基于深度卷积神经网络的遥感影像目标检测

随着遥感影像数据规模的快速扩张,如何高效准确地识别遥感影像中的典型目标成为当前的研究热点。为解决传统遥感影像目标检测方法准确率低的问题,用基于深度卷积神经网络进行遥感影像目标检测,在遥感影像数据集上用基于Faster-RCNN的神经网络模型对VGG16卷积网络进行训练,对输入的遥感影像通过区域推荐网络标注出待检目标的包围框和置信度,实现对遥感影像的目标检测。以飞机和油罐为例,在TensorFlow深度学习框架下实现了数据预处理、网络训练、目标检测等功能,并在当前测试数据集上取得了较高的检测准确率和置信度。该研究成果可应用于遥感影像解译和处理等相关领域。     

合成孔径雷达的一种快视实时成像算法

给出一种适于机载 SAR实时成像处理的快视方法 (RQL M)及其实现 ,该算法在方位向上采用非聚焦的处理方法。方位向非聚焦压缩的原始方法是采用一个固定宽度的时域矩形窗对方位向所形成的线性调频信号进行滑动滤波 ,使用简单的加法操作完成方位向非聚焦压缩。但由于矩形窗的旁瓣衰减慢 ,因而在图像中如果高频分布比较多 ,由于相位误差的加大会使图像质量变差。文中采用两个级联的可变宽度矩形窗来形成一个梯形窗 ,使窗函数的频率响应介于矩形窗和三角窗之间 ,可以通过调节两个矩形窗的宽度来调节频率响应的主瓣宽度和旁瓣衰减。从而调节方位向的分辨率、积分旁瓣比 (ISL R)和峰值旁瓣比 (PSL R) ,进而调节成像结果的质量。该算法提供了较好的成像效果和应用的灵活性     

基于卷积神经网络的雷达和通信信号调制识别

雷达和通信信号的调制识别是电子侦察对抗的一项关键技术,通过搜索、截获敌方电子设备发射的电磁辐射信号,经过电子侦察系统分析、识别,从而获取敌方战术、技术特征参数等情报。人工神经网络中的深度学习网络由于具有强大的表征学习能力,可以自动从原始数据中提取出各种复杂的特征。介绍了一种差分自相关预处理结合深度学习进行中频信号调制识别的方法,结合工作的实际需求,对深度学习在信号调制识别中提出了一些展望,如进一步提高在低信噪比下的识别率和研究深度学习调制识别混合架构。     

机载双天线前视SAR系统成像分析

针对机载SAR前视模式与一般正侧视模式存在的明显不同,详细分析了前视SAR的多普勒特性及其方位模糊问题.依据前视SAR的特性,结合波束锐化与RD成像算法,仿真得到了前视SAR的点目标图像,验证了分析的正确性.     

基于深度学习算法的极化合成孔径雷达通用分类器设计

地物分类是PolSAR(极化合成孔径雷达)的重要应用方向。传统算法需要基于特定数据人工选取特征和设计分类器,而深度学习算法能够自行从海量数据中提取层次化特征。在深度学习算法总结的基础上,结合深度学习和PolSAR大数据,提出了一种高效率、高精度的通用分类器设计方法。使用人工标记的数据训练CNN(深度卷积网络),自动化地进行特征学习和提取,并实现高精度的地物自动分类。在具有不同分辨率的机载和星载PolSAR数据上对通用分类器进行测试,都能快速、准确地分类。研究成果可快速将PolSAR数据转译为更直观的地物分类结果,对海量数据,特别是GF-3卫星PolSAR图像的利用有一定的辅助价值。     

基于深度学习的雷达辐射源识别算法

为解决雷达辐射源识别中特征提取困难、低信噪比条件下识别效率低的问题,提出了一种基于一维卷积神经网络和长短期记忆网络的深度学习智能识别算法,构建了一个CNN-LSTM网络,能实现对不同脉内调制方式雷达辐射源的端到端识别.该网络首先利用卷积层学习信号局部特征,然后将卷积层输出的结果输入长短期记忆网络,学习信号的全局特征,最...     

