基于深度学习的大型陨石坑识别方法研究

陨石坑是天体表面最为显著的地形特征,传统陨石坑识别方法主要是对小型陨石坑正负样本的二分类问题研究,且效率和精度均不高。以星体宏观视角下的大型陨石坑作为研究对象,结合图像处理和神经网络等方面的知识,创建了来自不同数据源的陨石坑样本数据库,研究了数据源对网络模型泛化能力的影响,提出了一种效率更高的陨石坑多分类识别方法。在非极大值抑制（NMS）算法基础上,提出了一种精度更高的陨石坑检测算法。经过参数优化和实验验证,构建的基于深度学习的多尺度多分类陨石坑自动识别网络框架取得了较高的准确率,在同源验证集上识别率可达0.985,在异源验证集上识别率可达0.863,并且有效改善了目标检测时检测框冗余及误检测的问题。      

基于深度残差收缩网络的滚动轴承故障诊断

滚动轴承的准确故障诊断是确保机械设备安全可靠运行的必要手段。针对多故障、长时间序列的滚动轴承振动信号,提出了一种基于深度残差收缩网络(DRSN)模型的故障诊断方法。首先,根据采集到的滚动轴承数据构造故障样本,针对多种故障类型下的长时间序列的振动信号,按照一定尺寸将长时间序列矩阵化,构成多故障类型的灰度图故障样本。从正常到故障的滚动轴承性能退化过程,通过多个采样点的随机采样,构造全寿命周期的故障样本用于故障诊断。其次,在多层深度学习模型基础上,将残差收缩网络模块加入到卷积神经网络(CNN)中构建深度残差收缩网络模型用于故障诊断,其中通过将残差项加入到网络中训练解决了多层网络模型的模型退化问题,利用软阈值化实现了样本降噪。最后,为了验证所提方法的有效性,采集了滚动轴承的多故障时间序列样本和全寿命周期故障样本用于故障诊断。实例验证的结果表明:所提深度残差收缩网络模型在处理含噪声样本时仍具有良好的鲁棒性,多层网络模型下没有明显的网络退化,能够保持较高的故障诊断正确率。在处理2种轴承故障数据集时,与其他模型相比,所提方法训练误差更低,平均故障诊断正确率提高1%~6%。      

基于功耗残差的航天器CMG退化特征提取方法

为实现航天器控制力矩陀螺(CMG)性能退化状态评估,提出了一种基于卷积神经网络(CNN)与功耗残差的CMG退化特征提取方法。由于CMG控制系统对高速转子运动状态的高精准控制,CMG退化特征难以从转子运动状态数据中直接提取。针对该问题,从转子系统的能量损耗角度出发,通过分析CMG工作机理确定了影响单位时间内转子电机功耗的变量,并通过CNN建立了CMG运行状态参数与电机功耗之间的映射。将退化状态下电机实际功耗与模型输出的残差作为退化特征对CMG退化状态进行评价。通过某型号CMG的加速寿命实验数据进行验证,结果表明：构建的退化特征能够表征CMG转子轴承的性能退化情况,从而为CMG状态监测和故障预警提供参考。     

基于子孔径波面拼接的直接波前解卷积效率

为提高气动光学效应下目标图像清晰化处理的运行效率,提出了子孔径拼接波前复原方法。分析了波面拼接下的直接波前解卷积效果,研究了波面拼接与传统泽尼克模式法在运行效率上的差异。仿真结果表明:子孔径拼接方法具有良好的波前复原能力,与泽尼克模式法相比具有更低的算法复杂度。基于子孔径波前拼接的直接波前解卷积方法可有效提高点源图像探测的斯特列尔比(Strel ratio),可应用于高超声速飞行器的红外寻的系统中,抑制气动光学相位畸变的影响,增强目标探测、识别和跟踪性能。     

