基于传递矩阵法的柔性杠杆放大机构刚度分析

刚度是影响柔性微动机构动态性能和定位精度的重要指标。将工程中的传递矩阵概念引入到刚度分析中,首先根据结构特点将柔性微动机构模块化并将各子单元视为柔性体,全面考虑其轴向、剪切和弯曲等变形,求解各子单元柔性体的传递矩阵,然后通过传递矩阵将各子单元组合,最后根据力平衡建立柔性微动机构输入力和输出位移之间的关系模型。研究结果表明,传递矩阵法由于考虑了各单元的多维度真实变形,因此保证了结果的高精度。同时分析过程不需要求解刚柔单元变形协调方程,而且避免了微动机构全局坐标系的转换,减少了分析计算量。最后应用该方法建立了一种柔性杠杆放大微动机构的刚度模型,与有限元分析结果的对比误差小于6.4%,有效提高了分析精度,为参数设计提供了重要理论依据。     

多斜率自适应卷积神经网络激活函数

针对卷积神经网络中激活函数无法有效为处于不同激活程度的像素点提供特定梯度响应的问题,设计了一种由多个分段线性函数组成的自适应激活函数.首先依据像素激活值的取值范围,自适应地生成多个独立的激活域,各个激活域的并集包含激活图中全体像素点的激活值;随后在每个激活域中学习一个特定的线性函数,为处于该激活域中的像素点提供特定的梯度响应;最后以NIN网络和ResNet18网络为例,在CIFAR 10和CIFAR 100数据集上,验证所提激活函数的性能.实验结果表明,与现有激活函数相比,本文提出的激活函数,由于能够更好地为处于不同激活程度的像素点提供适当的梯度响应,使分类准确率在NIN网络上分别达到87.96%和69.01%,在ResNet18网络上分别达到88.56%和73.54%.     

基于单胞有限元的波纹板等效刚度特性

为了得到波纹板的宏观刚度特性及其与表面形貌结构参数的关系,基于单胞有限元的方法对波纹板的等效刚度特性进行了研究。首先,基于单胞有限元的周期性边界条件,计算了具有周期性排布特点的波纹板的等效刚度;然后,计算了典型形貌波纹板的等效刚度特性,并进行了分析和验证;最后,运用单胞有限元的方法分析了波纹板结构参数对等效刚度特性的影响。分析结果表明：采用单胞有限元的方法可以有效计算波纹板的等效刚度;波纹板相较于基础薄板具有更高的弯曲刚度,但拉伸刚度和剪切刚度较低。当基础薄板厚度固定时,随着波纹板相对厚度的增加,拉伸刚度和剪切刚度降低,弯曲刚度升高;随着波纹板波纹相对周期间距的增加,拉伸刚度和剪切刚度升高,弯曲刚度降低。     

基于卷积神经网络的星载粒子鉴别平台及应用

空间辐射粒子的准确鉴别对科研和工程应用至关重要。现有的粒子鉴别方法,包括探测器望远镜法、静电分析飞行时间法、飞行时间能量法及波形分析能量法,已经在实际应用中取得了良好的效果。结合卷积神经网络(CNN)强大的特征提取与分类能力,有望进一步提升粒子能量测量和种类鉴别的精度。基于空间环境探测载荷常用环境,提出一种用于构建在轨CNN粒子鉴别平台的方法,实现粒子种类鉴别。构建了多维度的输入数据集,借助软件平台完成模型的训练与权值的导出,并通过硬件平台完成波形的推断与数据集的扩充。利用建立好的鉴别平台对实际测试得到的中子和伽马波形数据进行训练和测试,并分析软硬件平台鉴别的准确度,完成了平台的验证工作。鉴别平台的建立和应用为未来空间环境探测中粒子测量和鉴别提供了一种新的思路和方法,具有较强的工程实践意义。     

