基于循环神经网络的卫星姿态执行器故障诊断

针对卫星姿态控制系统执行器机构故障问题,提出了一种基于循环神经网络的故障诊断方法.对卫星姿态控制系统建模,进行故障分析并采集星敏感器和角速度陀螺的连续时刻故障数据.设计六种异构的循环神经网络,对故障数据进行故障诊断和分类,分别从网络深度、反馈单元、激活函数和训练算法对比网络效果.带有门循环单元的(gate recurr...     

基于三元组网络的单图三维模型检索

随着媒体数据的多样化发展,联合图像与三维模型的跨域检索成为三维模型检索问题的一个新挑战。针对图像与三维模型差异大、难匹配问题,提出了一种基于三元组网络的跨域数据检索方法。以端到端的方式构建真实图像与三维模型的特征联合嵌入空间,通过特征间的距离度量不同模态数据之间的相似性,实现从单张图像检索相似的三维模型。为了提高跨域检索准确度,将三维模型用一组顺序视图表示,结合门控循环单元（GRU）聚合视图级特征,同时引入注意力机制提取图像特征,缩小真实图像与投影视图间的语义差异。实验结果表明:相比于同类方法,所提方法在两个跨域数据集上的检索平均准确率至少提升2.98%~3.05%。      

基于深层循环神经网络的陀螺仪降噪方法研究

陀螺仪固有的随机误差会随时间积累越来越大,循环神经网络作为一种有效处理时间序列信号的算法被广泛使用,然而传统的循环神经网络在处理陀螺仪产生的随机误差上无法解决长期依赖,容易出现梯度消失和梯度爆炸问题.为了获得精确的陀螺仪信号,本文基于循环神经网络变体的长短记忆网络和门循环单元的陀螺仪信号降噪算法,并创新性的将两种网络进行组合验证.文中先是通过Allan方差对陀螺仪随机误差进行误差分析,然后基于LSTM和GRU组合对陀螺仪输出信号进行补偿处理,结果表明LSTM结合GRU对陀螺仪的随机误差处理有明显改善,其中X、Y、Z轴方向陀螺仪的量化噪音、角度随机游走、零偏不稳定性、角速度游走和速度斜坡性能均有不同程度的提升.     

基于HPI的神经网络图像匹配多处理机系统

针对嵌入式图像匹配计算特点,采用TMS320C6X系列处理器作为并行神经处理单元,设计了 一种基于TMS320C6X系列处理器HPI(Host-Port-Interface)互连的神经网络图像匹配多处理机系统,在这种并行计算系统中,包括一个主控计算单元和三个并行神经计算单元,主控计算单元通过HPI接口与各个神经匹配处理单元直接连接,通过HPI接口,主控计算单元可以直接访问各个神经元的片上和片外存储器,实现实时图像数据的直接转发和神经元中间运算结果的读取.理论分析表明,该设计可有效优化神经计算结构,提高图像匹配的实时性.      

基于LSTM循环神经网络的故障时间序列预测

有效地预测使用阶段的故障数据对于合理制定可靠性计划以及开展可靠性维护活动等具有重要的指导意义。从复杂系统的历史故障数据出发,提出了一种基于长短期记忆（LSTM）循环神经网络的故障时间序列预测方法,包括网络结构设计、网络训练和预测过程实现算法等,进一步以预测误差最小为目标,提出了一种基于多层网格搜索的LSTM预测模型参数优选算法,通过与多种典型时间序列预测模型的实验对比,验证了所提出的LSTM预测模型及其参数优选算法在故障时间序列分析中具有很强的适用性和更高的准确性。      

基于视频帧间运动估计的无人机图像车辆检测

基于人工智能(AI)芯片搭建轻量化深度神经网络,可以在无人机(UAV)机载端实现视频中车辆目标的自动检测,具有重要的应用前景。为此,提出了一种针对无人机图像车辆目标的检测方法,并在AI芯片上进行部署与测试。方法具体包括:结合无人机图像中车辆目标的尺寸范围,对MobileNet-SSD网络进行裁剪,构建轻量化单帧图像检测器;为解决小目标特性在轻量网络框架下引发的检测性能下降问题,引入帧间运动矢量估计,根据相邻帧信息辅助预测当前帧丢失目标的位置范围,并利用检测结果进行修正,实现丢失目标的再召回。通过对多个数据集进行融合与自动补充标注,搭建了一个高质量的无人机图像车辆目标数据集;同时将方法在基于RK3399芯片计算的嵌入式开发平台上进行实验验证,结果表明:搭建的网络能够显著减少存储资源占用,具有轻量化的特点;同时相比于单帧检测法,引入视频帧间运动估计方法可以有效提高检测精度,并在AI芯片上实现125.3 ms/帧的检测速度。      

