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。     

基于神经网络模型的地球同步卫星高精度轨道预报

利用动力学模型得到的预报轨道精度随时间推移衰减较快,针对这一问题,提出一种改进地球同步卫星轨道预报精度的新方法.将神经网络作为工具,结合轨道动力学特性建立一个训练样本集,根据当前时刻预报误差特征在样本集中搜索最佳训练样本,利用训练得到的神经网络模型补偿和改进当前时刻的预报轨道,达到提高预报精度的目的.基于实测数据的试验分析表明,不同卫星在不同初始时刻下的改进效果是不同的.预报4 d的轨道精度由43m提高至15m,预报8d的轨道精度由183m提高至80m.基于神经网络模型预报4d和8d的改进成功率分别为78.33%和88.33%.     

基于高斯过程的机器人自适应抓取策略

在机器人抓取作业时,目标物体的位姿经常发生变化。为了使机器人在运动过程中能够适应物体的位姿变化,提出了一种基于高斯过程的机器人自适应抓取策略。该方法建立了从观测空间到关节空间的映射,使机器人从样本中学习,省去了机器人视觉系统的标定和逆运动学求解。首先,拖动机器人抓取物体,记录物体的观测变量和机器人的关节角度;然后,利用记录的样本训练高斯过程模型,实现观测变量和关节角度的关联;最后,当得到新的观测变量时,通过训练的高斯过程模型得到机器人的关节角度。经过训练后,UR3机器人成功抓取了物体。     

基于残缺图像样本的生成对抗网络图像修复方法

针对大面积图像修复缺失严重时，需要完整且高质量训练样本的问题，提出了一种将残缺或含噪图像样本作为训练集的双生成器深度卷积生成对抗网络（DGDCGAN）模型。构建两个生成器和一个鉴别器以解决单一生成器收敛慢的问题，用残缺图像样本作为训练集，通过交叉计算、搜索损失区域类似的图像信息作为训练生成模型的样本，收敛速度更快。鉴别器损失函数改进为输出的Wasserstein距离，使用自适应估计算法优化生成器损失函数和鉴别器损失函数的模型参数，最小化两两图像之间的总距离差，使用鉴别模型和修复图像总距离变化均方差最小化两个指标优化修复结果。在4个公开数据集上进行主客观实验，结果表明:所提方法能使用残缺图像样本作为训练集，有效实现大面积失真图像的修复，且收敛速度和修复效果优于现有图像修复方法。      

一类有色噪声干扰随机系统最小二乘递推辨识

提出一类有色噪声干扰随机系统的辅助模型最小二乘递推辨识算法.此算法结合辅助模型辨识思想和递推增广最小二乘理论,用辅助模型的输出代替辨识模型信息向量中未知中间变量,用估计残差代替信息向量中不可测噪声项,从而可以运用递推辨识思想来估计系统所有参数,包括噪声模型参数.仿真例子说明提出算法的有效性.      

基于MobileFaceNet网络改进的人脸识别方法

为了解决训练过程中卷积模型参数较多、收敛速度较慢的问题,提出了一种基于MobileFaceNet网络改进的人脸识别方法。首先,使用MobileFaceNet网络提取人脸特征,在提取特征的过程中,通过引入可分离卷积减少模型中卷积层参数的数量;其次,通过在MobileFaceNet网络中引入风格注意力机制来增强特征的表达,同时使用AdaCos人脸损失函数来训练模型,利用AdaCos损失函数中的自适应缩放系数,来动态地调整超参数,避免了人为设置超参数对模型的影响;最后,分别在LFW、AgeDB和CFP-FF测试数据集上对训练模型进行评估。实验结果显示:改进后的模型在LFW、AgeDB和CFP-FF测试数据集上的识别精度分别提升了0.25%、0.16%和0.3%,表明改进后的模型相较于改进前的模型在精度和鲁棒性上有所提高。      

基于人工神经网络的柔性机翼挠度预测

为实现对承载后柔性机翼挠度的准确预测,在全面分析柔性机翼挠度的影响因素基础上,应用正交试验法确定的影响柔性机翼挠度的主要因子作为输入变量,挠度作为输出变量,以大量试验数据为训练样本,通过多次试取隐含层和各隐含单元,并选取trainlm作为最优训练函数,最终建立了预测柔性机翼挠度的BP(Back Propagation)人工神经网络模型.在此基础上,随机选取试验结果中的12组试验样本,连续进行10次挠度预测,预测结果和试验实测值最大相对误差和标准方差分别为4.481%,1.033 7.解析结果表明:柔性机翼挠度预测结果与实验值吻合的较好,建立的人工神经网络预测模型具有较高的预测精度.     

一种基于渐进增长对抗生成网络的火星样本生成方法

对抗生成网络的发展为图像生成等传统领域带来了很大进步,通过使用较少样本训练对抗生成网络,可以学习到特定图像类别的特征,进而能够增广样本应用于场景测试、其他网络训练等多种任务.本工作探索了在较少量的火星训练样本的基础上,针对直接使用GAN生成样本存在特征因平均化而不明显且类别较少的模式崩塌问题,基于渐进增长对抗生成网络,提出了一种聚类-训练-生成协同的火星样本生成方法.实验结果表明,与直接利用渐进增长对抗生成网络的基线方法相比,本工作生成效果得到了提升.     

基于局部径向二值模式的三维人脸识别

针对人脸识别中局部特征的提取,提出了局部径向二值模式(LRBP,Local Radial Binary Pattern),并将其用于三维人脸识别.首先,对经过预处理的人脸深度图像进行区域划分;然后用局部径向二值模式提取子区域的特征序列,并将其链接在一起构成三维人脸的特征向量;最后,利用Fisherface方法对三维人脸特征向量进行训练和识别.在中国科学院自动化研究所三维人脸数据库中选取样本,利用LRBP对其进行识别,结果表明该方法在基本不损失识别率的前提下,可以有效提高识别的效率.      

