Android恶意APP多视角家族分类方法

针对现有Android恶意软件家族分类方法特征构建完备性不足、构建视角单质化等问题，提出了一种多视角特征规整的卷积神经网络(CNN)恶意APP家族分类方法。该方法结合MinHash算法。将软件中Android框架系统API、操作码序列、AndroidManifest.xml文件中的权限和Intent组合3个视角的原始特征在保留APP间相似度情况下进行规整，并利用多路卷积神经网络完成对各视图的特征提取和信息融合，构建一套恶意APP家族分类模型。基于公开数据集Drebin、Genome、AMD的实验结果表明:恶意APP家族分类准确率超过0.96，证明了所提方法能够充分挖掘各视角的行为特征信息，能有效利用多视角特征间的异构特性，具有较强的实用价值。      

在轨高效目标检测加速技术

针对深度卷积网络目标检测算法参数量大、计算量大以及受星上计算资源、存储资源及功耗的限制，难以实现在轨部署的问题，提出了一种在轨高效目标检测算法加速框架与实现方法。首先，设计了一种可以同时兼容三种卷积算子的计算引擎，有效提高了资源利用率;其次，从通道和卷积核两个维度将目标检测算法模型展开，实现了加速器的高度并行化和可扩展性;最后，在多种FPGA平台上实现了该加速器并对其性能进行了评估。实验结果表明：所提出的加速器计算性能可以达到1843.2 GFLOPs(每秒千兆次浮点运算)，推理时间为0.22 ms。与同类加速器方案相比，所提出的加速器框架在性能、功耗、能效比及推理时间方面具有很大优势，适合部署在资源受限环境中，具有良好的星上应用前景和价值。     

新型高速单粒子翻转自恢复锁存器设计

航天器中芯片工作时钟频率的不断提高使得单粒子翻转(single-event-upset,SEU)效应对时序逻辑的影响更加显著。目前已经提出的辐射加固锁存器存在面积和延时较大、功耗较高且抗单粒子翻转能力有限的问题。针对这些问题，提出了一款基于130nm部分耗尽绝缘体上硅(partially-depleted silicon on insulator,PD SOI)工艺的高速单粒子辐射自恢复锁存器。在对电路设计进行介绍的基础上，与其他已经报道的电路进行了对比，并利用节点翻转分析和仿真波形验证了该锁存器具有抗单粒子翻转自恢复的功能。对比结果表明，与其他的抗单粒子翻转自恢复锁存器相比，在牺牲部分功耗的代价下，大幅减小了锁存器的面积和延时。本方案所提出的辐射加固锁存器的综合开销指标APDP较其他辐射加固锁存器平均节省了71.14%，适用于辐射环境下的对速度和可靠性有较高要求的电路，为国产宇航高可靠自研芯片提供了选择。     

基于数据扩充和特征增强的雷达回波无人机检测

针对基于雷达无人机目标识别难度高、精确度低、适应性差等问题，本文提出了利用深度学习的方法，对雷达回波进行无人机检测。首先，利用相参累积的方法生成雷达回波的距离-多普勒图像，增强目标特征并提高信噪比;其次，采用生成对抗模型对距离-多普勒图像进行数据扩充，以获得充足的图像数据减小网络的过拟合并提高网络鲁棒性;最后，使用基于位置感知的卷积神经网络增强特征，通过构建基于距离-多普勒图像的感知模块，实现对目标距离和运动速度的检测。通过在雷达回波序列中弱小飞机目标检测跟踪数据集上验证的结果表明:最终检测结果在召回率89%的情况下达到了91%的准确率。相比于基准方法，本文提出的方案具有更高的检测精度和更好的网络运行效率。     

基于多分辨率特征自选择的遮挡物识别算法

光伏组件的遮挡物识别是光伏运维系统中不可或缺的环节，传统识别算法多依赖人工巡检，成本高昂且效率低下。基于卷积神经网络，提出了一种面向光伏组件的遮挡物识别算法PORNet。通过引入特征金字塔，构建多个分辨率下具有丰富语义信息的图像特征，提升对遮挡物尺度和密度的敏感性。通过特征自选择，筛选出语义最具代表性的特征图，以加强物体环境的语义信息表达。用筛选出的特征图完成遮挡物识别，从而提升识别准确率。在自建光伏组件落叶遮挡数据集上进行了实验比较和分析，并对识别性能进行了评估，通过与现有物体识别算法相比，所提算法的准确率和召回率分别提升了9.21%和15.79%。      