基于ADRC和RBF神经网络的MSCSG控制系统设计

为了克服外部扰动突变对磁悬浮转子悬浮稳定度和磁悬浮控制敏感陀螺（MSCSG）输出力矩精度的影响,提出了一种基于自抗扰控制器（ADRC）和径向基函数（RBF）神经网络相结合的MSCSG径向偏转控制方法。阐明了ADRC参数对MSCSG控制效果的影响,通过优化设计ADRC,并将RBF神经网络和ADRC结合运用,实现对控制器参数的实时调试,从而克服外界扰动突变的影响。仿真证明所提方法相较于单ADRC控制,不仅改善了解耦控制精度,而且提高了系统对外部扰动和参数变化的响应速度和鲁棒性,可应用于MSCSG的高精度、快响应、强鲁棒控制。      

基于神经网络的多卫星姿态协同控制预测模型

摘要： 针对多卫星近距离对空间目标监测中的姿态协同控制问题,研究基于神经网络的智能控制模型.首先设计了面向任意姿态控制方法的神经网络自适应控制模型,该模型不改变卫星姿态控制方法本身,而是接收由理想控制模型生成的理想控制量,理想控制量经过神经网络后直接生成适用于卫星的控制量.根据神经网络对控制系统的系统级状态预测,基于一致性控制协议,设计了多卫星姿态协同控制模型.采用等效姿态角,通过数值仿真,分别验证了预测控制方法、输出状态预测、协同控制的方法正确性和有效性.     

基于DSP的飞机全电刹车模糊神经网络控制系统

介绍了一种基于DSP的飞机全电刹车模糊神经网络控制系统 ,此系统以电作动器取代液压机构。由于不使用液压机构使得系统更加安全 ,同时刹车效率也有所提高。仿真及试验结果显示该系统具有良好的性能 ,达到了设计要求。     

Equatorial predictions from a new neural network based global foF2 model

A new neural network (NN) based global empirical model for the foF2 parameter, which represents the peak ionospheric electron density, has been developed using extended temporal and spatial geophysical relevant inputs. It has been proposed that this new model be considered as a suitable replacement for the International Union of Radio Science (URSI) and International Radio Consultative Committee (CCIR) model options currently used within the International Reference Ionosphere (IRI) model for the purpose of F2 peak electron density predictions. The most recent version of the model has incorporated data from 135 global ionospheric stations including a number of equatorial stations.     

基于神经网络的电磁干扰的预测

提出了一种应用神经网络预测电磁干扰的方法.针对遗传算法总体搜索能力较强但容易陷入局部最优,而模拟退火算法具有较强的局部搜索能力,又能避免搜索陷入局部最优解的特点,将模拟退火算法与遗传算法相结合,优化多层前馈(BP, Back Propagation)神经网络,获取最优的权值和阈值,并采用模拟退火的思想确定隐含层神经元的个数,进而建立基于神经网络的电磁干扰预测模型.以双平行导线间的电磁干扰问题为实例,明确干扰要素,建立训练样本和测试样本,对比期望输出和预测输出之间的误差,结果表明该方法可以准确有效地进行电磁干扰预测.     

基于神经网络的电磁干扰的预测

提出了一种应用神经网络预测电磁干扰的方法.针对遗传算法总体搜索能力较强但容易陷入局部最优,而模拟退火算法具有较强的局部搜索能力,又能避免搜索陷入局部最优解的特点,将模拟退火算法与遗传算法相结合,优化多层前馈(BP,Back Propagation)神经网络,获取最优的权值和阈值,并采用模拟退火的思想确定隐含层神经元的个数,进而建立基于神经网络的电磁干扰预测模型.以双平行导线间的电磁干扰问题为实例,明确干扰要素,建立训练样本和测试样本,对比期望输出和预测输出之间的误差,结果表明该方法可以准确有效地进行电磁干扰预测.     