基于空谱融合特征主动学习的高光谱图像分类

针对高光谱图像分类过程中存在的样本量少和分类精度低的问题,提出一种基于空谱融合特征主动学习的高光谱图像分类方法。主要包括构造三通道图像,全卷积网络提取空间特征,空谱特征结合,主动学习方法选择训练样本几个部分。通过结合像素的光谱特性和相邻像素间的空间关联,提取出可以反映像素空谱联合特性的综合特征,提高了像素特征的表达能力。为克服高光谱图像标注数据少、缺乏训练样本的问题,应用主动学习算法,充分选择更具有代表性的样本进行训练,达到少样本情况下较高的分类正确率。通过在标准数据集上进行实验,结果表明:该方法可以达到在总样本数1%作训练样本的情况下,分类正确率达到99.79%,优于传统的高光谱分类算法。     

基于深度学习的语义分割算法综述

图像的语义分割是对图像中的每个像素标注其所属的类别。在航天领域,语义分割技术可用于定位航天器及其零部件,为航天器故障排除、部件维修、太空垃圾清理等在轨服务创造条件。近几年,全部或部分使用深度学习时,语义分割的效果获得了很大的提升。本文对基于深度学习的语义分割算法进行综述。首先介绍常用的数据集和通用的深度神经网络,随后对两类具有重大实用意义的分割算法:编码器-解码器算法和整合上下文信息算法进行总结。最后对语义分割的发展进行了展望。     

基于LDPC的编码PCM/FM系统及其性能分析

提出一种基于低密度校验码LDPC的编码PCM/FM系统,并对该系统的性能进行分析与仿真。首先介绍接近Shannon限的先进的信道编码技术———低密度校验码(LDPC)信道纠错编码原理和解码算法,而后给出基于LDPC的编码PCM/FM系统方案,最后详细分析并仿真该系统的性能,着重比较未编码、卷积编码和LDPC编码三种系统的性能差异,还对比LDPC的各种不同参数(编码长度、校验矩阵等)对系统性能的影响。仿真表明,基于LDPC的编码PCM/FM系统具有非常优异的纠错性能,比未编码PCM-FM系统性能高出6~8 dB,适合于PCM/FM遥测系统的应用。     

基于残差学习的自适应无人机目标跟踪算法

无人机已被广泛应用于军事和民用领域,目标跟踪技术是无人机应用的关键技术之一。针对无人机视频跟踪过程中目标易发生尺度变化、遮挡等问题,提出一种基于残差学习的自适应无人机目标跟踪算法。首先,结合残差学习和空洞卷积的优点构建深度网络提取目标特征,同时克服网络退化问题;其次,将提取的目标特征信息输入核相关滤波算法,构建定位滤波器确定目标的中心位置;最后,根据目标外观特性的不同进行自适应分块,并计算出目标尺度的伸缩系数。仿真实验结果表明:所提算法能够有效应对尺度变化、遮挡等情况对跟踪性能的影响,在跟踪成功率和精确度上均高于其他对比算法。      

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。      

卷积和离散过程神经网络及其在航空发动机排气温度预测中的应用

 针对航空发动机排气温度的变化过程受复杂非线性时变因素的影响而难以用精确数学模型描述的问题,提出了卷积和离散过程神经网络(CSDPNN)模型,并将其应用于航空发动机排气温度(EGT)预测。该模型以离散样本作为直接输入,采用卷积和算法实现对时间累积效应的处理。相较于以连续函数作为输入的过程神经网络(PNN),不需要拟合离散样本得到连续函数后进行正交基展开,减少了精度损失,具有更高的预测精度。给出了卷积和离散过程神经网络模型的学习算法,并通过对Mackey-Glass混沌时间序列的预测对提出的方法进行应用说明和验证。通过航空发动机EGT预测实例,并与卷积和离散过程神经网络模型的连续函数输入过程神经网格以及传统人工神经网络(ANN)的预测结果进行了对比。结果表明,相较于连续函数输入过程神经网络以及传统人工神经网络,卷积和离散过程神经网络具有更高的预测精度,且对于EGT的预测具有较好的适应性,因而为航空发动机EGT预测提供了一种有效的方法。