军航无人机与民航航班侧向碰撞风险评估

近年来无人机(UAV)已经成为新型作战力量。为解决军航UAV与民航航班之间的飞行冲突，确保飞行安全，对经典EVENT模型进行改进，提出适用于UAV的碰撞风险模型。着重研究了导航方式、人为因素、高空风对于UAV飞行的影响，并构建了相应的位置偏差模型。首先，利用蒙特卡罗法求解军航UAV与民航航班之间侧向间隔丢失的频率；其次，利用MATLAB进行算例仿真，验证模型的有效性，并得出了侧向碰撞概率随参数变化的关系；最后，通过计算不同安全间隔下的碰撞风险，对空域使用提出建议。      

基于鸽群优化算法的实时避障算法

为保证机器人能安全无碰撞地抵达目标位置，提出一种在改进版圆形扩张（CSE+）法中融合鸽群优化算法的实时避障算法。所提算法引入对障碍物密集程度的判断机制，在障碍分布密集时选择最安全的路径，在障碍物分布稀松的环境中，利用鸽群优化算法在安全范围内寻找下一目标最优位置。此外，还引入了搜索树，可实现死角的检测与避免。仿真结果显示:所提避障算法能提高路径规划的性能，在障碍物分布稀松时效果更加明显，且可实现死角检测并能通过狭长通道。      

基于机器学习方法的三维粒子重构技术

通过三维粒子重构获取粒子场的分布情况是层析粒子图像测速的关键步骤，有限二维投影下的三维粒子重构是一个欠定的反问题，其精确解往往很难得到。一般情况下，可以通过优化方法得到近似解。为了获取质量更高的粒子场并用于层析粒子图像测速，提出了一种基于卷积神经网络（Convolutional Neural Networks，CNN）的粒子重构方法。所提出的技术可以从基于传统的代数重构技术（Algebraic Reconstruction Technique，ART）的方法所得到的粗略粒子分布中进一步提高粒子重构质量。与现有的基于ART的算法相比，新技术在重构质量方面有了显著的改进，可以有效剔除虚假粒子并更准确地还原粒子形状，并且在粒子浓度较稠密的情况下计算速度至少快了一个数量级。     

机载托架自动校准系统的设计与实现

为了解决机载托架传统校准方法精度低、耗时、费力等问题,设计了一种高精度、高效率并且操作简单的成品托架自动校准系统。该系统运用调平精度较高的"循环多次"最高点不动调平方法,建立高精度机载托架校准的静力学数学模型,运用VC与Matlab的COM接口编程技术开发机载托架自动校准系统,并建立良好的人机交互界面。试验结果表明,利用该方法对机载托架进行校准,无论是校准精度还是校准效率都较传统方法有很大提高。     

GEO-UAV空天双基SAR二维分辨能力分析

收发平台分置于地球同步轨道（GEO）和无人机（UAV）的GEO-UAV空天双基合成孔径雷达（SAR）系统能够实现对重点观测区域高精度、高时相的观测，二维分辨能力为其重要的系统指标。针对GEO-UAV空天双基SAR的二维分辨能力进行了分析:首先，基于梯度法给出了空天双基SAR矢量化的二维分辨率的计算方法；其次，基于GEO-UAV空天双基SAR的构型计算了其距离分辨率、方位分辨率以及二维分辨矢量夹角；最后，基于系统的二维分辨能力提出了GEO-UAV空天双基SAR的构型设计准则，通过点目标仿真对该准则的有效性进行了验证。所提设计准则能够为GEO-UAV空天双基SAR的系统设计提供有力支撑。      

基于深度神经网络的粒子图像测速算法

粒子图像测速(PIV)作为一种流体力学实验技术,能够从流体图像中获取全局、定量的速度场信息。随着人工智能技术的发展,设计用于粒子图像测速的深度学习技术具有广泛的应用前景和研究价值。借鉴在计算机视觉领域用于运动估计的光流神经网络,采用人工合成的粒子图像数据集进行监督学习训练,从而获得适用于流体运动估计的深度神经网络模型,并且能够高效地提供单像素级别分辨率的速度场。文中采用人工合成的湍流流场粒子图像进行初步实验评估,并讨论PIV神经网络的隐藏层输出和内在原理,同时将训练而成的深度神经网络模型与传统的相关分析法、光流法对比;随后进行射流流场测速实验,验证深度神经网络PIV的实用性。实验结果表明,文中提出的基于深度神经网络的粒子图像测速在精度、分辨率、计算效率上具有优势。     

基于卷积门控循环网络的滚动轴承故障诊断

针对许多基于深度学习的滚动轴承故障诊断方法在小样本数据集下诊断性能下降的问题,提出一种基于卷积门控循环神经网络的轴承故障诊断模型。该模型使用两层的卷积网络来从输入信号中提取特征,同时使用tanh函数作为激活函数,且池化层使用大池化核来进行重叠下采样。将所提取得到的高层特征连接到双向门控循环网络。合并循环网络正向和逆向的最后一个状态,并连接一层全连接层进行输出。选用凯斯西储大学的轴承故障数据集来验证模型在小样本数据集下的诊断性能,实验结果表明,相比于其他类型的模型,该模型在仅有20个训练样本的情况下依然保持97%的识别准确率。      

基于3D-Winograd的快速卷积算法设计及FPGA实现

近年来，卷积神经网络（CNN）已被计算机视觉任务广泛采用。由于FPGA的高性能、能效和可重新配置性，已被认为是最有前途的CNN硬件加速器，但是受FPGA计算能力、存储资源的限制，基于传统Winograd算法计算三维卷积的FPGA解决方案性能还有提升的空间。首先，研究了适用于三维运算的Winograd算法一维展开过程；然后，通过增加一次性输入特征图和卷积块的维度大小、低比特量化权重和输入数据等方法改善CNN在FPGA上的运行性能。优化思路包括使用移位代替部分除法的方法、分tile方案、二维到三维扩展及低比特量化等4个部分。相对传统的二维Winograd算法，优化算法每个卷积层的时钟周期数减少了7倍左右，相较传统滑窗卷积算法平均每个卷积层减少7倍左右。通过研究，证明了基于一维展开的3D-Winograd算法可以大大减少运算复杂度，并改善在FPGA运行CNN的性能。