一种基于Gabor深度学习的无人机目标检测算法

随着智能控制技术的不断成熟,无人机给军事领域带来快速发展的同时也带来了威胁.因此针对空中飞行的无人机进行实时检测的任务需求,设计了一种基于Gabor深度学习的无人机目标检测算法.首先,搭建基于Gabor滤波器的深度神经网络,输入的图片经过该网络进行网格化划分,用以特征提取;然后,针对每个格子的特征利用回归算法计算其中物体的位置信息,并利用分类算法计算物体的类别信息,对以上得到的回归和分类结果进行筛选、融合得到最终的检测结果;最后,采集空中飞行的无人机真实数据构建数据集,在此基础上进行网络模型训练和算法验证.     

甲烷-乙烷混合推进剂深度过冷技术的实验研究

针对甲烷采用液氮过冷可能发生甲烷冰堵风险,提出了在甲烷中添加乙烷,制备凝固温度更低的甲烷-乙烷混合推进剂的新方案,搭建实验系统测试了甲烷-乙烷凝固温度变化规律。研究发现,随着甲烷含量提高,混合推进剂凝固温度先降低后升高。当甲烷、乙烷比例为0.71∶0.29时,混合推进剂达到最低凝固温度,约73.0 K。当采用常压饱和液氮对混合推进剂过冷时,控制甲烷含量在0.52~0.81间可避免推进剂冻结。相较于常压饱和甲烷,防冻结区的混合推进剂密度提高了24.0%~38.4%,液相存在温区增大至35.7 K~40.5 K。此外,甲烷-乙烷混合推进剂具有理论比冲高、再生冷却性能佳、结焦与积碳小等优势。所提出的甲烷-乙烷混合推进剂在火星探测等任务中具有可观的应用前景。     

飞机跑道荷载响应深度变化规律

针对目前刚性道面未考虑道面结构参数、起落架机型及滑跑速度与响应深度之间关系的现状,借助ANSYS软件建立45m×15m×10m的有限元模型,计算了8种面层厚度、6种面层模量、5种基层厚度、5种基层模量和5种土基模量下B737-800动荷载的响应深度,并类比另4种机型的计算结果,分析了起落架构型对结果的影响;同时形成了B737-800起飞过程中响应深度的动态变化曲线.研究结果表明,响应深度随面层厚度、面层模量、基层厚度与基层模量的增大呈线性减小趋势,随土基模量的增大而增大,两者关系服从二次函数,且土基模量对响应深度最为敏感;同时起落架构型对响应深度也有较大贡献;飞机起飞过程中,响应深度呈先小幅增加而后迅速减小的非线性变化.研究结果为机场道面结构参数的选取和场道维护提供了理论依据和参考.      

一种复杂场景下的人眼检测算法

针对复杂场景下的人眼检测问题,间接方法和直接方法具有一定的局限性。提出了一种不依赖人脸检测的直接型人眼检测算法,以解决复杂场景下多尺度尤其是小尺度人眼检测问题。算法通过减少下采样因子并加入扩张残差单元以提升小尺度人眼检测能力,且对多尺度特征相互拼接以保证多尺度人眼检测的精度。同时,算法借助于压缩特征输出通道降低了模型复杂度,使人眼检测效率得以提升。实验结果表明:所提模型可以在小尺度下有效地进行左右眼区分,并在红外数据上表现良好。经在DIF数据集上进行训练与测试,所提模型在较小尺度下人眼检测精度达到82.59%,检测效率达到30.5 fps。      

基于深度学习和图匹配的接线图检测与校核

传统的厂站一次接线图的绘制和管理主要依靠电网运行人员,费时费力且缺乏科学可校核的参考标准。提出了一种基于深度神经网络和数字图像处理相结合的厂站一次接线图的自动检测、识别和校核算法。首先,使用目标检测Faster R-CNN模型检测厂站接线图中的电器元件,并达到92%的检测准确率,同时使用端到端的文字检测识别模型识别厂站接线图中的文字信息,并达到94.2%的文字检测准确率和92%的文字识别准确率;然后,使用数字图像处理技术进行厂站接线图连接线、拓扑关系识别;最后,使用改进的VF2算法进行厂站一次接线图和人工维护的厂站一次接线图拓扑关系匹配校核,将拓扑数据抽象为无向图,通过轮廓序号得到元件的相对位置信息,根据改进的VF2算法得到2张图的匹配率,并通过匹配率与设定好的阈值来帮助核验,相比于节点遍历的匹配方法,核验准确率提高了37.5%。基于某供电公司提供的部分变电站的厂站一次接线图标注了接线图电器元件,贡献了一个小型接线图数据集。      