基于卷积神经网络的航天复合材料缺陷智能检测

针对传统的缺陷图像识别处理方式存在着准确度与辨识度不足,且处理缺陷种类单一的问题,提出了一种基于Cascade R-CNN和Mask R-CNN的神经网络模型。首先,为了提高缺陷检测的可视化效果和检测准确度,在实例分割卷积网络Mask R-CNN的基础上,结合级联神经网络Cascade R-CNN结构,组合成了新的级联实例分割Cascade Mask R-CNN网络;其次,对组合而成的级联卷积神经网络进行了训练,将训练好的模型对复合材料缺陷图像进行了检测。实验结果表明:检测的平均准确度达到了91.5%,平均置信度达到了97.3%,达到了检测精度的要求。该研究成果可运用于航天复合材料缺陷识别。     

基于融合伽马变换全卷积神经网络的火星地貌分割方法

为了让火星巡视器在有限的寿命内能获得更多的科学产出,需要提高巡视器在火星表面的自主通过能力,而火星表面地貌类型是评估巡视器可通过性的重要信息。因此,提出了融合伽马变换的全卷积神经网络(FCN)火星表面地貌分割算法。首先,考虑对巡视器通过性的影响,确认地貌分类的类型,基于好奇号拍摄的火星地表图像Mars32K数据库,构建地貌分割数据集;其次,使用自适应伽马变换(AGT)对灰度单一的火星图像进行预处理,减弱了光照等因素干扰;最后,利用数据集训练一个FCN,以实现对火星表面地貌的分割预测。仿真结果表明:网络测试准确率达到83.03%,地形分割预测结果可靠,验证了方法的可行性。     

基于BP神经网络组合导航融合算法

文章针对卡尔曼滤波算法的缺陷,建立了组合导航系统模型,提出了基于BP神经网络修正卡尔曼量噪权值的自适应卡尔曼滤波法,对量测噪声统计特性进行了自适应调整,并与传统卡尔曼算法进行计算机仿真比较。结果表明,基于BP神经网络的卡尔曼滤波器在一定程度上抑制了数据的发散,提高了导航精度。     

一种卷积神经网络非合作目标姿态测量方法

针对空间非合作目标姿态测量问题,提出一种基于卷积神经网络的非合作目标姿态视觉测量方法。该方法先设计特征提取网络并利用公开数据集进行预训练,用少量实际目标图像进行迁移学习,实现非合作目标图像高层抽象特征的自动提取;再设计基于回归模型的姿态映射网络,建立图像高层特征与三轴姿态角之间的非线性关系,实现非合作目标的姿态测量。实验验证了两类特征提取网络测量精度和参数量大小,测量精度可达 0.711° (1σ),表明了“单目相机+卷积神经网络”方法的可行性。     

基于递归模糊神经网络的鲁棒BP算法研究

讨论了一种基于递归模糊神经网络的鲁棒BP算法的实现。该算法采用极大似然法修正传统BP算法的指标函数 ,利用M估计器和自举算法在线估计样本的误差分布 ,适合于动态非线性系统的辨识 ,逼近精度高 ,收敛速度快 ,在小噪声扰动时处于稳定 ,对过失误差有很强的鲁棒性。仿真结果证明了该算法的有效性     

遥感场景分类的批处理协方差神经网络方法

针对卫星遥感图像场景分类数据集中存在的局部区域特征异常问题,提出一种采用批处理协方差层的神经网络(CovNN)模型进行遥感场景分类的方法。该方法通过计算全输入通道的局部区域均值实现一种3D批处理协方差算法,能够有效消除局部区域均值的影响,从而更好地处理局部光照过强和局部区域存在无关特征的问题。将其应用于存在局部光照异常和局部无关特征问题的卫星采集AID数据集和NWPU RESISC45数据集中,实验表明CovNN在两个数据集上均取得了超过现有卷积神经网络(CNN)的召回率,可有效降低图像局部区域特征异常的不利影响。     

