效地解决了实际应用中的目标精确定位定向难题，提高了自动目标识别的精确性，并满足工程应用的实时性要求。     

无缆飞行器的电能和信息一体化无线传输技术研究

针对航天飞行器电气设备间连接电缆网复杂沉重的问题，提出了一种面向无缆飞行器的电能和信息一体化无线传输技术方案，该方案能够实现飞行器舱内仪器设备间无线互联和器地间的无线互联；分析了其在飞行器型号工程应用所面临的关键技术，并阐述了其应用前景，为未来航天飞行器电气系统的快速集成设计提供了新的思路和解决途径。     

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。