基于BP神经网络技术的电离层VTEC融合

随着电离层探测技术的不断发展,电离层观测资料也越来越多,只使用单一的观测资料会出现电离层反演精度不高的问题。为了提高电离层的反演精度,使用BP神经网络技术将地基反演和国际参考电离层(international reference ionosphere,IRI)模型的垂直总电子含量(vertical total electron content,VTEC)数据进行有效融合。在温带地区[35°(N)～45°(N),60°(E)～80°(E)]进行电离层反演试验,结果表明基于BP神经网络技术的电离层数据融合和地基反演获得的电离层VTEC精度都比较高,但是基于BP神经网络的电离层数据融合反演精度比地基反演更高,所以基于BP神经网络技术的数据融合能够提高电离层的反演精度。     

基于深度神经网络的像素级别可见光图像配准

现有图像配准算法中,借助图像采集设备参数的方法存在硬件内参难以获得或精度不够的问题,采用匹配图像特征计算图像单应性的方法存在对场景深度信息利用不全的问题。针对这一现象,提出了结合可见光图像与其深度信息来生成更具有真实性的配准图像对数据,用以训练得到一个可以进行像素级别图像配准的深度神经网络PIR-Net。建立了一个大规模、多视角、超仿真的图像配准数据集:多视角配准(MVR)数据集,该数据集包含7 240对含有深度信息的待配准图像及其像素级别的坐标对准真值;基于编码器-解码器的深度神经网络结构,训练得到一个能以全分辨率形式对2幅输入图像之间的坐标变化矩阵进行重建的PIR-Net。通过实验验证了PIR-Net能够在未知相机内参的情况下实现不同视角的可见光图像配准,并比传统算法具有更高的配准精度。在MVR数据集上,PIR-Net的配准误差仅为通用的特征匹配对准算法(SIFT+RANSAC)的18%,同时减少了30%的时间消耗。      

基于ICA和BP神经网络相结合的掌纹识别

提出了一种基于独立成分分析(ICA,Independent Comment Analysis)和多层前馈(BP,Back Propagation)神经网络相结合的方法对掌纹进行识别.首先采用一种新的方法检测角点,得到掌纹图像的不变特征点,根据这些点校正掌纹方向并得到掌纹的感兴趣区域.对该区域采用定点快速ICA算法(FastICA),得到掌纹特征子空间,然后构建BP神经网络,并采用训练样本得到的掌纹特征进行训练,得到合适的权值.对香港理工大学掌纹数据库进行测试,与主成分分析(PCA,Principal Components Analysis)提取特征的方法进行比较,取得了较高的识别率.      

基于小波的网络连接层流量模型

最近研究表明网络流量的统计特性在不同尺度上表现出很大的差异,由大量具有高斯性的网络流量和少量的突发性网络流量组成.为了更好地理解这种复杂的网络流量统计特性,引入多尺度分析工具小波,在多尺度分析的基础上提出一种新的基于小波的网络连接层流量模型,有机地结合了独立小波模型和多重分形小波模型的优点,即保持了独立小波模型在不同尺度对高斯性方差的拟合,同时保持了多重分形小波模型对突发性的拟合.真实网络流量的仿真结果表明这个模型能够灵活地适应网络流量在不同尺度下所表现出的高斯特性和突发行为.     

多项式基函数神经网络的结构可靠性分析

研究了多项式基函数神经网络法的结构可靠性计算.当结构的极限状态函数复杂,非线性程度较高,功能函数为隐式时,传统的结构可靠度分析方法计算困难,多项式基函数神经网络法为解决结构可靠性分析提供了一种新方法.基于多项式逼近理论,利用神经网络模拟逼近能力,将多输入多项式作为网络的激励函数,利用激励函数的广义逆矩阵形式计算网络隐层与输出层的连接权值,拟合结构的功能函数.利用可靠度的一阶可靠性方法计算结构的失效 概率.通过实例计算,表明了本方法计算精度高,同时公式简单,易于编程,具有通用普遍性.