遥感图像语义分割的空间增强注意力U型网络

针对基于深度学习的语义分割模型在解析遥感图像时，小尺寸目标和目标边界存在分割不准确的问题，提出一种U型网络模型SGE-Unet。该模型通过优化网络结构加强模型的特征提取能力；融合空间组增强注意力，提升模型对上下文语义信息的解析能力；采用中值频率平衡交叉熵损失函数抑制类别分布不均衡的影响。在2个数据集上进行实验，SGE-Unet的整体准确率、平均交并比、■分数和Kappa系数均高于主流模型，Vaihingen数据集中小尺寸目标车的交并比和F₁分数分别为0.719和0.901，比次优模型提升了16%和11%，实验结果表明所提模型能更精准地分割小尺寸目标及目标边界。     

基于注意力机制和特征匹配的空对地多目标检测与跟踪算法

多目标跟踪算法是实现无人机自主导航的关键技术，为解决现有方法存在的小目标检测能力弱、计算能耗大、鲁棒性差等问题，提出一种基于注意力机制和特征匹配的多目标空对地跟踪算法，以实现航拍视角下对目标的精准高效跟踪。首先，引入通道可分离卷积，实现目标检测模型的轻量化；其次，构造融合空间注意力机制的小目标检测分支，提高对小微目标的检测精度，最后，优化目标跟踪算法的外观重识别网络，提高多目标跟踪效率。使用Visdrone2019-MOT数据集对所提算法进行验证，实验结果表明，所提算法的MOTA值提高了0.６%，FPS值为21.31帧/s，在模型大小和跟踪精度上实现了较好的平衡。     

基于注意力机制的实例分割算法

实例分割作为计算机视觉领域极具挑战性的任务之一,要求在图像分类的基础上为每一个物体生成像素级别的分割掩码.业界主流方案可分为自上而下和自下而上两种范式,自上而下范式又可分为双阶段分割和单阶段分割.单阶段分割方案为了提高推断速度,往往使用全图卷积操作取代双阶段分割方案中先检测后分割的策略.然而,卷积网络的平移不变性使得同一种类的不同实例提取到的特征相似,仅靠全图卷积难以进行区分,从而导致单阶段分割方案精度下降.针对单阶段分割精度降低的问题,提出了一种注意力机制,该机制在特征图每个位置的特征向量上进行点积运算,并将运算结果作为新的特征图,同一位置点积结果最大化,不同位置点积结果最小化,以丰富特征图中不同实例的差异信息.通过注意力机制使得单阶段分割方案中的全图卷积操作能更好地区分同一种类的不同实例,从而生成高质量分割掩码.在公开数据集上进行实验,验证了所提方法的有效性.     

过驱动卫星姿态动态控制分配研究

针对受干扰、飞轮故障、安装偏差和饱和影响的过驱动卫星的姿态控制问题提出了一种控制器设计方法。首先建立了过驱动卫星的姿态方程，给出了飞轮安装偏差、故障和饱和的数学描述。随后设计了存在外界不确定干扰和飞轮安装偏差时的滑模控制律，再应用动态控制分配解决过驱动卫星飞轮故障问题，最后考虑飞轮存在饱和时，使用零空间法使飞轮力矩指令保持在可行区间之内。设计的控制方法避免了复杂的控制器设计过程，控制器更为简单，适应性更广，更容易理解且更易于工程应用。     

基于最优分配的复合式高速无人直升机纵向控制设计与验证

高速直升机因其独特构型造成过渡段操纵复杂，控制系统设计难度大。本文针对复合式共轴双旋翼高速无人直升机，设计了全飞行模式控制，为高速直升机的安全飞行提供理论基础。采取分块建模思路，搭建了无人直升机数学模型，设计了过渡模式的操纵策略。采用经典控制理论设计了低速模式和高速模式纵向飞行控制律，低速模式时,为提高位置响应的快速性，直接采用并行控制结构，将位置指令引入姿态通道；高速模式时，在俯仰通道引入航迹倾斜角补偿损失高度。针对过渡段的控制分配问题，分别考虑速度和操纵面反应速度快慢的影响，设计分配权值，采用加权伪逆法进行最优分配求解。仿真结果表明，所设计的纵向飞行控制律可以有效合理分配过渡段的不同操纵量，实现平滑过渡飞行。     

基于蒙特卡洛-自适应差分进化算法的飞机容差分配多目标优化方法

针对飞机复杂组件装配过程中，由于装配偏差的非线性叠加导致通用容差分配模型优化方法存在精度误差和效率低下的问题，提出一种容差分配模型多目标优化方法。首先，分别面向制造成本、装配性能、质量损失构建基于替代工艺的容差分配模型，并采用最优化理论建立多目标优化模型。然后，提出基于蒙特卡洛-自适应差分进化算法的多目标优化策略，其中基于装配偏差传递的图树模型提取偏差的非线性关系模型，结合提取的非线性关系模型采用蒙特卡洛方法对初始样本进行前处理，以提高初始种群的多样性；自适应差分进化算法中的突变阶段采用Lévy flight概率分布进行改进提高全局搜索效率和鲁棒性。通过飞机登机门组件验证容差分配方法，结果表明所提方法能够更加精确、高效的优化容差分配。相比于初始容差分配，优化容差分配结果使得制造成本降低了21.78%,质量损失降低了11.12%,装配性能提高了12.28%。     

雷达网探测高超声速目标时间分配

针对雷达探测高超声速目标预警时间有限的问题，建立雷达网无缝跟踪的时间分配模型并设计一种贪心策略进行求解。该模型基于雷达网无缝跟踪的时间分配原则，考虑雷达跟踪容量、交接要求和时间间隔占用性等约束条件，并采用选择最早发现目标的可见时间窗作为初始跟踪时间窗的贪心策略进行求解，实现了雷达网对该类目标的持续跟踪。设计的求解策略比依次选择时间窗最长的雷达参与跟踪的策略交接次数少10%以上，同时使得目标函数值提升近6%,且算法耗时仅为精确求解算法耗时的7.5‰,提高了反临预警任务规划效能。     

基于行人姿态的轨迹预测方法

在自动驾驶领域，行人轨迹预测一直是研究热点之一，行人行为的不确定性给轨迹预测带来很大的挑战。目前大部分轨迹预测方法只专注于行人之间的信息交互，忽略了行人意图和场景中其他语义信息对行人轨迹的影响。为此，提出一种基于行人姿态的卷积编码器-解码器网络(PKCEDN)来预测目标行人轨迹的方法，所提方法包含基于卷积、长短时记忆(LSTM)网络的编码器-解码器模型和能够学习当前时刻与过去时刻轨迹相关性的注意力机制。所提方法在MOT16、MOT17和MOT20公开数据集上进行了相关测试，与Linear、LSTM、Social-LSTM、Social-生成对抗网络(GAN)、SR-LSTM和M_sgtv等主流方法相比，在保证预测速度不降低的前提下，平均误差降低约36%。