地球同步轨道目标物深度学习检测方法

针对欧空局SpotGEO竞赛中地球同步轨道目标物的检测问题,提出面向低精度CCD空间图像的深度学习检测方法。在图像预处理环节,分别采用高斯过程回归和模板匹配实现前景/背景分割和多帧图像配准。根据地球同步轨道物体的运动特征,采用拓扑扫描提取候选目标物。在此基础上,提出一套基于深度学习的目标物筛选方法。该方法利用卷积神经网络,依次对拓扑扫描前后候选目标物进行筛选,显著减少噪声点数量,提高检测效率。仿真结果表明,该方法达到98%的目标检测准确率,适用于存在光污染、云层遮挡等干扰的复杂环境。     

自适应学习率的增量强化学习飞行控制

针对预先设定学习率的增量强化学习(IRL)飞行控制律失败率较高,并且无法适应飞行器大范围动力学特性变化下的稳定控制问题,提出一种自适应学习率的增量强化学习(ALRIRL)控制方法.首先,基于小波分析方法构造控制系统稳定度评价函数,用于评估控制器稳定度.然后,基于梯度下降法设计学习率在线迭代计算方法,以提升强化学习控制器...     

基于可见光与红外卫星图像融合的舰船目标检测

为解决现有基于可见光卫星图像的舰船目标检测算法在云雾遮挡、海岸干扰等复杂场景下的错检和漏检问题,本文在YOLOv5网络基础上,通过空间特征与谱段特征的联合提取提高网络性能,提出了基于可见光与红外卫星图像融合的舰船目标检测算法VI-YOLOv5。实验结果表明:双模态融合目标检测算法性能优于单模态目标检测算法,在交并比阈值为0.5的情况下,可见光+红外融合网络的平均精度达0.976,相较于单可见光网络提高了2.5%,相较于单红外网络提高了8.9%,有效缓解了复杂场景下出现的错检和漏检问题,验证了可见光与红外卫星图像融合在舰船目标检测任务中的有效性。     

基于图卷积网络的卷积神经网络耗时预测算法

通过可学习的预测算法获取卷积神经网络(CNN)在硬件上的推理耗时越来越受到研究者的关注。现有耗时预测算法主要面临2个问题：卷积神经网络设计空间采样复杂度高,数据采集成本高;无法准确预测硬件编译器的算子融合技术对推理耗时的影响。为了解决上述问题,提出了一种基于图卷积网络(GCN)的耗时预测算法,将整体网络耗时看作多节点耗时补偿的累加,并利用图卷积对结构算子融合产生的耗时影响进行建模。同时,提出一种新型差分训练方案,减少采样空间规模,提高算法的泛化能力。在HISI3559硬件平台上对MB-C连续空间采样模型的耗时预测实验表明：所提算法可将耗时估计的平均相对误差从传统算法的302%降低到5.3%。另外,通过将传统耗时预测算法替换成所提算法进行耗时评估,可以使网络结构搜索算法搜索到耗时更加接近目标的高精度网络。     

鲁棒强化学习及其在航天控制中的应用与展望

针对强化学习(RL)中存在的鲁棒性问题,综述了鲁棒强化学习(RRL)的研究进展和在航天控制中的应用与展望.首先阐释了鲁棒强化学习的基本内涵;然后从引入H∞控制理论的鲁棒强化学习、域随机化方法、鲁棒对抗强化学习3个类别分析总结了鲁棒强化学习研究的主要方法;最后分析了鲁棒强化学习在航天控制中的应用,并面向未来复杂化、智能化...     

空间飞行器控制软件的动态自适应演化方法

空间飞行器在太空飞行过程中需要满足多任务、多工作模式以及大范围机动的需求,其控制系统在大范围机动飞行条件下存在大量的外界干扰和内部参数不确定,同时飞行器的自适应过程受限于资源,人工干预难度大,并且现有的成熟的动态自适应方法并不一定适合空间飞行器控制软件进行自主控制,所以目前对自主控制系统软件的动态自适应调整方法提出了更...     

基于态势评估及DDPG算法的一对一空战格斗控制方法

已有的空中格斗控制方法未综合考虑基于专家知识的态势评估及通过连续性速度变化控制空战格斗的问题。基于深度确定性策略梯度（DDPG）强化学习算法,在态势评估函数作为强化学习奖励函数的基础上,设计综合考虑飞行高度上下限、飞行过载以及飞行速度上下限的强化学习环境;通过全连接的载机速度控制网络与环境奖励网络,实现DDPG算法与学习环境的交互,并根据高度与速度异常、被导弹锁定时间以及格斗时间设计空战格斗结束条件;通过模拟一对一空战格斗,对该格斗控制方法在环境限制学习、态势评估得分以及格斗模式学习进行验证。结果表明：本文提出的空战格斗控制方法有效,能够为自主空战格斗进一步发展提供指导。     

面向体系对抗的电磁环境模拟技术研究

电磁环境模拟技术广泛应用于装备论证、研制、试验、演习等专业领域中.针对未来体系对抗的研究需求,从近年来的模拟实践出发,重新剖析了当前模拟技术的研究差距,归纳了存在的共性问题.在已有的模拟技术体系基础上,构想了总体目标愿景,提出了一种新的思路,即采用"深度强化学习+云边结合"的技术框架来开展体系对抗背景下的电磁环境模拟技...     

基于交互融合的高精度图像融合算法的研究

针对可见光和SAR图像融合,提出了一种基于跨模态差分感知和注意力机制的交互融合（TDPAM Fusion）算法,能有效保留可见光图像中的纹理结构和SAR图像的细节信息。首先,采用跨模态差分感知融合（Cross-Modal Differential Perception Fusion, CMDAF）模块提取图像的互补信息,避免真值缺失并提高融合精度。其次,通过坐标注意力机制（Coordinate Attention,CA）提高特征提取的准确性和效率,增强语义信息的集成。最后通过交互融合算法（Interactive Fusion Module,IFM）将特征自适应融合。设计了相应的大型基准数据集,用于网络模型的训练和测试。实验结果表明：TDPAM Fusion融合算法可以获得包含清晰SAR信息的高质量可见光图像。此外,融合算法将互信息（Mutual Information,MI）、空间频率（Spatial Frequency,SF）、视觉保真度（Visual Fidelity,VIF）和相关系数（Correlation Coefficient,CC）等关键指标,分别提高了约6.41%、10...     

基于无监督深度学习的红外与可见光图像融合

目前已知的多数基于卷积神经网络的红外与可见光图像融合模型没有充分利用来自可见光源图像的层次特征,因此导致融合图像细节纹理不足。受残差网络和密集网络的启发,提出了一种基于无监督深度学习的图像融合算法来解决融合图像细节纹理信息不足的问题。使用的残差密集块有连续存储机制,最大程度地保留每层的特征信息,局部残差融合和全局残差融合的设计有利于学习图像中的结构纹理。此外,为了更好地保留可见光图像中的细节纹理,引入了生成对抗网络对数据集进行无监督学习。主客观实验表明,该算法不仅获得了良好的视觉融合效果,融合图像具有更多的边缘纹理信息,在客观评价指标上对比现有优秀的算法也较大的提升。