平稳随机载荷的信号特征提取与深度神经网络识别

针对线性时不变结构的平稳随机载荷识别问题,从结构的动力学响应求解原理出发,利用小波变换对于信号特征的提取能力与长短期记忆神经网络（LSTM）对于序列问题的强大建模与映射能力,提出了一种针对平稳随机载荷的特征信号识别方法,通过对作用于三自由度振动系统数值模型上的平稳随机动载荷识别,证明了方法的可行性。对一个受2点平稳随机载荷作用的加筋壁板结构模型进行动载荷识别实验,结果表明,用提出的方法识别的动载荷均方根相对误差均小于5%,该动载荷识别方法具有良好的识别能力。     

基于眼电技术的人机交互系统

设计实现了一套基于眼电技术的人机交互系统，利用眼电图信号来检测人眼的运动状态及眨眼情况，使用者可以利用眼球运动的八个方向（上、下、左、右、左上、左下、右上、右下）及有意识眨眼来进行人机交互作用，以控制外部设备，同时根据载人航天器的实际需要方便、规范地扩展到各种空间应用中。     

基于GASVM-HMM算法的飞行员操控意图识别

针对传统意图识别方法的识别单一性和实时性差的问题,提出基于GASVM-HMM算法的飞行员操控意图识别方法。20名被试者在A320飞行模拟器上进行测试,采集飞行过程中飞行员与显示屏和控制装置的交互动作数据,并建立操控意图数据集。方法将GA与SVM算法结合进行优化,提高识别的精度,并将GASVM层的输出转化为概率作为HMM层的输入值,进一步提高整体意图识别模型的准确性。与传统的算法进行对比后发现,GASVM-HMM算法的准确率较高,达到92.92%。最后进行实时验证,证明了算法的有效性。     

基于眼动的战机座舱人机交互方法

为提高战机座舱的人机交互效率、降低飞行员任务负荷,实现战机作战效能的提升,通过分析战机座舱人机交互方式的变革,明确了眼动交互在战机座舱场景下的优势,设计了基于眼动的战机座舱人机交互系统,提出了眼动交互与座舱现有交互方式的融合逻辑,对未来战机座舱人机交互设计提供支撑,助力飞行员向战术决策者的身份转变。     

一种基于肤色和脸部特征的人脸特征点检测算法

人脸检测通常是人机系统中人机交互的第一步,像人机系统中基于人体特征的用户身份识别,计算机对用户感情和意图的理解等.本文提出了一种用于办公室环境下的彩色图像中人脸检测算法.基于一种新的肤色检测算法,对图像进行肤色区域检测.算法通过构建眼,嘴模板来进行人脸的校验.实验结果表明,该算法可以实现在图像中出现照明,人脸表情,尺度较大范围变化情况下的人脸检测.     

一种面向舱外活动的视觉感知启发的手势识别方法

针对航天员出舱作业(EVA)时的人机交互需求,结合着舱外服手套后手部动作的工效学分析,提出了一种结合眼动仪和手势识别技术的航天员目标选取方案,使航天员真正达到"解放双手"的目的。该方案采用眼动仪获取航天员"感兴趣目标区域"的位置信息,利用摄像头捕获航天员手势动作,并基于稀疏滤波的特征提取方法和神经网络分类器对手势进行识别,根据预定义的目标选取指令实现交互功能。试验结果表明,手势识别算法的识别率可达到95%以上,为后期将该交互系统集成到航天服中提供了原型依据。     

面向舱外航天服的眼动交互技术研究

针对现有舱外航天服人机交互方式较为单一的问题,提出了一种利用头戴式增强现实显示技术与头戴式眼动仪相结合的眼动交互方法。使用目前已成熟的瞳孔角膜反射法实现了视线跟踪;设计了基于注视停留时间触发和长眼跳触发的眼动交互模式,实现了在增强现实显示界面的眼动人机交互。可用性评估结果表明该技术能够实现人眼注视方向的准确估计,具有对测试者侵扰程度低、眼控触发灵敏高效的优点,可有效提高航天员出舱活动任务的工作效率。     

基于证据网络因果分析的空中目标意图识别

目标意图及时准确的估计对战场指挥决策具有重要的影响。考虑到战场环境复杂多变,其检测数据、信息、知识具有较高的随机性和认知不确定性,本文面向目标意图知识推理,基于结构因果模型,利用证据网络在不确定性处理方面的推理优势,提出了一种基于证据网络因果效应分析的空中目标意图识别方法。该方法通过d-分离检验构建兼容信息特性与意图多样性的因果证据网络模型,使模型同时考虑领域知识和数据间的条件独立关系,并将认知不确定性内嵌于推理引擎中,推理实现不确定战场环境下空中目标意图估计。此外,基于提出的因果证据网络模型和干预算子计算目标意图与属性之间的因果效应,挖掘目标意图估计蕴含的因果逻辑关系。仿真分析表明：本文提出的方法能够同时处理随机不确定性与认知不确定性,克服了传统意图识别方法缺乏因果分析的缺陷,是对目标意图和战场态势要素的深层次认知,实现了意图识别的“由果溯因”和“由因识果”。     

