基于多头注意力机制的飞机发动机寿命预测研究

针对飞机发动机监测参数多和预测模型不能充分提取监测数据的有效信息等问题,基于一维卷积神经网络（1DCNN）、时序卷积神经网络（TCN）和多头注意力机制,提出一种新的网络结构以实现飞机发动机剩余寿命的准确预测。对多维特征参数分别建立一个1DCNN-TCN模型,利用两层1DCNN对飞机发动机的多元传感器信号进行特征提取,利用TCN对特征量的时序信息进行记忆,通过多头注意力机制对多个1DCNN-TCN的输出分别进行加权处理,并拼接最终结果。分析结果表明,采用本文方法得到的RMSE和Score值比目前文献中最优值分别降低了6.84%,63.41%。该方法显著提升了飞机发动机剩余寿命预测的准确性。     

基于卷积神经网络的ZPW-2000R轨道电路运行状态智能识别

为提高ZPW-2000R轨道电路诊断系统的判定准确性和运行效率,提出了一种基于卷积神经网络的轨道电路运行状态智能识别方法。首先,根据轨道电路监测数据集构建轨道电路运行状态灰度图谱,以精准表达轨道电路的运行状态,并通过图像缩放建立实验样本;其次,构建卷积神经网络模型并对轨道电路运行状态灰度图谱进行特征提取与模式识别。实验结果表明,本文提出的方法对轨道电路运行状态识别的准确率为100%,可有效识别轨道电路正向占用状态、逆向占用状态和空闲状态。     

三种用于加工特征识别的神经网络方法综述

加工特征自动识别技术是智能化设计与制造的关键支撑，已有的实用性算法普遍存在学习能力差、识别范围有限和识别速度慢等共性问题。神经网络方法在计算机视觉和模式识别领域获得了巨大成功，其自学习与自适应能力和高速计算等优势也已在加工特征识别中得到初步的展现。对加工特征识别中具有应用潜力的三种不同的神经网络方法进行了研究，剖析了神经网络识别加工特征中的预处理与编码和神经网络结构设计等关键性问题，分析了不同神经网络方法的异同点，总结了当前神经网络识别加工特征的发展方向，为相关领域的研究提供一定的理论指导与技术支持。     

一种基于神经网络的航空发动机剩余寿命预估方法

针对航空发动机剩余寿命预估中模型建立困难且计算精度低等问题,提出了一种基于卷积神经网络和长短期记忆神经 网络进行航空发动机剩余寿命预估的方法。利用卷积神经网络中的卷积层与池化层提取传感器数据中的特征,并依据卷积层提 取出的特征,利用长短期记忆神经网络进行时间序列预测,并使用全连接层输出航空发动机剩余寿命。在NASA的C-MAPSS提 供的涡扇发动机退化仿真数据集上对该方法进行了验证。结果表明：基于卷积神经网络和长短期记忆神经网络的航空发动机剩 余寿命预估方法,可以在保证预测精度的前提下,对航空发动机剩余寿命进行较为保守的预估,在保证资源不被浪费的情况下,尽 可能提前发出故障预警信号,从而提高飞行的安全性,进而为航空发动机健康管理系统提供有用信息。该预测方法在对称指标和 非对称指标上均优于此前提出的方法。     

基于卷积神经网络对磁异常信号的识别研究

航空磁探反潜作为航空反潜的重要手段,在其中发挥了重要作用。针对目前航空反潜作战中,磁干扰信号极大地影响对水下目标磁探测效果这个问题,文章先对输入信号进行预处理,并使用卷积神经网络实现对2种信号的识别。实验结果显示,卷积神经网络的方法对信号的识别率达到了85%,能够有效对信号进行准确地识别。     

基于卷积神经网络的图像识别综述

随着工业化进程的迅猛发展，产生了大量的图像信息，传统的图像识别技术难以处理如此庞大的图像数据以及满足速度和精度上的要求，大数据及深度学习技术应运而生，基于卷积神经网络的图像识别方法成为目前图像识别的主流算法。文中首先介绍了传统图像识别技术及存在的问题，引入了卷积神经网络的深度学习方法，重点说明了卷积网络中间层的结构和特点，然后介绍图像识别中经典的卷积神经网络模型及相互间的区别，最后简要综述卷积神经网络在图像识别中的应用，指出了有监督的卷积网络学习缺点及无监督学习的研究方向。     

