基于深度学习的小目标检测研究进展

随着深度学习方法的快速发展,目标检测作为计算机视觉领域中最基本、最具有挑战性的任务之一,已取得了令人瞩目的进展。现有的算法大多针对于具有一定尺寸或比例的大中型目标,但由于待测目标尺寸小、特征弱等原因,对小目标的检测性能还远远不能令人满意。小目标检测（SOT）作为一种广泛应用于室外远程拍摄和航空遥感场景的技术,近年来受到了广泛的关注,各种方法层出不穷,但是目前对该问题的全面综述较少。从问题定义、算法分析、应用介绍、方向展望等方面对基于深度学习的小目标检测研究进展进行了综述。首先,给出了小目标检测问题的定义,阐述了其技术难点及在实际应用中面临的挑战;接着,从8个不同角度分析了检测器对小目标检测精度较低的主要原因及相应的改进方法,详细归纳总结了小目标检测在各技术方面的研究工作;然后介绍了几个特定场景下小目标检测算法的典型应用;最后,对小目标检测未来的发展趋势进行展望,提出可行的研究方向,期望为该领域的研究工作提供可借鉴和参考的思路。     

基于BSP-ANN的四旋翼无人机轨迹跟踪方法

为了降低无人机轨迹跟踪误差,提高系统抗干扰能力,对反步（Backstepping）法进行改进提出一种基于反步神经网络（BSP-ANN）的无人机轨迹跟踪方法。首先,建立了四旋翼无人机运动学模型;然后,结合Backstepping方法在无人机的姿态控制、轨迹跟踪控制系统中引入Sigma-Pi神经网络,同时设计Sigma-Pi神经网络控制率,并证明该控制率满足Lyapunov意义下的系统稳定;最后,分别给出了相应的仿真实验。仿真结果表明：该算法可以有效降低跟踪误差,缩短无人机跟踪时间,同时可以提高系统的抗干扰能力。     

一种柔性机器人的神经网络控制方法

提出了一种末杆为柔性杆的机器人的新型神经网络控制方法.它将末杆为柔性杆的机器人分解成刚性前端和柔性末端两部分,使用传统的机器人控制方法控制刚性前端,采用神经网络辩识柔性末端部分的逆模型,将末端的期望轨迹实时分解成末关节转角及末关节轴位姿的期望轨迹再分别进行控制.这一方法将传统的基于模型的控制方法和神经网络方法有机结合在一起.通过对平面3杆柔性机器人的数值仿真,初步验证了这一方法的有效性和良好效果.     

基于模糊神经网络的导弹最优寻的末制导律

提出了一种适用于一类末制导段采用推力矢量控制的新型导弹的模糊神经网络最优寻的末制导律.在制导律设计时不仅要求导弹能量最省,脱靶量最小,同时考虑了推力矢量控制的非线性特点,并且为改善该神经网络系统的学习效果,在学习算法中还引入模糊学习规则.数字仿真表明所提出的模糊神经网络制导律对于机动目标具有较好的攻击能力.     

基于RBF神经网络的2024铝合金酸性 盐雾腐蚀实验预测

选用飞机结构材料2024铝合金进行不同条件下的酸性盐雾实验,设定盐雾实验的pH值分别为2、3、5,盐雾浓度分别为25 g/L、50 g/L、75 g/L,腐蚀时间分别为24 h、48 h、72 h。将径向基函数神经网络(radial basis function neural networks,RBF)与正交实验设计相结合,选取不同的实验条件组作为神经网络的学习样本集,并通过极差分析对正交实验结果进行分析。结果表明:采用RBF与正交实验设计相结合的方法,能够较准确地预测任意实验条件下的腐蚀速率,减少实验次数,提高预测精度;把正交组和顶点补充组同时作为学习样本集的预测结果要优于单单只有正交组作为学习样本集的预测结果。极差分析结果表明,对2024铝合金单位面积的质量损耗影响最大的因素是溶液的pH值,其次是盐雾浓度,腐蚀时间的影响最小。     