考虑单元界面关联特性的微定位平台刚度建模

设计了一种含折叠梁的并联微定位平台,具有大行程、低阻力的特点。采用传递矩阵法求解其刚度,建立各柔性子单元的传递矩阵,利用相邻单元公共结点实现传递性,通过力平衡方程、变形协调方程求解其末端位移与输入力之间的刚度矩阵,并提出了考虑全柔性的弹性折叠梁及弹性移动副刚度的求解方法。将传递矩阵法求解结果与有限元分析结果对比,误差在20.5%以内,在此基础上,考虑到模块化刚度分析方法将各子单元视为独立体,忽略各子单元之间的界面关联特性,提出了一种根据各子单元界面关联特性进行修正的方法,结果表明,该方法使其误差降低到10%以内,更好地满足了实际工程需求。     

卷积神经网络卫星信号自动调制识别算法

自动调制识别是空间认知通信系统的关键技术,有助于实现自适应信号解调。深度神经网络虽然具有特征提取能力强的优势,但也存在参数众多、计算量大的问题,难以实现空间在轨应用。针对以上问题,提出了一种轻量化、高性能的卷积神经网络结构。网络先提取信号的同相正交相关特征,再提取时域特征,最后提取各通道特征均值进行分类。对11种调制方式分类的实验结果表明:当信噪比高于0 dB时,平均识别准确率能达到86.94%,较传统的高阶累积量的方法提高了31.54%;与目前高识别准确率的深度神经网络模型相比,仅使用不到10%的模型参数,在树莓派4B上计算速度平均提高了20倍。      

基于迁移学习的卷积神经网络SAR图像目标识别

针对卷积神经网络中因网络参数随机初始化和参数过多导致的收敛速度慢及过拟合的问题,提出了一种基于迁移学习监督式预训练的卷积神经网络。首先,引入迁移学习的思想,采用小规模数据集作为源域的训练样本,针对源域中源任务进行监督式训练得到预训练模型;然后,构建一个多层的卷积神经网络作为目标域中目标任务的待训练网络,将源域中获得的预训练模型作为该网络的初始参数,大规模数据作为目标域的训练样本进行网络的微调,通过这种基于特征选择的迁移学习,实现源域到目标域的特征信息迁移;针对卷积神经网络中全连接层参数过多的问题,采用卷积层替代全连接层。试验使用美国国防高等研究计划署的移动与静止目标搜索识别（Moving and Stationary Target Acquisition and Recognition,MSTAR）数据集中三类目标数据作为源域样本,十类目标数据作为目标域样本,结果表明该算法的十类目标识别精度达到了99.13%,且具有更快的误差收敛速度。     

基于一维残差卷积神经网络的Pi2脉动识别模型

Pi2脉动是一种不规则的超低频波(Ultra-Low Frequency, ULF), 是磁层与电离层耦合的重要瞬态响应, 其发生与亚暴爆发有密切的关系. Pi2脉动作为地球磁层中的一种扰动现象, 其发生信号隐藏在地磁场分量观测数据中. 面对持续增长的观测数据量, 如何有效地判断某段地磁场分量观测数据中是否有Pi2脉动发生, 是构建Pi2脉动识别模型的关键. 利用子午工程磁通门磁力仪观测的地磁场分量数据, 基于一维残差卷积神经网络(One-Dimensional Residual Convolutional Neural Network, 1D-ResCNN), 构建了一个端到端的Pi2脉动识别模型, 用于判别某段地磁场分量观测数据中是否有Pi2脉动发生. 实验结果表明, 该模型与现有公开发表的Pi2脉动机器学习识别模型相比, 具有更高的识别准确率和更低的虚报率、漏报率.     

基于卷积神经网络的遥感图像舰船目标检测

针对遥感图像背景复杂、受环境因素影响大的问题,提出一种将卷积神经网络(CNN)与支持向量机(SVM)相结合的舰船目标检测方法,利用卷积神经网络可自主提取图像特征并进行学习的优点,避免了复杂的特征选择和提取过程,在复杂海况背景图像的处理中体现出较优的性能;同时,由于军舰样本获取难度大,应用迁移学习的概念,利用大量民船样本辅助军舰目标的检测,取得较好的效果。通过参数调整与实验验证,此方法在自行建立的测试集上检测率达到90.59%,对光照、环境等外界因素具有一定程度的鲁棒性。