引入图像复原技术的遥感卫星图像压缩解码算法

针对遥感卫星基于小波变换的光学图像有损压缩算法,提出了一种引入图像复原技术思路的算法,对遥感图像解码处理过程中获得的低频信息进行复原,可以获得更多的用于在频域范围内描述图像结构信息的高频分量增益,从而提升整个解码图像的质量。通过此算法与传统的小波压缩算法进行对比,结果表明:压缩恢复图像的峰值信噪比(PSNR)较传统算法有0.1~0.3dB的改善,压缩恢复图像表现出更为丰富的纹理特性,可降低对遥感卫星图像数据处理和天地链路数据传输的要求。     

基于DCNN和全连接CRF的舌图像分割算法

针对中医舌诊中舌体分割不准确、分割速度较慢且需要人工标定候选区域等问题,提出了一种端到端的舌图像分割算法。与传统舌图像分割算法相比,所提算法可以得到更为准确的分割结果,并且不需要人工操作。首先,使用孔卷积算法,可以在不增加参数的条件下扩大网络的特征图谱。其次,使用孔卷积空间金字塔池化（ASPP）模块,令网络通过不同的感受野学习舌图像的多尺度特征。最后,将深度卷积神经网络（DCNN）和全连接的条件随机场（CRF）相结合,细化分割后的舌体边缘。实验结果表明:所提算法优于传统舌图像分割算法和主流的深度卷积神经网络,具有较高的分割精度,平均交并比达到了95.41%。      

基于HTTP自适应流媒体传输的3D视频质量评价

3D视频网络服务的关键在于提高用户的体验质量（QoE）,而体验质量往往会由于网络环境的变化及视频内容的不同而受到影响。传统的2D视频传输可以采用基于HTTP的自适应流媒体（HAS）速率自适应机制有效地利用网络带宽,提高用户体验质量。因此对于如何利用动态自适应流媒体技术实现至少需要传输两路视频流的3D网络视频服务已经越来越被关注。HAS技术的关键在于媒体质量级别的动态转换策略,主要研究了3D视频中不同视点比特率的变化对用户观看体验质量的影响。首先,建立一个主观数据库探讨块级客观质量与3D视频的视觉体验质量之间的关系,块级客观质量将随着比特率的变化而变化。其次,提出了一种基于卷积神经网络（CNN）的QoE模型,该模型可以通过块级客观质量有效地评估QoE,模型预测值和平均意见分（MOS）的皮尔森线性相关系数（PLCC）为0.906,可在自适应流媒体应用中为3D视频传输中不同视点的码率调整提供指导。      

基于深度学习的航天器组合体惯性参数在轨智能辨识

针对在轨服务过程形成新组合体的动力学参数未知的问题,借助深度学习在多参数寻优上的优势,提出了一种基于卷积神经网络的智能参数辨识算法,实现在外力作用下,线动量和角动量不守恒条件下的航天器组合体多参数辨识。利用卷积神经网络权值共享的特点,设计4层卷积神经网络,通过短时间内对大量特定存储形式的状态数据的训练,实现航天器组合体多参数快速高精度辨识。利用数学仿真试验对算法的可行性进行验证,结果表明：在24s内,质量与质心位置收敛;1190s内,惯量参数收敛,辨识精度在3%以内。说明所提方法在外界随机干扰力和力矩影响下能准确快速辨识出航天器组合体质量、质心位置和惯量矩阵。     

基于融合神经网络的航空发动机剩余寿命预测

航空发动机的性能退化是影响飞机飞行安全的重要因素。准确预测发动机的退化过程,对于飞机安全飞行具有重要意义。针对航空发动机剩余寿命预测问题,本文提出了一种将卷积神经网络和长短期记忆网络相融合的数据驱动模型。与常规使用单一的神经网络不同,所提出的融合模型结合了两种神经网络的优点,利用卷积神经网络提取数据中的空间特征并采用长短期记忆网络提取时间特征。实验结果证实,在寿命预测中,所提出的数据驱动模型与已有的方法相比,评分和均方根误差分别下降了32%和6.4%,因此,所提出的数据驱动模型可对数据中所包含的信息进行充分挖掘,其对航空发动机寿命预测精度较高,并具有良好的稳定性。     

