基于高置信局部特征的车辆重识别优化算法

根据车辆重识别中区域置信度不同,提出了基于高置信局部特征的车辆重识别优化算法。首先,利用车辆关键点检测获得对应的多个关键点坐标信息,分割出车标扩散区域和其他重要的局部区域。根据车标扩散区域的高区分度特性,提升局部区域的置信度。使用多层卷积神经网络对输入图片进行处理,根据局部区域分割信息,对卷积得到的特征张量进行空间维度上的切割,获得代表全局信息和关键局部信息的特征张量。然后,通过全连接层特征张量转化为表示车辆个体的一维向量,计算损失函数。最后,在测试阶段使用全局特征,并利用训练好的车标扩散区域提取分支获得高置信局部特征,缩短局部识别一致的车辆目标距离。在典型车辆重识别数据集VehicleID上进行测试,验证了所提算法的有效性。      

基于类脑模型与深度神经网络的目标检测与跟踪技术研究

目标检测与跟踪技术广泛应用于交通、医疗、安保和航天等领域.目前,目标检测与跟踪技术面临目标微弱、背景复杂、目标被遮挡等挑战.同时,随着脑科学研究的不断深入,人们对人脑视觉系统的理解逐渐透彻,利用类脑计算解决复杂背景下高精度目标检测与跟踪问题成为相关领域的重要研究方向.本文结合神经工程导向的类脑模型和计算机工程导向的深度神经网络(Deep Neural Networks, DNNs),提出多种基于类脑模型与深度神经网络的目标检测与跟踪算法,包括：基于演算侧抑制的目标检测算法,基于结构 对比度(Structure Contrast, SC)视觉注意模型的弱小目标检测算法和基于记忆机制与分层卷积特征的目标跟踪算法.实验结果表明,将类脑模型和深度神经网络应用于目标检测和跟踪领域,有利于实现复杂条件下的高精度目标检测和鲁棒性目标跟踪.     

基于FPGA的红外目标识别神经网络加速器设计

在红外目标识别领域,基于卷积神经网络的深度学习算法的识别精度已远远超过了传统模式识别算法,但神经网络的实现需要庞大的计算和存储,难以在无人机等嵌入式平台上进行部署。针对此问题,将通道级量化策略和梯度的近似优化训练引入到了低比特神经网络模型的建立中,并提出了一种可充分利用硬件计算资源的FPGA加速器,其整体平均性能为65.6GOPS。与其他相关工作的对比表明,低比特量化方法及其FPGA加速器实现,可以为嵌入式红外目标识别系统提供一种能效高、识别精度高的解决方案。     

自适应航天器态势分析系统

利用深度学习中的卷积神经网络理论,基于单目视觉系统和带有标识物的航天器影像,实现对航天器的三维姿态角、距拍摄点距离和相对拍摄中心偏移量的精准测量。利用机器学习理论实现网络自主学习样本特征,这一方式将大幅降低动态测量的误差。同时,这种测量方式也避免了人工提取特征的复杂过程,实现任意、精准、快速测量,对航天器在组装及发射过程中的姿态估计、距离测算起到关键性作用。     

多航天器协同探测效能影响参数不确定性分析

为解决传统基于蒙特卡洛仿真的探测效能不确定性分析评价方法中时间效率低,参数关系映射单一的问题,提出一种基于神经网络的不确定性分析方法,利用人工神经网络在拟合回归分析上的非线性特性,设计了能够替代复杂系统的神经网络结构,能够通过少量仿真计算结果作为训练样本实现模型的收敛并能有效反映被替代系统的原有特性。选择以一个多航天器的天文观测任务作为典型用例,建立了仿真分析模型,并与蒙特卡洛仿真方法结果进行了对比,验证了此方法的准确性和计算效率。     

高超声速飞行器再入段LQR自抗扰控制方法设计

针对高超声速飞行器(HSV)再入过程中强非线性、强耦合、气动参数变化剧烈的不确定性的特点,提出一种基于线性二次型调节器(LQR)和自抗扰控制(ADRC)的高超声速飞行器再入段的姿态控制方法。首先,建立高超声速飞行器再入段线性化模型,并采用LQR方法完成了状态反馈控制律设计。然后,结合自抗扰控制技术,设计了扩张状态观测器(ESO)对系统的模型不确定性和外部干扰进行补偿,大幅增强了系统的扰动抑制能力。最后,将得到的高超声速飞行器再入段LQR自抗扰姿态控制器(LQRADRC)应用于高超声速飞行器六自由度仿真,仿真结果表明本文所提出的控制方法能够快速、精确地跟踪角位置指令,并且对系统不确定性具有强鲁棒性。     