基于再励模糊神经网络的三轴稳定卫星姿态智能控制

将再励学习引入模糊神经网络的T-S模型,建立了模糊神经网络控制器和控制评估网络的再励学习算法,并应用于三轴稳定卫星的姿态控制。这种再励模糊神经网络不需要精确的卫星数学模型和学习样本,通过再励学习实现控制网络/评估网络参数的在线调节,具有比较强的适应性和学习能力。仿真结果表明,这种智能控制方法可以有效解决卫星的模型不确定性问题,提高了卫星姿态控制的精度和鲁棒性。     

一种基于模糊神经网络的Speckle图像滤波器

提出一种新的基于模糊神经网络 (FNN)的 Speckle噪声自适应滤波器 ,以实时处理 SAR图像。讨论了模糊神经网络滤波器结构的设计、模糊规则的选取以及采用改进遗传算法进行参数优化的方法 ,最后 ,结合图像处理应用实例 ,与其它传统图像滤波器进行比较 ,验证所述滤波器在滤除噪声和保持细节纹理方面的有效性。     

一种基于遗传RBF神经网络的智能容错滤波算法

针对组合导航中标准卡尔曼滤波容错性能不足的问题,提出一种基于遗传RBF神经网络的智能容错滤波算法,其基本思想是通过RBF网络自动调节滤波增益来控制不确定性噪声的影响,进而提高滤波容错性。在RBF神经网络中,隐层单元与核函数宽度的选取对网络的性能具有重要影响,进而利用自适应遗传算法对其隐层单元数及核函数宽度进行了优化,隐层单元中心和输出层连接权值分别由K-均值聚类和最小二乘算法确定,最后得到精度较高且结构优化的RBF网络。为检验方法的应用效果,以SINS/GPS组合导航系统为例进行了仿真验证,实验结果表明遗传RBF网络容错滤波算法能在满足导航精度和计算量增加较小的前提下,比标准卡尔曼滤波具有更强的容错能力,由此也说明了方法的有效性。     

基于卷积神经网络的运载火箭测发网络流量异常检测技术

运载火箭测发网络是维系各型号运载火箭远距离测试及发射控制的重要国防基础设施,对测发网络流量进行异常检测是保证其正常工作的关键举措。近年来,随着测发网络功能的拓展,其面临的网络安全威胁越来越严重,而当前的安全检测主要依赖于基于异常特征库匹配的流量异常检测方法,这种检测方法对一些新型攻击检测能力非常有限。本文结合运载火箭测发网络实际特点,针对以使用用户数据报协议(UDP)为主的测发网络流量,设计一种新的基于固定数据包数目的流量图片样本生成方法,首次提出在测发网络流量异常检测问题上使用卷积神经网络,以原始网络流量作为输入,避开难以解决的人工特征集设计问题。通过测发网络真实网络流量数据进行实验,取得了较高的精度、召回率和准确率,验证了本方法具备一定的实用性。     

月球表层采样样品智能确认方法

表层采样是月球采样探测的重要方式,样品智能确认有助于提升工作效率与复杂问题处理能力。结合月球表层采样铲挖工作过程,分析了铲挖过程中臂载相机图像的特点,模仿有人参与识别过程,提出了层次解耦的月球样品智能识别流程,利用深度学习方法构建了一类深度卷积识别网络,完整地描述了图像、特征、标记在网络中的正反传递关系,并在月球表层采样地面试验中进行了验证,结果表明该方法对不同光照、不同背景、不同过程、不同形态的样品,具有较好的泛化识别能力,误识别率优于8.1%,平均单幅识别时间约0.7 s。