基于HTTP自适应流媒体传输的3D视频质量评价

3D视频网络服务的关键在于提高用户的体验质量（QoE）,而体验质量往往会由于网络环境的变化及视频内容的不同而受到影响。传统的2D视频传输可以采用基于HTTP的自适应流媒体（HAS）速率自适应机制有效地利用网络带宽,提高用户体验质量。因此对于如何利用动态自适应流媒体技术实现至少需要传输两路视频流的3D网络视频服务已经越来越被关注。HAS技术的关键在于媒体质量级别的动态转换策略,主要研究了3D视频中不同视点比特率的变化对用户观看体验质量的影响。首先,建立一个主观数据库探讨块级客观质量与3D视频的视觉体验质量之间的关系,块级客观质量将随着比特率的变化而变化。其次,提出了一种基于卷积神经网络（CNN）的QoE模型,该模型可以通过块级客观质量有效地评估QoE,模型预测值和平均意见分（MOS）的皮尔森线性相关系数（PLCC）为0.906,可在自适应流媒体应用中为3D视频传输中不同视点的码率调整提供指导。      

基于深度学习的航天器组合体惯性参数在轨智能辨识

针对在轨服务过程形成新组合体的动力学参数未知的问题,借助深度学习在多参数寻优上的优势,提出了一种基于卷积神经网络的智能参数辨识算法,实现在外力作用下,线动量和角动量不守恒条件下的航天器组合体多参数辨识。利用卷积神经网络权值共享的特点,设计4层卷积神经网络,通过短时间内对大量特定存储形式的状态数据的训练,实现航天器组合体多参数快速高精度辨识。利用数学仿真试验对算法的可行性进行验证,结果表明：在24s内,质量与质心位置收敛;1190s内,惯量参数收敛,辨识精度在3%以内。说明所提方法在外界随机干扰力和力矩影响下能准确快速辨识出航天器组合体质量、质心位置和惯量矩阵。     

基于终端滑模和神经网络的多目标姿态跟踪鲁棒控制

研究了航天器编队飞行多目标姿态跟踪的鲁棒控制问题.主航天器由中心刚体和一个快速机动天线组成,星载相机跟踪某一特定目标,同时天线与从航天器保持通信.在考虑模型不确定性和外部干扰情况下,基于非奇异终端滑模技术和RBF神经网络,设计了多目标姿态跟踪鲁棒控制器.鲁棒控制器由RBF神经网络和一个自适应控制器组成.自适应控制器用于抵消神经网络的逼近误差和实现期望的控制性能. RBF神经网络用于逼近模型不确定部分与外部干扰力矩,并且根据非奇异终端滑模的有限时间收敛属性,提出了一种RBF网络的在线学习算法,提高了RBF网络的逼近效率.应用Lyapunov稳定性理论,证明了闭环系统稳定性.数值仿真结果表明所设计的控制器对外部干扰与模型不确定具有良好的鲁棒性.     

基于最优角度自适应TSF的SRM直接瞬时转矩控制

针对开关磁阻电机（SRM）在换相区转矩脉动大、运行效率低的问题,提出了一种基于最优角度自适应转矩分配函数（TSF）的SRM直接瞬时转矩控制（DITC）方法。首先,在电机全速范围内选取部分代表性转速,获得相应转速下最大平均转矩对应的最优开关角;然后,用离散的最优开关角数据训练改进的BP神经网络,获得全速范围内的最优开关角,从而使TSF根据不同转速动态地调整其形状,获得自适应能力,达到抑制换相区转矩脉动的目的。为验证所提方法的有效性,以一台3相6/4极SRM搭建仿真模型和实验平台,结果表明,所提方法有效抑制了换相区的转矩脉动,并提升了系统的运行效率。      