发动机用特种油滤网冲压过程质量控制

W型特种油滤网具有弹性好,抗冲击能力强等优点,在发动机管路系统广泛应用,然而,W型油滤网为薄壁、复杂横截面结构,冲压成形过程极易出现拉裂、起皱缺陷以及尺寸超差等问题,导致零件合格率低,批量报废。为解决W型油滤网冲压过程成形质量问题,基于ABAQUS有限元仿真平台,建立了W型油滤网冲压过程三维有限元模型,获得了优化工艺参数和模具结构尺寸。针对试验和试生产出现的质量问题,开展质量问题统计,获得质量控制措施,试验结果表明,采取的质量控制措施有效解决了油滤网冲压过程的缺陷问题,产品合格率提升至99%以上。优化后的加工工艺稳定,满足批量生产交付要求,说明采取的质量控制措施是合理的。该研究方法应用于"C型"特种油滤网生产,产品合格率达99%以上,研究方法具有普适性。     

分析型光压模型在北斗导航卫星精密定轨中的应用

太阳辐射压摄动是导航卫星受到的最大非保守力,是精密定轨的主要误差源,目前一般使用扩展经验光压模型(ECOM)等经验模型应用于卫星的精密定轨,分析型光压模型物理背景清晰,更加适合在轨初期的精密定轨。文章分析了分析型光压模型在我国北斗高轨导航卫星中的应用。选取了约1个月的北斗地球静止轨道-6(GEO-6)和倾斜地球同步轨道-5(IGSO-5)卫星数据进行分析,其太阳辐射压摄动加速度在轨道的径向(R)、横向(T)和法向(N)3个方向分别约为10^-7、10^-7和10^-8 m/s²量级,将分析型光压模型和精密定轨输出的太阳辐射压加速度进行比较,GEO-6卫星径向和横向的差异在10^-8 m/s²量级,法向方向在10^-9 m/s²量级,相对误差在10%左右,对IGSO-5卫星,差异要小1/2左右,约为5%。以多模GNSS系统试验网络(MGEX)的轨道作为参考,直接使用分析型光压模型,GEO-6位置误差约为2.5 m, IGSO...     

应用过程神经网络的航天器瞬态温度预测方法

航天器在轨温度受空间热环境影响变化较大,同时研制阶段的热分析与热试验往往也耗时较长,因此通过准确有效的预测方法为其提供在轨温度预警信息、提高热仿真与热试验效率至关重要。文章提出航天器瞬态温度预测方法,依据航天器在轨温度实测数据,采用相空间重构理论构建样本集完成训练,应用过程神经网络建立瞬态温度预测模型,并对温度进行外推预测。经验证,根据温度预测方法建立的温度预测模型绝对误差最大值为0.746 K,可在满足工程精度的情况下实现对航天器瞬态温度的快速预测。     

惯性推算误差抑制的神经网络自学习模型设计与验证

惯性推算误差抑制是提升复杂场景下组合导航定位性能的关键,现有采用运动约束或系统误差高阶建模的方法从运动学模型及传感器误差模型出发,通过经验确定参数及模型的最优解。深度学习隐式模型能够挖掘数据之间的隐含关系,进行自主化参数寻优,并在提升惯导误差建模精度方面具有一定优势。总结了现有主流网络模型设计的优缺点,通过对比不同的输入输出方案进行优选,最终利用卷积神经网络构建了一套惯性误差抑制的轻量化神经网络自学习模型,并利用实测车载数据验证了该模型的有效性。实验结果表明,在GNSS信号失锁300 s的路段I和失锁285 s的路段II,网络模型速度约束的算法相较于纯惯性推算和传统NHC算法均有一定提升,融合NHC及网络模型速度约束的算法在水平定位精度上分别改善了41.7%~47.4%和26.7%~36.6%,一定程度上抑制了惯性推算误差。