用希尔伯特变换识别敲击非线性的实验研究

简述了用希尔伯特变换识别结构非线性的原理,并利用这一原理对实际结构的实测敲击传递函数进行了希尔伯特数值分析,研究了不同硬度锤头和不同敲击力幅激励时所产生的非线性,并定义误差函数来反映其非线性的强弱程度。     

火箭振动模态转角的试验测定

本文比较了火箭振动模态转角的相对和绝对测量表示法。通过分析和火箭模型的试验证实两种表示方法的一致性。讨论了由子结构转角频响函数实测值,预测组装结构的模态转角问题,并用典型物理梁作了模态转角试验综合的原理性验证。结论是用响应对外力的频响函数表示火箭的模态转角更合理些。     

基于AR/CGARCH模型的液体火箭发动机自适应阈值故障检测算法

为了解决传统自适应阈值算法对时间序列方差跟踪能力不足,以及故障阶段带宽自动放大的问题,提出了紧广义自回归条件异方差（Compact General Auto-Regressive Conditional Heteroskedasticity,CGARCH）模型。针对液体火箭发动机稳态试车数据的波动性特点,提出一种基于自回归（Auto-Regressive,AR）模型和CGARCH模型的自适应阈值故障检测算法。采用AR模型对稳态参数的均值进行估计,并采用CGARCH模型对稳态参数的方差进行估计,从而利用均值和方差的估计值自适应地构造检测阈值。用某氢氧火箭发动机的热试车数据进行验证,结果表明,该算法能够准确、快速、灵敏地检测液体火箭发动机故障,在正常工作阶段,能够有效跟踪数据波动性,在故障阶段,能够避免阈值变宽带来的漏检。     

面向激光焊接缺陷识别的可解释性深度学习方法

激光焊接在航空领域具有广泛的应用场景,基于视觉的激光焊接缺陷识别对于产品质量的提高至关重要。针对当前基于深度学习的激光焊接缺陷识别方法存在可解释性差的问题,提出了一种融合多尺度特征的类激活映射(MSF-CAM)方法。在训练阶段,以VGG16为骨架模型并将监督信息施加于多个尺度以促进模型对多尺度特征的学习。在测试阶段,对输出类别在多个尺度上的激活图进行叠加,并以此作为模型的判断依据。多尺度特征的融入不但增强了模型的可解释性,而且还提高了激光焊接缺陷识别的准确性。试验结果表明：MSF-CAM在测试集上的准确率为98.12%,识别单幅图像耗时8.28 ms。此外,MSF-CAM可以从边缘、轮廓这种初级特征的角度对模型的决策依据提供人类更容易理解的解释。     

基于改进Yolov3 算法的舰船目标检测识别系统

针对复杂战场环境下对海目标检测识别的需求,设计了一种基于改进Yolov3 算法的海面舰船目标实 时检测识别系统。使用微调分类网络、增加训练尺度、聚类目标边框维度、二级特征分类等方法对Yolov3 检 测识别网络模型进行了优化,在提高识别精度的同时有效降低了漏检率和虚警率。实验结果表明,优化后的网 络模型在自建的舰船图像数据库中将检测识别平均准确率提高到了79.3%,对真实海上航拍视频中舰船目标识 别的平均准确率达到了81% 以上。     

静止图象的多值分块编码

本文在分析二值分块编码分块效应的基础上,提出了一种新的多值分块编码方法。理论分析与实验结果均表明该方法使编码图象的分块失真减小到几乎不能察觉,输出码率降低到1.36比特/象素左右,而且文中提出的分类算法十分简便。     

一种新的导航星选取算法研究

在导航星表的建立过程中，由于恒星的数量太多，往往要进行筛选，通常这种选择复杂费时，而结果往往并不是最优的。本文引入了动态星等阈值分布函数，将传统星等阈值过滤算法中的静态阈值用动态星等阈值代替，建立了一种新的动态星等阈值过滤选择模式。而基于统计学习理论的支持向量机方法为求解高维非线性动态星等阈值分布函数提供了新的途径。本文讨论了这种基于支持向量机的导航星自动选择算法——回归选取算法。实验表明，用该算法所选取的导航星表，导航星数量少、分布均匀性好。同时它还能适应多种任务的导航星选取要求，具有很强的通用性。     

基于信息管理与融合技术在目标类型识别上的研究

在系统模型的基础上结合实战提出影响目标飞机类型识别的证据,并按照影响程度进行优先权排序;结合数据库,提出证据概率计算的数学表达式;采用深度优先搜索的融合模式,按照D-S证据理论进行融合计算;在传感器管理模块的作用下,对融合结果进行反馈控制;结合实例,对系统进行仿真验证,证明其可靠有效。     

基于波形综合的雷达目标识别的自相关法

讨论雷达反隐身技术中的目标识别方法。重点介绍基于自然频率的波形综合雷达目标识别方法。针对实际雷达目标均被噪声污染 ,提出一种抗干扰能力强的自相关函数算法 ,给出该算法的实现步骤 ,进行计算机仿真试验 ,仿真结果表明 ,所提出的雷达目标识别方法有效。     

多传感器目标识别的优化融合

对于工作在复杂环境下的多传感器目标识别系统,确保其稳健性和准确性的关键是有效处理被融合信息的不确定性。根据影响信息不确定性的因素,文章把传感器本地识别信息的可信度分为了统计可信度和环境可信度;采用最小二乘法和神经网络实现统计可信度的估计,自适应神经模糊推理实现环境可信度估计;并利用这两种可信度实现以一致理论为基础的多传感器目标识别的优化融合。经实验仿真证明,该融合方案是有效的。