基于DOA-BP神经网络的电离层TEC短期预测

影响全球导航卫星系统（GNSS）所需导航性能（RNP）的最大误差源之一是电离层延迟,该延迟与电离层总电子含量（TEC）成正比,因此TEC的准确预测直接影响到GNSS的RNP。探索性地使用2021年提出的澳洲野犬优化算法（DOA）优化反向传播（BP）神经网络,构建DOA-BP神经网络TEC短期预测模型,以欧洲定轨中心（CODE）提供的电离层TEC值作为数据集,训练、测试DOA-BP TEC短期预测模型,实现全球范围和中国区域不同电离层格网点处TEC值的高精度短期预测,并将预测结果分别与传统BP神经网络模型、麻雀搜索算法（SSA）优化的BP神经网络模型（SSA-BP）预测的TEC值进行对比分析,结果表明,相较传统BP模型,DOA-BP模型的TEC预测精度明显提高,且相比其他优化模型（如SSA-BP模型）,预测的TEC精度也占一定优势,能准确反映全球不同时空下电离层TEC的变化特征,可作为电离层TEC短期预测的一种新方法。     

精确制导武器末制导目标识别优化算法研究

针对目前精确制导武器末制导系统智能化发展面临的挑战,结合智能目标识别算法在嵌入式硬件上的计算需求,选取针对小目标具有较好检测效果的YOLOv3网络进行优化部署验证.研究基于BatchNorm层的双正则项神经网络裁剪优化算法、基于TensorRT的INT8量化技术以及面向FPGA计算架构的INT8训练与量化协同优化算法....     

基于融合神经网络的航空发动机剩余寿命预测

航空发动机的性能退化是影响飞机飞行安全的重要因素。准确预测发动机的退化过程,对于飞机安全飞行具有重要意义。针对航空发动机剩余寿命预测问题,本文提出了一种将卷积神经网络和长短期记忆网络相融合的数据驱动模型。与常规使用单一的神经网络不同,所提出的融合模型结合了两种神经网络的优点,利用卷积神经网络提取数据中的空间特征并采用长短期记忆网络提取时间特征。实验结果证实,在寿命预测中,所提出的数据驱动模型与已有的方法相比,评分和均方根误差分别下降了32%和6.4%,因此,所提出的数据驱动模型可对数据中所包含的信息进行充分挖掘,其对航空发动机寿命预测精度较高,并具有良好的稳定性。     

基于多神经网络的可展开网状天线型面调整方法

为在提高可展开网状天线型面精度的同时减少型面调整的工作量,提出了一种基于多神经网络的型面调整方法。通过分析新型张拉网状天线型面与调整索相关性与耦合机制,首次提出了型面调整策略。以10 m口径的新型张拉网状天线为例进行了数值仿真研究,调整后型面的均方根值从5.4×10^-3m降低到1.1×10^-3m,从而验证了方法的有效性。     

基于GA-AANN神经网络的SDQ算法的航空发动机传感器数据预处理

为实现对输入健康管理系统的航空发动机传感器数据进行数据鉴定、故障诊断以及去除噪声信号干扰,提出了一种航空发动机传感器数据预处理方法。针对双通道传感器航空涡扇发动机,搭建了以合理性检验模块和解析冗余检验模块为主要内容的SDQ算法模型,利用遗传算法优化的AANN神经网络实现传感器的解析冗余检验。采用蒙特卡罗仿真方法,将改进的SDQ算法与一种基于最小二乘法的SDQ算法进行对比仿真验证。结果表明,本文提出的SDQ算法在发动机稳态条件下对阶跃故障和漂移故障隔离的平均正确率分别提高了1.7%和19.1%,在发动机动态条件下对阶跃故障和漂移故障隔离的平均正确率分别提高了12.5%和33.8%。且在多传感器故障诊断和除噪方面性能优异,处理后的传感器信号平均信噪比提高了8.27dB。     

音频信号联合编码的通用码书研究

为了减小音频信号编码算法的运算量,提出了在线性预测编码、SOM神经网络矢量编码以及Huffman编码相结合的声音信号联合编码算法(以下简称联合编码)的基础上,将算法中原有的专用码书改为通用码书的算法。利用Matlab软件编程进行了专用码书和通用码书条件下的声音信号编解码实验。实验结果表明,在码率相等的条件下,使用通用码书和专用码书的联合编码方法可以得到相近的译码声音质量。使用通用码书的联合编码的最低码率在音频编码格式Opus码率的范围内,且接近Opus码率的下限,而且算法较Opus编码简单,因而实时性较好。文章提出的编码算法可为音频压缩编码的进一步研究提供参考。