基于结构化特征的遥感影像道路智能提取方法

遥感影像道路提取是空基平台对地智能理解的重要内容.利用道路网络特有的结构特点,从道路网络结构相似性损失函数和结构化特征算子两个方面,提出了一种结构化特征表示的道路提取方法.首先,针对遥感图像中道路目标占比较小的特点,设计了深度较浅、分辨率较高的编解码网络结构;其次,引入道路网络的结构相似性(SSIM)损失,并提出一种道...     

基于分布式深度学习的多星计算卸载策略

在边缘计算增强的低轨卫星网络场景下,低轨卫星集群协同处理地面任务能有效降低用户响应时延。对卫星集群的联合卸载决策和资源分配优化问题进行研究,将其描述为一个混合整数规划问题,并采用了一种基于分布式深度学习算法的卫星边缘计算卸载算法（deep learning based offloading algorithm,DLOA）。该算法使用多个并行DNN用于生成卸载决策并采用经验回放存储新生成的卸载决策,当采用隐藏层结构不同的DNN,收敛速度比同构DNN提升18%,收敛值与最优值的比值基本为1,可以认为已收敛至最优。此外,探讨了DNN的数量对所使用的算法的影响,仿真结果表明采用少量DNN就可以获得近优的收敛效果。通过对不同任务规模下采用不同算法的任务完成率进行研究,结果表明DLOA算法可通过采用异构DNN和优化资源分配方案显著提升完成率,其较单星运算方案任务完成率提升1倍,较二进制粒子群算法方案提升20%。     

基于深度学习的航空发动机不平衡故障部位识别

针对基于机匣测点的航空发动机不平衡故障部位识别问题,提出了基于深度卷积神经网络的航空发动机不平衡故障部位诊断方法。针对某典型双转子航空发动机,建立整机耦合动力学模型,并利用数值积分算法实现不平衡故障数值仿真;在从发动机压气机端到涡轮端的高、低压转子上选择4个不平衡故障部位作为诊断对象,通过仿真分析得到发动机典型转速下的转子不同部位不平衡故障的仿真样本;计算4个机匣测点信号的规范化频谱,通过对大量仿真数据的处理得到反映不同不平衡故障部位的故障样本集;利用仿真得到的大量不平衡故障样本,训练深度卷积神经网络,利用深度卷积神经网络的优良特征学习能力实现航空发动机不平衡故障的不同部位进行识别,数值试验结果表明该方法对航空发动机不平衡故障部位的识别准确率达到95%。     

基于深度神经网络的机器人定位误差补偿方法

工业机器人由于高效率、低成本被广泛应用于智能制造业,但较低的绝对定位精度限制了其在高精度制造领域的推广应用。为提升机器人绝对定位精度并解决传统复杂的误差建模问题,提出了一种基于深度神经网络的机器人定位误差补偿方法。首先在笛卡尔空间进行拉丁超立方采样规划,获得目标点姿态对误差的影响规律;然后建立基于遗传粒子群算法优化深度神经网络(GPSO–DNN)的定位误差预测模型,实现对误差的预测和补偿;最后为验证该方法的准确性和优越性,与其他误差补偿模型进行对比。试验结果表明,基于GPSO–DNN的定位误差补偿方法的补偿精度最高,定位误差由补偿前的1.529mm减小为0.343mm,精度提高了77.57%。该方法能有效补偿机器人定位误差,大幅提高机器人的定位精度。     

一种用于分析MCS-51目标码堆栈深度的方法

在嵌入式软件中,针对目标码的堆栈分析是堆栈检查的常用手段．提出了一种用于MCS-51系列处理器目标码的堆栈深度分析方法,该方法可分析最坏情况下的堆栈深度,并考虑了不同优先级下中断服务程序对堆栈的影响．利用该方法可开发出分析MCS-51目标码的堆栈分析工具,其分析结果对堆栈安全检查和优化具有参考意义．