基于剪枝和去噪的航空发动机故障图像识别与预测

航空发动机叶片作为航空器重要的零件,其健康状况直接关系到航班的运行安全。叶片由于工作环境恶劣很容易产生裂纹、掉块、烧灼等损伤,目前基于孔探技术的叶片损伤检测以人工为主,检测结果在很大程度上受到人为因素的影响。因此,实现叶片损伤的自动识别及测量对于减轻劳动强度和提高检测精度都有实际的应用价值。首先选择PRIDnet图像去噪算法对原始孔探图像进行预处理,按照训练精度和训练速度两个指标对传统目标检测模型进行通道剪枝和微调。数据集采用国内某航空公司获取到CFM56型发动机在实际运营后机务人员所拍摄的孔探图像,实验结果表明,相比于原始目标检测YOLOv5算法和未经图像预处理的目标检测模型,本方法对航空发动机孔探图像内损伤的检测精度提高4%～10%,在检测效率上提高6%～20%。     

基于代价敏感剪枝卷积神经网络的弹道目标识别

为降低弹道目标整体误识别代价，提出了基于代价敏感剪枝（CSP）一维卷积神经网络（1D-CNN）的弹道目标高分辨距离像识别方法。首先，基于彩票假设提出了同时以降低模型复杂度和误识别代价为目标的统一框架；然后，在此基础上，提出了基于人工蜂群算法的网络结构无梯度优化方法，以网络结构搜索的方式自动地寻找1D-CNN的代价敏感子网络，即代价敏感剪枝；最后，为了使代价敏感子网络在微调过程中仍以最小化误识别代价为目标，提出了一种代价敏感交叉熵（CSCE）损失函数对训练进行优化，使代价敏感子网络侧重对误识别代价较高的类别正确分类来进一步降低整体误识别代价。实验结果表明:结合CSP和CSCE损失函数的1D-CNN能在保持较高的识别正确率的前提下，相比传统的1D-CNN具有更低的整体误识别代价，且降低了50%以上的计算复杂度。      

深空探测器多次引力辅助转移轨道全局搜索

介绍行星引力辅助近似模型,包括近行星点无动力和有动力两种方式;采用开普勒轨道拼接法与双脉冲Lambert算法,建立多次引力辅助转移轨道的参数优化模型;通过广度优先搜索算法对引力辅助行星序列进行穷举,对发射窗口和天体间转移时间进行离散化网格搜索,每一步网格搜索后均采用合理的定界剪枝方法,减少后续计算量。这种全局搜索方法不需要提前指定引力辅助行星序列,并可得到对应不同飞行时间以及不同引力辅助次数的搜索结果,获得若干多天体引力辅助转移轨道初步结果,为进一步局部优化设计奠定基础。文章给出几组全局搜索算例,得到从地球到火星、木星和土星的多次引力辅助转移轨道,验证了全局搜索方法的有效性。     

基于关联规则挖掘的一种改进Apriori算法

关联规则挖掘是数据挖掘技术的一个重要分支,其中Apriori是目前最经典和具有影响力的关联规则挖掘算法.在分析研究关联规则挖掘中Apriori算法的基础上,针对Apriori算法中的两个主要操作--连接和剪枝进行改进,通过扫描1-项集、去除分解子集操作及不生成候选项集等多种策略结合的方法来减少连接操作的数据项数和算法运行过程中对数据库扫描的次数,最终使改进后的Apriori算法的性能得到提高.     

基于模糊距离变换的骨架剪枝算法

针对传统骨架提取算法结果无法保证骨架单像素性,并且伴有毛刺产生的现象,提出了一种能够有效去除骨架中毛刺分枝,充分体现物体形态特征的骨架剪枝算法。该算法以模糊距离变换为理论基础,在物体粗骨架图像中计算每条尾枝的模糊距离变换值,使用根据骨架特点确定的动态阈值判断骨架分枝是否被去除,并利用分级剪枝方法实现骨架剪枝操作。实验结果表明,该算法在进行剪枝操作中可有效地保证骨架的准确性和连续性。     

航班的自动最佳匹配研究

由己知的航运时刻表，通过程序计算得出飞机在机场停留的最短时间，各起落航班间的最佳配对，完成一个航运时刻表最少可使用的飞机架数，某飞机完成一个飞行周期所需要的天数。程序采用非经典递归的算法，用解答树的剪枝、回溯解决航空班次最佳匹配的指派问题，并给出非递归解法的C语言源程序（即技术上被称作核心机密），以便共同研究、提高。     

基于通道剪枝的SAR图像舰船检测优化算法

近几年,随着深度学习的发展,基于深度学习的目标检测算法开始应用于合成孔径雷达(SAR)图像中的舰船检测。但深度学习模型结构复杂,参数量与计算量巨大,无法应用到星载处理器的实时处理中。本文提出一种结合了Faster-RCNN和卷积通道剪枝的舰船检测方法,在保证检测精度不受较大影响的情况下,剪除卷积层中的部分参数,提高检测效率。实验表明:经过剪枝优化的Faster-RCNN舰船检测模型中的参数量降低了约56%,而推理时间减少了约51%,同时精度下降仅有1.9%。这给未来在星载处理器上部署舰船检测算法提供了新的思路。     

面向星上目标提取的卷积神经网络优化技术

针对卷积神经网络规模庞大、参数数量众多、在资源受限的在轨场景中难以应用的问题,提出了一种基于知识蒸馏的剪枝压缩改进方法。该方法对训练好的网络进行基于权重和基于通道的混合参数剪枝,在保留网络重要连接的同时剔除冗余信息;采用知识蒸馏法,用原始网络学到的知识指导剪枝后网络的再训练过程,以恢复损失的精度;在遥感数据集上对VGG-16分类网络进行实验。结果表明:所提方法可以实现16～18倍的压缩效果,并且网络精度下降不到1%。这使得卷积神经网络的在轨应用成为可能,具有理论及现实意义。     

一种基于在轨深度学习的压缩率确定方法

如何对遥感图像中的重要目标进行精确的识别分类，是卫星遥感领域的一个难点和重要的研究方向。深度学习能较好解决识别分类的问题，但其学习模型有大量参数需要确定，会消耗大量计算和存储资源，不利于在轨实现。模型压缩是降低资源需求的有效方法，但会导致分类准确率降低。剪枝是模型压缩的主要方法之一，目前剪枝技术大多研究的是在降低计算量的情况下如何减少准确率损失，如何确定压缩率是有待研究的问题。本文提出了一种通过函数拟合准确率与压缩率关系的方法，可以据此确定相应的压缩率，并对不同的压缩方法进行比较。仿真结果表明:该方法的函数模型可以在不同场景下用较少的点拟合出准确率与压缩率关系曲线，且均方根误差最大为1.09，平均值为0.51，拟合效果较好，可据此针对不同的应用条件与需求确定相应的模型压缩率。