基于优化BP神经网络的开关磁阻电机定子电阻辨识方法

为解决直接转矩控制下的开关磁阻电机低速运行时磁链计算受电阻变化影响比较大的问题,详细观察分析了电阻对于相电流的影响,通过比对电阻可调的电机模型与实际的电机模型的输出电流,提出了一种基于优化BP神经网络的电阻辨识器。优化BP网络数学理论,结构简单,学习算法清晰明白,基于该网络的算法能够对变化的定子电阻进行辨识。将该方法置于Simulink控制系统上进行仿真,同时比较有无电阻辨识器前后仿真波形。试验表明,该电阻辨识方法可以提高开关磁阻电机低速运行时系统性能。     

基于递归径向基神经网络的航空发动机盘腔瞬态壁温预测

针对航空发动机空气系统盘腔瞬态壁温动态预测难的问题,提出了一种基于径向基神经网络的递归预测模型。通过时序数据多维重构的方法建立训练样本,强化径向基神经网络对“时滞性”的预测能力,分析了模型固有超参数和由多维重构引入抽样控制参数对模型预测精度的影响。采用简化的典型盘腔壁面换热模型结合公开的试验历程转速数据,构建了供模型训练和测试的瞬态壁温数据样本,以递归调用模型的方式完成了对测试样本时序数据的预测和验证。结果表明,与常规的径向基神经网络预测模型相比,该模型的平均相对预测偏差由3.0%降低至0.45%,有效提升了模型的预测精度。为航空发动机盘腔瞬态壁温异常监控及超温排故问题提供了一种新的预判方法。     

基于多头注意力机制的飞机发动机寿命预测研究

针对飞机发动机监测参数多和预测模型不能充分提取监测数据的有效信息等问题,基于一维卷积神经网络（1DCNN）、时序卷积神经网络（TCN）和多头注意力机制,提出一种新的网络结构以实现飞机发动机剩余寿命的准确预测。对多维特征参数分别建立一个1DCNN-TCN模型,利用两层1DCNN对飞机发动机的多元传感器信号进行特征提取,利用TCN对特征量的时序信息进行记忆,通过多头注意力机制对多个1DCNN-TCN的输出分别进行加权处理,并拼接最终结果。分析结果表明,采用本文方法得到的RMSE和Score值比目前文献中最优值分别降低了6.84%,63.41%。该方法显著提升了飞机发动机剩余寿命预测的准确性。     

基于遗传神经网络的高能固体推进剂高压燃烧性能计算

建立并利用遗传(GA-BP)神经网络对NEPE类高能固体推进剂高压燃烧性能进行了模拟计算。针对计算需求,对NEPE类高能固体推进剂配方进行了全新表征,提出了13个表征参数。燃速预示结果表明,该方法计算误差小于10%,精度较高,能指导高能固体推进剂高压燃烧性能研究及配方设计;同时,也说明该表征方法能反映出此类配方的本质特征。该研究为高能固体推进剂燃速预估提供了新方法。     

HEVC对偶编码单元划分优化算法

为了解决视频数据量日益增长与用户享受高质量视频体验需求之间的矛盾,HEVC在H.264/AVC标准的基础上通过引入新型的编码结构和算法进一步将编码效率提升了50%,但是也极大地提升了编码复杂度。基于此,提出对偶编码单元(CU)划分网络DualNet,来降低HEVC中帧内编码复杂度。该网络由预测网络和目标网络2个部分组成,其中,预测网络通过分析图像统计特征实现编码单元划分决策,从而跳过四叉树的遍历搜索,提高编码单元划分决策的时间效率;目标网络基于率失真代价评价和优化决策模型提升编码单元划分性能,实现模型互补和最优率失真估计。实验结果表明：与HEVC标准对比,所提算法在实现相近的压缩效果的前提下能够节省64.06%的编码时间。