基于自适应深度网络的无人机目标跟踪算法

针对无人机（UAV）视频中目标易受到遮挡、形变、复杂背景干扰等问题，提出一种基于自适应深度网络的无人机目标跟踪算法。首先，基于主成分分析（PCA）和卷积神经网络（CNN）算法，设计3阶的自适应深度网络进行目标特征提取，该网络对图像的H、S、I通道分别进行主成分分析学习，将得到的特征向量输入网络进行分层卷积，优化了网络结构，提高了网络的收敛速度和精度。其次，将目标深度特征输入核相关滤波算法进行目标跟踪，通过分析相邻2帧图像的变化率，采用分段自适应调整学习率的算法进行目标模板更新，有效地改善目标遮挡问题。仿真实验结果表明，该算法有效地避免了复杂因素干扰导致的跟踪精度下降，具有较好的鲁棒性，相较于全卷积跟踪（FCNT）算法平均跟踪精度提高了9.62%，平均跟踪成功率提高了11.9%。     

高超声速飞行器动态神经网络反推自适应控制

针对高超声速飞行器纵向模型的高度非线性特点,在考虑模型不确定性的情况下,提出了高超声速飞行器动态神经网络调节函数反推自适应控制方法.对给定的速度指令,引入积分型Lyapunov函数设计跟踪控制器,取消了控制增益一阶导数上界的限制,且避免了控制器的奇异性;对给定的高度指令,引入调节函数技术,设计了反推控制器,避免了将模型化为严反馈形式;采用动态神经网络对未知系统动态进行自适应在线逼近.根据Lyapunov理论证明了设计的控制律保证了闭环系统的稳定性与指令跟踪的精确性.仿真结果验证了该方法的可行性及有效性.     

基于小波包能量谱的航天器在轨泄漏漏孔形状辨识方法

为了实现对航天器在轨泄漏漏孔形状的准确辨识,提出基于小波包能量谱和支持向量机的航天器在轨泄漏辨识方法。首先分析圆形、长方形、正三角形3种典型形状漏孔之泄漏信号的频域特点,之后运用小波包能量谱提取不同形状漏孔泄漏信号的特征值,最后运用提取的特征值配合支持向量机建立辨识模型,实现对漏孔具体形状的辨识。对该辨识方法进行试验验证,将3种形状的漏孔分为A、B两组,利用A组漏孔进行泄漏信号特征值提取与辨识模型的训练,再对B组漏孔进行辨识准确率测试;结果表明该方法可以实现对不同形状漏孔的辨识,在合适的小波包分解层数下,总体辨识准确率可达95.9%。     

一种星-箭连接动态界面力的深度学习反演方法

针对于星-箭连接动态界面力无法通过力传感器直接测量,且典型时域动载反演方法难以准确计算界面力的时域变化等难点,提出了基于长短时记忆(LSTM)神经网络的星-箭界面力深度学习反演方法。首先通过卫星地面测试试验得到数据依据,以卫星主体结构的加速度测量数据为输入层,以星-箭界面力测量数据为输出层,利用LSTM神经网络建立输入和输出间的反演映射关系模型,实现卫星在发射过程中较高精度的界面力反演。进而,设计并开展了某典型卫星结构的正弦扫频和随机振动实验,测试LSTM界面力反演方法的可行性。结果分析可知,所提出的基于LSTM深度学习反演方法能够精确地获得动态界面力时程数据,两项性能指标均优于目前典型的载荷反演方法。     

基于卷积神经网络的冗余机械臂运动学逆解求解

针对7自由度冗余机械臂运动学逆解求解时间过长以及通用性差等问题,通过对LeNet模型进行改进,对卷积核、激活函数、损失函数、优化算法、模型结构与初始参数等进行设计与选择,建立了卷积神经网络模型来进行求解.对卷积神经网络模型进行轨迹跟踪实验验证,结果表明:所得到的机械臂关节角度平滑,轨迹跟踪最大误差小于3 mm;所建立的...     

带转动部件航天器的RBF神经网络滑模姿态控制

航天器在空间执行任务时必须按照一定的控制指令进行高精度的姿态控制.针对航天器上转动部件的运动会对姿态控制产生干扰的问题,推导了带有转动部件的航天器姿态动力学方程,并根据干扰力矩的特点,采用了一种对干扰具有自适应能力的RBF神经滑模姿态控制方法.仿真结果表明,该方法能有效克服转动部件运动产生的干扰,所设计的控制器有很好的控制性能和鲁棒性能.     

基于CMAC神经网络导弹的气动参数辨识

本文利用ＣＭＡＣ神经网络辨识了几个重要的空气动力参数，证明了估计误差，权误差有界，仿真结果显示了本文算法的有效性。     

一种低信噪比下雷达脉内特征提取方法

高密度复杂环境下的雷达脉内特征提取是现代雷达的信号分选、识别的一个重要研究内容。利用时频分析中的WVD分布分析信号时零频处仍保持原信号所有特征这一特性 ,提出了一种低信噪比下的小波提取信号脉内调制特征的方法。仿真结果证明了该算法的有效性。     

周边固支环扇形板静力学问题的小波方法

根据相关文献，将拟Shannon小波配置法应用到环扇形板的混合状态方程中，构造出了环扇形板平面方向离散，而厚度方向是解析的混合状态方程。因为用拟Shannon小波张量积表示的近似解是离散形式的，所以固支边界的未知应力可以近似地用内点的应力和位移来表示。数值实例验证了本文方法的正确性。