面向月面探测的空间机器人-航天员手势交互方法的研究

针对月面探测机器人-航天员手势交互的问题,以航天员助手机器人(AAR-2)为实验平台,运用卷积神经网络模型,提出了一种静态手势识别方法。采用该方法对设计的8种空间人机交互手势进行了手势识别试验,并将试验结果与单通道的CNN等方法的结果进行对比,证明了该方法能在一定程度上提高静态手势识别率,识别准确率达到93.3%。并自制了一套小型空间人机交互的手势数据集,用以补充该方法在月面探测的实际任务中的不足。     

机载探测设备目标识别算法的研究

针对机载探测设备多传感器系统具有多目标,大量观测数据的特点,提出了一种基于Demp-ster-Shafer（D-S）证据理论和主观Bayesian方法组合的数据融合算法。在数据融合过程中,为保证融合的实时性,融合系统采用时域融合和空域融合相结合的方法,首先对相同传感器的各次抽样值进行时域融合,然后传感器之间的融合采用D-S方法进行融合;最后,其融合结果经概率转化后,与来自于ELINT（Electronic Intelligence）的信息通过主观Bayesian方法进行识别级融合。最后给出一个实例,经过仿真计算证明了该算法的可行性和实用性。     

STABC-IR: An air target intention recognition method based on bidirectional gated recurrent unit and conditional random field with space-time attention mechanism

The battlefield environment is changing rapidly, and fast and accurate identification of the tactical intention of enemy targets is an important condition for gaining a decision-making advantage. The current Intention Recognition (IR) method for air targets has shortcomings in temporality, interpretability and back-and-forth dependency of intentions. To address these problems, this paper designs a novel air target intention recognition method named STABC-IR, which is based on Bidirectional Gated Recurrent Unit (BiGRU) and Conditional Random Field (CRF) with Space-Time Attention mechanism (STA). First, the problem of intention recognition of air targets is described and analyzed in detail. Then, a temporal network based on BiGRU is constructed to achieve the temporal requirement. Subsequently, STA is proposed to focus on the key parts of the features and timing information to meet certain interpretability requirements while strengthening the timing requirements. Finally, an intention transformation network based on CRF is proposed to solve the back-and-forth dependency and transformation problem by jointly modeling the tactical intention of the target at each moment. The experimental results show that the recognition accuracy of the jointly trained STABC-IR model can reach 95.7%, which is higher than other latest intention recognition methods. STABC-IR solves the problem of intention transformation for the first time and considers both temporality and interpretability, which is important for improving the tactical intention recognition capability and has reference value for the construction of command and control auxiliary decision-making system.     

面向飞行员疲劳状态监测的脑认知深度模型研究

通过分析飞行员脑电信号，构建了疲劳状态的彩色脑功率图，设计基于高斯牛顿在线变分方法的卷 积神经网络参数优化方法，形成一种新型脑功率图深度网络模型，有效实现脑功率图深度网络的模型分类识别 能力。相比于其它基于脑电信号的疲劳检测深度模型，疲劳状态认知的准确度提升了3%~5%。     

民机复合材料目视检查中的眼动与疲劳检测

疲劳是导致民机复合材料结构目视检查差错的重要诱因，疲劳检测对于减少人的差错，保障飞行安全具有重要意义。对基于眼动行为的疲劳度量与检测方法进行了研究，建立了民机复合材料结构目视检查实验场景，利用Tobii眼动仪提取了正常状态和疲劳状态下的目视检查眼动数据，分析了瞳孔直径、平均注视时间、平均注视频率、平均眼跳时间、平均眼跳频率、注视热点与轨迹和扫视速度等眼动行为与疲劳的关系，进而提取了能表征疲劳的瞳孔直径、平均注视时间和扫视速度3种眼动指标，以该指标构建特征向量，利用支持向量机（SVM）方法构建了目视检查疲劳检测模型。研究发现疲劳状态下的目视检查平均注视时间更长，扫视速度更慢、瞳孔直径减小，右瞳孔减小程度更大，核函数为径向基函数和高斯函数的SVM方法对疲劳的检测效果好。研究结果表明，利用SVM方法训练由瞳孔直径、平均注视时间和扫视速度构成的眼动特征向量能有效检测目视检查中的疲劳状态。     