一种时空特征聚合的水下珊瑚礁鱼检测方法

水下监控视频中的珊瑚礁鱼检测面临着视频成像质量不高、水下环境复杂、珊瑚礁鱼视觉多样性高等困难,是一个极具挑战的视觉目标检测问题,如何提取高辨识度的特征成为制约检测精度提升的关键。提出了一种时空特征聚合的水下珊瑚礁鱼检测方法,通过设计视觉特征聚合和时序特征聚合2个模块,融合多个维度的特征以实现这一目标。前者设计了自顶向下的切分和自底向上的归并方案,可实现不同分辨率多层卷积特征图的有效聚合;后者给出了一种帧差引导的相邻帧特征图融合方案,可通过融合多帧特征图强化运动目标及其周边区域的特征表示。公开数据集上的实验表明:基于以上2个模块设计的时空特征聚合网络可以实现对水下珊瑚礁鱼的有效检测,相比于多个主流方法和模型取得了更高的检测精度。      

基于图像卷积的地图匹配算法

地图匹配定位是一种主流的车载导航定位方法,其以车辆轨迹数据和路网地图为基础,将车辆位置估计输出到路网地图上。该过程可对车辆定位结果进行修正,是车辆导航、交通诱导、交通预测等应用的基础。针对现有地图匹配算法存在的一些问题,如算法流程依赖路口匹配精度,在较大初始误差场景下寻路正确率较低,以及寻路结果错误易影响后续匹配精度等,提出了一种基于图像卷积的地图匹配方法。利用图像卷积方式对比了车辆轨迹与道路的几何特征,以实现匹配定位,从而确保了初始误差较大场景下的匹配精度,并且避免了由寻路错误所引发的相关问题。     

相参噪声干扰信号仿真研究

阐述了相参噪声干扰信号的特点,分析了信号产生方法,并针对几种干扰样式进行了计算机仿真。相参噪声干扰信号具备与雷达发射信号相同的信号结构,以及与噪声信号相同的连续密集覆盖能力。相参噪声干扰信号的产生方式实际上是对预想的干扰信号的卷积过程,而卷积过程实际上是FIR滤波的过程。可以通过改变FIR滤波器的参数的方法,实现多种干扰信号样式的产生。     

基于CNN和LSTM的航天用涂层型自润滑关节轴承寿命预测及可靠性评估

为探索适用于涂层型自润滑关节轴承的寿命预测和可靠性评估方法,提出一种基于卷积神经网络（CNN）和长短期记忆（LSTM）神经网络的轴承剩余寿命预测模型。首先利用CNN对关节轴承的摩擦扭矩信号进行失效特征提取,然后将通过主成分分析（PCA）和滤波处理后的扭矩信号输入LSTM神经网络中进行训练,得到涂层型自润滑关节轴承寿命预测模型,可实现对轴承剩余寿命的准确预测。最后,基于加速寿命试验数据,采用两参数Weibull分布模型对涂层型自润滑关节轴承的服役可靠性进行评估,结果表明涂层型自润滑关节轴承在轻载低频工况下能够维持在高可靠性水平（90%）下进行长时间稳定服役。     

基于深度学习的非定常周期性流动预测方法

为了克服传统CFD计算需要耗费大量的计算时间与成本的缺陷,提出了一种基于深度学习的非定常周期性流场的预测框架,可以实时生成给定状态的高可信度的流场结果。将条件生成对抗网络与卷积神经网络相结合,改进条件生成对抗网络对生成样本的约束方法,建立了基于深度学习策略采用改进的回归生成对抗网络模型,并与常规的条件生成对抗网络模型的预测结果进行对比。研究表明,基于改进的回归生成对抗网络的深度学习策略能准确预测出指定时刻的流场变量,且总时长比CFD数值模拟减少至少1个量级。