卷积神经网络在风洞天平静态校准中的应用

风洞天平是气动试验中用于测量作用在模型上的空气动力载荷（力与力矩）的大小、方向和作用点的装置，测量结果的精准度与天平的静态校准性能直接相关，天平的静态校准是通过校测设备建立天平测量信号与所受气动载荷的映射关系。由于多分量风洞天平的各个分量间存在相互干扰，并且通常二次干扰和组合干扰会出现非线性特性，采用线性拟合方法会产生一定的误差，使得风洞天平静态校准性能因受到数据处理方法（线性拟合）的局限而较难进一步提高。因此，为了进一步提升应变天平静态校准的性能，本文探索深度学习方法在风洞天平静态校准中的应用。利用中国科学院力学研究所风洞天平校准系统AiBCS，对六分量应变天平开展基于卷积神经网络的静态校准研究，采用深度学习训练模型代替传统风洞天平校准公式并获取更高性能指标。同时，对人工智能建模方法在天平静态校准中的适用条件、有效性及可靠性等方面进行了讨论和评估分析。数据结果显示：相较于传统的基于最小二乘多项式的拟合方法，卷积神经网络天平校准方法有效降低了天平各个分量间的载荷干扰，使校准结果的精准度得到了较大幅度的提升。     

非参数化迭代自适应SAR射频干扰抑制方法

合成孔径雷达（Synthetic Aperture Radar，SAR）的成像质量与图像解译精度会因为空间中存在的射频干扰（Radio Frequency Interference，RFI）而下降。本文在加权最小二乘迭代自适应算法的基础上，提出了非参数化的迭代自适应RFI抑制方法。该方法在成像处理前增加了对RFI的预检测环节，在初步检测出存在RFI的数据部分后只对存在RFI的数据进行SG（Savitsky-Golay，萨维茨基·戈莱）卷积平滑处理以提升对弱RFI的检测能力。利用带阻滤波器滤除存在干扰的频段后，使用迭代自适应处理在频谱中估计出被去除频段中的信号分量以获得期望的距离谱。与利用传统距离频率滤波方法进行RFI抑制相比，所提出的方法在图像细节保持方面效果更优，避免了因频谱不连续而导致的旁瓣增加，且运算效率更高。     

基于VBGMM-DCNN的列车卫星定位欺骗干扰检测方法

面向基于全球导航卫星系统的铁路列车定位实施欺骗干扰的主动检测，在卫星定位解算层次，运用深度学习建模学习方法的优势，提出一种基于变分贝叶斯高斯混合模型-深度卷积神经网络（variational Bayesian Gaussian mixture model-deep convolutional neural network, VBGMM-DCNN）的列车卫星定位欺骗干扰检测方法。该方法首先提取能够充分体现欺骗干扰对定位解算过程作用影响的卫星观测特征参数，构建干扰检测特征矢量；然后，采用VBGMM模型拟合经过预处理的特征向量的概率分布，得到二维概率密度图；最后，将概率密度图用于DCNN模型实施欺骗干扰的检测决策。结合现场实验所得运行场景数据，利用实验室搭建的欺骗干扰测试环境实施了干扰注入测试与检验，结果表明,欺骗干扰检测性能随着DCNN网络深度的增加而提升，相对于常规有监督决策方法F1值最高提升44.68%。基于VBGMM-DCNN的欺骗干扰检测能够适应测试验证中运用的列车运行特征及定位观测条件，所达到的检测性能优于对比算法。     

基于改进的SqueezeNet直升机滚动轴承故障诊断

针对现有基于卷积神经网络的故障诊断方法存在模型参数量和计算量大的问题，提出一种改进的SqueezeNet模型应用于直升机滚动轴承故障诊断。该模型借鉴VGG16模型的思想，在经典的SqueezeNet基础上，采用3个3×3卷积核代替1个7×7卷积核，实现了在相同感知野条件下增加网络容量、增强非线性、减少网络参数量，采用卷积层、池化层和Fire模块、池化层两大结构交替的方式组成模型特征提取层，在保障特征提取能力的情况下，进一步减少了网络参数量。通过轴承数据开展模型故障诊断实验，结果表明该模型诊断精度达到99.65%，与传统卷积神经网络及经典的SqueezeNet模型相比诊断精度相当，而计算量与参数量最大缩减约6倍和36倍。     

基于改进的SENet航空发动机振动预测

为实时监测和预警航空发动机振动状态，基于气路及振动参数，提出一种使用改进的SENet（squeeze-and-excitation network）模型，对航空发动机近未来的振动进行预测。该研究相比以往采用的实验室模拟数据和仿真数据，使用了真实的QAR（quick access recorder）数据并进行随机采样，以求更能表征发动机振动和工作参数之间的关系。同时，不仅使用其他振动信号进行验证，还在其他型号的发动机上进行测试。结果表明:针对航空发动机的振动进行预测是可行的，SENet模型可以有效并实时追踪振动的突变和波动。此外，该方法对于其他振动信号和不同类型的发动机具有一定的适用性。而且相较于以往采用的其他经典的深度模型，SENet模型在振动的预测中能得到更小的误差。实验证明，相较于以往只使用振动这个单参数进行预测，并行使用与振动相关的多参数融合进行研究更能提高预测的准确性。