基于改进注意力机制CNN-ATT的区域性ZTD预测模型

基于天顶对流层延迟（ZTD）的强时空特征,提出了一种融合卷积神经网络的改进注意力机制（CNN-ATT）的多站点ZTD组合预测模型。该模型首次将多源数据（包括日解算精度、年积日(DOY) 和三维坐标）综合运用于ZTD预测任务。通过对南宁市的5个参考站（CORS）和14个国际GNSS服务（IGS）站点共1 501个年积日的观测数据进行研究,选取传统BP模型、GPT2w模型和ATT模型作为基线模型进行实验对比分析。研究结果显示,在预测精度方面,改进的CNN-ATT模型与BP模型相比其均方误差（MSE）和平均绝对误差（MAE）分别减少了5.5 mm和 4.4 mm,预测精度分别提高了41.4%和67.8%;与ATT模型相比,CNN-ATT模型的预测MSE和MAE也分别减少了4.6 mm和2.1 mm,预测精度分别提升了36.2%和50.0%。在定位精度方面,改进的CNN-ATT模型的精度表现优于SAAS,GPT2w,BP以及ATT模型。并且与传统SAAS对流层模型相比,CNN-ATT模型在N,E,U 3个方向的精度提升高达18.2%,12.6%和31.0%。此外,研究还发现CNN-ATT模型在长预测时间步长中的精度表现更为稳定,更适合多测站预测任务,并且其精密单点定位（PPP）收敛速度更快。     

二值卷积神经网络综述

二值卷积神经网络（BNN）占用存储空间小、计算效率高,然而由于网络前向的二值量化与反向梯度的不匹配问题,使其与同结构的全精度深度卷积神经网络（CNN）之间存在较大的性能差距,影响了其在资源受限平台上的部署。至今,研究者已提出了一系列网络设计与训练方法来降低卷积神经网络在二值化过程中的性能损失,以推动二值卷积神经网络在嵌入式便携设备发展中的应用。因此,本文对二值卷积神经网络进行综述,主要从提高网络表达能力与充分挖掘网络训练潜力两大方面,给出了当前二值卷积神经网络的发展脉络与研究现状。具体而言,提高网络表达能力分为二值化量化方法设计、结构设计两方面,充分挖掘网络训练潜力分为损失函数设计与训练策略两方面。最后,对二值卷积神经网络在不同任务与硬件平台的实验情况进行了总结和技术分析,并展望了未来研究中可能面临的挑战。     

基于区域的卷积神经网络在空对地车辆检测中的应用

针对传统空对地车辆检测算法在光照变换、场景变化时检测效果不佳的问题,提出了基于区域卷积神经网络Faster RCNN模型的空对地车辆检测方法,介绍了Faster RCNN模型以及模型训练过程.实验结果表明,基于Faster RCNN的空对地车辆检测方法是可行的,对不同光照和场景下的车辆检测可以取得较好的效果.     

基于卷积神经网络和状态时间序列的参数辨识

针对参数辨识过程运算时间长的问题,本文提出一种基于卷积神经网络的参数辨识方案.该方案避免了对数值模型的大量迭代,能够根据多个连续时间步的实测系统状态对多参数进行快速估计,实现参数辨识;同时,为了帮助神经网络更好地提取特征,还引入一种双向标准化的方法对数据进行处理.以Lorenz63为实例,对其参数进行了分析、实验.实验结果表明:该方案能够有效地估计当前物理场状态对应的模型参数,并且计算时间仅为传统方法的4％,大大提升了计算效率.     