基于深度神经网络的空中目标作战意图识别

传统基于空中目标特征状态推理作战意图的方法,需要大量的领域专家知识对特征状态的权重、先验概率等进行量化,明确特征状态与意图之间的对应关系,而神经网络可以在领域专家知识不足条件下,通过自身训练得到特征状态与意图之间的规则。针对反向传播（BP）算法在更新网络节点权值时收敛速度慢、容易陷入局部最优的问题,通过引入ReLU（Rectified Linear Unit）激活函数和自适应矩估计（Adam）优化算法,设计了基于深度神经网络的作战意图识别模型,提高了模型收敛速度,有效地防止陷入局部最优。仿真结果表明,所提方法能够有效识别空中目标作战意图,获得更高的识别率。     

眼动测量系统及其在工效学中的应用

 首先回顾了眼动测量系统的研究发展历程;其次通过对眼动的基本形式、特点的分析,以及双眼运动的规律研究,对眼动测量方法的具体优缺点进行了对比,并重点对红外电视法眼动测量系统(Infrared TVEMMS)及其组成部分的基本原理进行了探讨;最后对眼动测量系统在工效学方面的应用前景进行了分析。     

通信信号调制识别综述

随着频谱信息资源愈发紧张,信号的调制处理方式也愈发多样化.由于通信信号的调制识别广泛应用于民用和军用领域,所以,对调制方式进行识别的研究具有极其重要的意义与战术价值.首先,根据大量文献,对基于最大似然函数和特征提取的经典调制识别方法进行了系统地梳理;其次,从常用数据集、深度神经网络结构和现有识别算法等方面,着重介绍了深...     

负荷条件下注意力分配策略对情境意识的影响

为探究负荷条件下不同注意力分配策略对情境意识（SA）的影响，招募22名被试开展了3种注意力分配策略（平均分配、主次分配、多级分配）×2种脑力负荷（低负荷、高负荷）条件下的被试内双因素设计的实验任务，记录情境意识全面测量技术（SAGAT）、行为绩效、眼动和脑电（EEG）指标为因变量。实验结果表明，在不同脑力负荷下，相较于多级注意力分配策略和主次注意力分配策略，平均注意力分配策略的SAGAT得分和绩效正确率均更低、最小近邻指数（NNI）更大；在高脑力负荷下，相较于多级注意力分配策略，主次注意力分配策略的SAGAT得分更高、绩效反应时间更短并且NNI值更低；SAGAT得分与平均注视时间、NNI、θ相对功率和α相对功率均存在显著低度相关。本研究结果提示，在不同脑力负荷条件下，采用平均注意力分配策略可能导致作业人员的注意力更为分散，从而产生更差的工作绩效和更低的SA水平；而在高脑力负荷条件下，相比于多级注意力分配策略，主次注意力分配策略更有助于作业人员提取关键信息并维持更好的SA水平，但同时可能存在SA丧失的风险；眼动的平均注视时间和NNI指标以及EEG的θ和α相对功率指标具有较好的表征SA的潜力。     

Large-scale real-world radio signal recognition with deep learning

In the past ten years, many high-quality datasets have been released to support the rapid development of deep learning in the fields of computer vision, voice, and natural language processing. Nowadays, deep learning has become a key research component of the Sixth-Generation wireless systems (6G) with numerous regulatory and defense applications. In order to facilitate the application of deep learning in radio signal recognition, in this work, a large-scale real-world radio signal dataset is created based on a special aeronautical monitoring system - Automatic Dependent Surveillance-Broadcast (ADS-B). This paper makes two main contributions. First, an automatic data collection and labeling system is designed to capture over-the-air ADS-B signals in the open and real-world scenario without human participation. Through data cleaning and sorting, a high-quality dataset of ADS-B signals is created for radio signal recognition. Second, we conduct an in-depth study on the performance of deep learning models using the new dataset, as well as comparison with a recognition benchmark using machine learning and deep learning methods. Finally, we conclude this paper with a discussion of open problems in this area.     

视频序列中的人脸检测算法

根据视频序列的特性,首先采用背景差分法提取视频中的运动区域,之后对检测的运动区域采用对数扩展的方式调整光照的影响。采用基于YCbCr颜色空间的肤色模型进行检测得到人脸候选区域,并采用一定的阈值去除小的非人脸的区域,再通过在人脸候选区域检测眼睛位置,利用人脸几何特征精确定位人脸。实验表明,该方法提高了检测速度,降低了误检率,可以应用在视频监控等实时系统中。