面向星上目标提取的卷积神经网络优化技术

针对卷积神经网络规模庞大、参数数量众多、在资源受限的在轨场景中难以应用的问题,提出了一种基于知识蒸馏的剪枝压缩改进方法。该方法对训练好的网络进行基于权重和基于通道的混合参数剪枝,在保留网络重要连接的同时剔除冗余信息;采用知识蒸馏法,用原始网络学到的知识指导剪枝后网络的再训练过程,以恢复损失的精度;在遥感数据集上对VGG-16分类网络进行实验。结果表明:所提方法可以实现16～18倍的压缩效果,并且网络精度下降不到1%。这使得卷积神经网络的在轨应用成为可能,具有理论及现实意义。     

嵌入注意力机制的多尺度深度可分离表情识别

针对面部表情识别中，传统机器学习方法特征提取较为复杂，浅层卷积神经网络识别率不高，以及深度卷积神经网络易带来梯度爆炸或弥散的问题，构建了残差网络嵌入注意力机制的多尺度深度可分离表情识别网络。通过多层多尺度深度可分离残差单元的叠加进行不同尺度的表情特征提取，使用CBAM注意力机制进行表情特征的筛选，提升有效表情特征权重的表达，削弱训练数据的噪声影响。所提网络模型在Fer-2103和CK+表情数据集分别取得了73.89%和97.47%的准确度，表明所提网络具有较强的泛化性。      

基于声学信号与视觉转换器的滚动轴承故障诊断方法研究

航空机载设备的可靠性对航空运输安全至关重要。针对航空机载设备上的滚动轴承故障，本文提出一种声学信号与视觉转换器（ViT）相结合的滚动轴承故障诊断方法。首先，将采样获得的滚动轴承声信号通过短时傅里叶变换转换为时频图。其次，将时频图按时序分割，作为ViT的输入。ViT通过多注意力机制提取图像块中的信息并输出数据。最后，输出数据通过多层感知机实现对不同类别的滚动轴承故障识别。试验表明，相较于传统的基于卷积神经网络和长短时记忆网络的滚动轴承故障诊断方法，本文所提方法的滚动轴承故障诊断准确率更高，为航空机载设备的轴承故障诊断提供了一类新方法。     

结合迁移学习基于全卷积神经网络的ISAR自聚焦算法

逆合成孔径雷达（ISAR）成像目标多为非合作目标，在目标相对运动状态未知情况下的运动补偿是ISAR成像的关键。基于全卷积网络（FCN）具有强大的数据抽象特征挖掘和拟合能力，将FCN用于ISAR自聚焦，提出一种结合迁移学习基于FCN的ISAR自聚焦算法。通过构造大量不同相位误差的仿真数据集并进行训练，使FCN具有相位补偿能力，对不同姿态下仿真以及实测数据进行迁移训练，进一步提升平动相位补偿的能力。实测数据处理结果表明，结合迁移学习基于FCN的自聚焦成像效果优于传统类自聚集算法，验证了所提算法的有效性，相比传统方法更具优越性。     

月表陨坑检测轻量化深度学习方法

针对目前基于深度学习的陨坑检测方法存在的模型参数量大和检测速度慢的问题，提出了一种轻量化的深度学习陨坑检测方法。首先，采用通道剪枝方法删减卷积神经网络中冗余的卷积核，得到结构紧凑高效的陨坑检测模型。然后，使用轻量化的深度可分离卷积操作替换基础陨坑检测模型中的标准卷积操作，进一步降低了模型的复杂度。仿真实验结果表明，所提出的轻量化陨坑检测模型能够保证较高的像素预测精度，并且能够适应亮度、图像噪声等干扰因素的影响。同时，与轻量化处理前的模型相比，参数量减少了99.2%，检测速度提升了94%。     

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。     

基于TSFFCNN-PSO-SVM的飞机起落架液压系统故障诊断

针对飞机起落架液压系统故障诊断精度低，深层故障特征提取困难的问题，提出了一种基于双路特征融合卷积神经网络（TSFFCNN）与粒子群优化支持向量机（PSO-SVM）结合的起落架液压系统故障诊断模型。该诊断模型以起落架多节点压力信号作为输入，采用一维卷积神经网络（1DCNN）与二维卷积神经网络（2DCNN）并行多通道网络结构自适应提取深层特征信息，并在融合层将深层特征信息融合，通过优化后的SVM分类器对融合特征进行故障分类。为验证所提诊断模型的故障分类效果，基于AMESim搭建了典型飞机起落架液压系统仿真模型，构建了几种典型故障类型数据集。基于仿真数据的诊断结果表明，所提故障诊断算法精度能达到99.37%，能够有效实现起落架液压系统故障诊断；与其他智能算法对比，基于TSFFCNNPSO-SVM故障诊断模型具有更好的平稳性与可靠性，诊断精度更高。     

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。     

一种新的基于信号导频的射频指纹识别方法

现有基于深度学习的射频指纹识别技术大多采用原始数据样本作为网络输入，未考虑信号携带内容对分类结果产生的影响，网络结构相对单一。为此，针将信号导频部分作为网络输入展开了研究，提出了一种新的导频提取算法，对10个ADALM-PLUTO软件定义无线电设备(SDR)辐射出的信号提取其导频，并建立了3种不同距离条件下的导频数据集。提出将Inception网络结构用于射频指纹识别，在10 m无线传输距离下达到了98.58%的分类精度，相较于现有基于AlexNet网络改进的卷积神经网络(CNN)，分类精度有所提升。      

基于CNN-BiGRU的学术文本分类研究

针对传统的文本分类模型存在特征提取能力不足和分类准确率较低等问题，提出一种基于卷积神经网络和双向门控循环单元相结合(CNN-BiGRU)的文本分类方法。首先，以图书情报领域相关主题文本摘要为数据源，通过Word2vec进行文本向量化；其次，通过CNN获得输入文本信息的局部特征，并使用BiGRU保留文本中的顺序相关性；然后，选择softmax分类器输出分类结果；最后，与传统的机器学习分类方法和单一的深度神经网络模型分类方法进行对比实验。结果表明，在数据量大的情况下，文中提出的CNN-BiGRU分类模型具有更好的分类效果，其准确率、召回率和F1值均达到了95%以上，能够在一定程度上解决学术文本“信息过载”等问题。