基于最小偏差LS-SVR的模电系统多故障诊断

为解决支持向量分类机多分类存在的样本重复训练、训练模型过多的问题,保证模拟电子系统在整体和局部多故障模式上的诊断正确率,提出基于最小偏差的最小二乘支持向量回归机多故障诊断方法.通过引进样本各维度拟合误差相对于平均拟合误差的偏差平方项,最小化维度间的拟合误差间距,得到能够输出多维变量及具有高分辨率的最小二乘支持向量回归机模型.将模型多维输出值与预设的各个多故障模式值相乘,所得结果集中最大值所对应的多故障模式即为最终诊断结果.仿真结果表明:提出的方法在简化训练过程的同时,能够保持良好的整体和局部多故障诊断正确率.     

基于多时间尺度特征的语音识别模型

提出了基于多时间尺度特征的语音识别模型.该模型采用描述谱参数轨迹的段特征,在段尺度上实现了对语音信号帧间相关性的显式建模;采用段特征依赖的非平稳时间序列产生模型,实现了不同尺度特征间的相关性建模,并在帧尺度上通过参数化的均值轨迹函数,实现了对语音信号帧间相关性的隐式建模.给出了基于多时间尺度特征联合统计距离优化的分段算法及基于最大似然准则的模型参数估计算法.识别实验表明,该模型的识别性能优于标准HMM及趋势HMM.     

基于马氏距离的半监督鉴别分析及人脸识别

针对人脸识别应用中人脸样本的类别信息不足以及人脸样本特征间存在相关性的问题,提出了一种基于马氏距离的半监督鉴别分析.该方法在图嵌入框架下利用马氏距离对数据集中带有类别信息的样本进行边界Fisher分析,不仅保持了类内的紧致性和类间的分离性,而且抽取出有利于分类的鉴别特征,同时将不带类别信息的样本用于描述数据集的几何结构,保留了样本间的局部邻域信息.与传统的特征抽取方法相比,该方法有较好的识别性能,在ORL,YALE及AR人脸数据库上的实验验证了该方法的有效性.      

翼型气动性能鲁棒性优化设计

讨论了一种在来流速度不确定的情况下对翼型进行鲁棒性设计的方法.介绍了单点及多点设计方法后,阐述了鲁棒性设计方法在翼型气动性能优化中的应用,并对三者进行了比较.引入了代理模型以减少计算量, 并通过遗传算法对翼型进行鲁棒性设计.借助区间分析方法讨论了翼型设计变量的扰动对气动特性上下界值的影响.应用该方法,在提高了翼型的气动性能的同时,降低了该性能对于来流速度的敏感度.      

应用于实时系统中存储器故障测试的一种新方法

针对实时存储器系统的常见故障类型提出了一种新的存储器测试方法,其最大特点是在测试过程中不使用缓冲区,从而节省了系统资源,增加了测试覆盖率;同时证明了该存储器测试方法的正确性。     

一种频率步进雷达目标径向速度估计方法

为补偿目标径向速度对频率步进雷达合成距离像的影响,提出了一种目标径向速度估计方法.经公式推导证明频率步进雷达相邻两个脉组回波的归一化采样序列的互相关函数是一复正弦序列,该序列的频率与目标径向速度有确定的对应关系.通过快速傅里叶变换(FFT,Fast Fourier Transform)可获得序列频率,从而估计出目标径向速度.该方法可估计的速度范围仅取决于系统带宽和脉冲重复周期,并且由于理论估计精度可通过FFT点数调整,在需要非常高估计精度的场合可以大幅降低计算量.计算机仿真结果表明该方法对目标径向速度估计准确,同时具有较好的抗噪声性能.     

利用行星际监测数据进行地磁暴预报

利用全连接神经网络方法应用于地磁Dst指数的预报中.对ACE卫星探测的太阳风和行星际磁场及其变化对未来几小时的Dst指数的影响进行了统计分析,发现在这些行星际实测参数中,对Dst指数作用较为明显的是太阳风速度、太阳风质子密度和行星际磁场南向分量,同时,当前Dst指数实测值对今后几小时的Dst指数已有很强的制约作用.在统计分析的基础上,建立了全连接神经网络预报模型.由于采用了全连接神经网络结构,模式能够反映出太阳风、行星际磁场等参数与地磁Dst指数参数的复杂联系,可以自动建立输入参量的最佳组合方式,提高了预报精度.通过利用大量实测数据对神经网络模式进行训练,最终建立了利用优选的ACE卫星行星际监测数据提前2 h对Dst指数进行预报.通过检测,预报的误差为14.3%.      

基于在线气动参数修正的预测制导方法

针对高超声速滑翔飞行器,提出了一种基于在线气动参数修正的预测制导方法.研究了再入过程中受到的各种飞行约束,给出了多约束下控制量设计的基本方案.分析了传统预测制导法在落点预测过程中存在的气动参数偏差影响,引入综合升力系数与综合阻力系数,并对其进行在线参数估计以及参数修正,以提高制导方法的适应性.基于气动参数修正方法,完成了纵向与横侧向制导律设计.设定较大的轴向力、法向力系数组合偏差对该方法进行了验证,并考虑再入初始条件和再入气动参数的不确定性,进行了蒙特卡洛仿真.结果表明:预测制导法中引入气动参数的在线估计与修正环节,可保证其制导精度,尤其对再入过程的气动扰动具有较强的适应能力.