基于改进的卷积神经网络的步态识别

为了提高惯性传感器采集到的序列数据中步态识别的准确率,建立了一个激励层改进的卷积神经网络(CNN)模型。针对三轴加速度传感器对运动太过敏感导致步态周期划分不准确的问题,采用加速度传感器与弯曲度传感器组合获取人体运动信息。将CNN模型中激励层的线性整流函数(ReLU)改进为带泄露线性整流函数(Leaky ReLU),以解决遇到卷积输出数据小于0时神经元被抑制的问题,进而达到提高步态识别准确率的目的。实验结果表明激励层优化的CNN模型在行走、上下楼和上下坡五种步态模式下识别率达到了95.79%,与未采用弯曲度传感器的改进CNN模型和未进行激励层改进的CNN模型相比,步态识别率有所提高。     

卷积神经网络及其在航空视觉任务中的应用展望

从卷积神经网络的基本理论出发,介绍了几种经典卷积网络结构,并结合当前卷积神经网络在计算机视觉领域的应用现状,重点探讨了它在未来航空视觉相关任务系统中的应用前景,以及实施这些技术必须解决的若干问题,为未来航空装备智能化水平的进一步提升提供参考。     

基于改进的卷积神经网络的步态识别

为了提高惯性传感器采集到的序列数据中步态识别的准确率，建立了一个激励层改进的卷积神经网络(CNN)模型。针对三轴加速度传感器对运动太过敏感导致步态周期划分不准确的问题，采用加速度传感器与弯曲度传感器组合获取人体运动信息。将CNN模型中激励层的线性整流函数（ReLU）改进为带泄露线性整流函数(Leaky ReLU)，以解决遇到卷积输出数据小于0时神经元被抑制的问题，进而达到提高步态识别准确率的目的。实验结果表明：激励层优化的CNN模型在行走、上下楼和上下坡五种步态模式下识别率达到了95.79%，与未采用弯曲度传感器的改进CNN模型和未进行激励层改进的CNN模型相比，步态识别率有所提高。     

基于深度学习的超分辨率重构方法在CAARC标模绕流流场重构中的应用

基于深度学习的超分辨率重构方法是近年来发展的一种有效的流场精细化方法。本文超分辨率重构模型以卷积神经网络为基础，结合了混合下采样跳跃连接多尺度模型，并应用于CAARC标准建筑模型表面风压场和建筑绕流速度场的重构。通过对比分析对不同欠分辨率流场的高分辨重构能力，结果表明该深度学习模型重构高分辨率流场具有良好的精度，重构效果优于原始的卷积神经网络模型和传统的双三次插值方法。该方法具有一定的普适性，可推广应用到具有复杂湍流流动的任意建筑结构风场的超分辨率重构。     

考虑执行机构饱和的迎角跟踪控制

设计提出了 1种针对高光谱图像分类任务的 3D-MSCNN模型。在 PCA降维的基础上,利用 3D空谱特征提取网络和 2D多尺度特征提取网络实现高光谱图像特征提取,充分发挥高光谱图像空谱信息价值,增强对不同尺度地表覆盖的表达能力。最后,利用 Softmax分类损失函数实现高光谱图像分类任务。实验结果表明,本文算法在 In. dian Pines和 Pavia University数据集上都取得了较好的分类效果。与 CD-CNN、3D-CNN、SS-Net和 HybirdSN等方法相比,本文算法能够有效提升总体精度、平均精度和 Kappa系数等客观评价指标。     

基于场景识别的惯性基类脑导航方法

针对无人机导航中惯性器件产生的漂移误差不断随时间累积进而影响导航精度的问题,以仿生类脑导航为研究背景,提出了一种新的导航方法。与传统导航策略不同的是,该方法从周期性校正累积位置误差的角度出发,采用设置位置细胞节点的思路,利用训练好的卷积神经网络模型在细胞节点处进行图像匹配,从而在位置细胞节点处实现惯导位置漂移误差校正。同时,建立节点之间的漂移误差模型,调整误差方程系数,以达到修正漂移误差的目的。最后,基于无人机飞行实验结果验证了该方法对自主导航的有效性和鲁棒性,该方法能够有效提高无人机导航的精度。     

对流天气下基于聚类算法的终端区交通流分析

准确分析对流天气对终端区进场交通流的影响,提出了一种面向对流天气场景的基于轨迹聚类的进场交通流分析方法。利用卷积神经网络与K-means++算法对对流天气进行特征提取和聚类;采用均匀化参数方法对进场飞行轨迹进行重采样;进而采用具有噪声的基于密度的聚类算法对进场轨迹进行聚类,采用K-means算法识别交通流的中心轨迹。对...