创新创业导向的LabVIEW编程与虚拟仪器设计课程教学改革与实践

"LabVIEW编程与虚拟仪器设计"课程是自动化专业、电气工程及其自动化专业的一门实践性很强的专业课,本课程结合创新创业教育改革的精神,针对以往采用的教学方法进行了调整,在上机实践中更多地引入了以任务驱动为导向的项目训练模式,在考核方法上重视学习过程的考核和项目设计环节,提高了学生分析解决问题的能力,培养了学生的创新意...     

基于蚁群优化的长短时神经网络变外形飞行器故障模式识别

变外形飞行器机械结构复杂,在变外形过程中发生故障的概率大,传感器测量成本高,针对这些问题,提出了一种基于长短时神经网络进行飞行器测试故障诊断的方法。首先根据变外形飞行器的气动参数模型和非线性动力学模型,构建变外形飞行器执行机构故障特征数据库。然后针对变外形飞行器发生故障时的序列化特征数据,提出基于长短时神经网络的执行器故障诊断框架。利用蚁群优化算法对网络训练的超参数进行优化,提高故障诊断的准确性与泛化性。通过仿真验证了该方法可实现变外形飞行器的低成本、高效率、高精度的故障快速定位。     

基于深度学习的X射线胶片数字化与缺陷检测算法

X射线胶片数字化和焊缝缺陷自动检测对提高航天大型零件生产加工质量和检测效率具有重要意义。在某些特定场景中,X射线检测无法采用数字式接收器,将X射线胶片转化为数字图像是缺陷识别的前提,但现有方法难以实现X射线胶片的高保真数字化,此外,大型零件的焊缝缺陷具有小目标特点,人工判读和传统图像检测算法难以保证识别精度。本文提出了一种基于深度学习的X射线胶片缺陷检测算法,首先基于全卷积神经网络在X射线胶片上不同曝光时间的图像中自动选择曝光时间最佳的数字图像,然后设计了基于轻量级MoGaA网络的缺陷检测网络,实现了数字化图像中的小目标缺陷检测。数字化和检测结果表明,该算法对于焊缝缺陷检测的准确率可达96%,取得了良好的检测效果。     

无人机航拍影像目标检测与语义分割的深度学习方法研究进展

无人机（UAV）因其小型轻便、操作简单等优点获得了广泛的应用。将深度学习方法与无人机系统相结合,有助于在清晰度高、视野范围广的无人机航拍影像上快速准确地检测出所需目标,相关课题已成为当前的研究热点之一。对近十年来无人机航拍影像目标检测与语义分割的深度学习方法研究进展进行了综述。首先概述了无人机及其航拍影像的特点和广泛的应用场景,简述了无人机航拍影像目标检测与语义分割方法的发展历程。然后对基于深度学习的无人机航拍影像目标检测与语义分割方法按照不同的网络模型进行分类,分别总结了它们的改进策略、应用场景、贡献和局限性。随后收集梳理了近些年无人机航拍影像的数据集,归纳了常用的卷积神经网络模型的评价指标。最后指出了本领域目前存在的相关问题,并对未来的研究趋势进行了展望。     

基于T-S模糊模型和迭代学习观测器的飞行系统故障容错控制

针对执行器失效的一类飞行控制系统,提出基于迭代学习观测器的模糊容错控制律,利用Takagi-Sugeno(T-S)模糊模型对非线性系统进行描述、建模和控制.一旦系统发生故障,迭代学习观测器在估计系统状态的同时估计执行器的卡死值,然后利用估计的状态和故障信息构成反馈模糊控制律进行调节,以实现故障系统对参考系统的状态跟踪.给出了系统能进行容错控制的参数匹配条件,并利用Lyapunov理论详细分析了系统的稳定性以及闭环系统信号的有界性,某歼击机的仿真实例证明了本文方法的有效性.     

南京空管组织部分管制员人员赴新加坡考察学习

随着江苏省国民经济全面协调持续增长，民用航空发展势头强劲，南京禄口机场开辟的国际航班越来越多。目前南京已“打通”了48个国内城市，总共85条航线，开通了南京至香港、澳门、汉城、曼谷、大坂等国际和地区客运定期航班，开通了南京至汉城、新加坡、芝加哥、阿姆斯特丹、曼谷等地的国际定期货运航班，目前每周的国际、地区客货运航班达41班。为了加强南京空管全面工作的整体提升，学习国外的先进经验，实现与国际先进空管理念接轨，2004年9月19日至25日，南京空管中心组织部分人员到新加坡进行了考察学习，新加坡航空公司为此行提供了便利。     

融合邻域色差的PSPNet对遥感影像的分割

传统的遥感影像语义分割利用影像的光谱特性,将具有相似值的像素进行归类,但无法区分具有不同光谱的同一类对象.针对这一问题,提出将邻域的色差信息和原始图像一起输入PSPNet网络中的方法.先将RGB变换到LAB空间,然后采用CIELAB公式计算出每一个像素与周围8个邻域像素的色差值,取平均值作为该像素的邻域色差值.在WHU...     

一种基于深度学习的恶意代码克隆检测技术

恶意代码克隆检测已经成为恶意代码同源分析及高级持续性威胁(APT)攻击溯源的有效方式。从公共威胁情报中收集了不同APT组织的样本,并提出了一种基于深度学习的恶意代码克隆检测框架,目的是检测新发现的恶意代码中的函数与已知APT组织资源库中的恶意代码的相似性,以此高效地对恶意软件进行分析,进而快速判别APT攻击来源。通过反汇编技术对恶意代码进行静态分析,并利用其关键系统函数调用图及反汇编代码作为该恶意代码的特征。根据神经网络模型对APT组织资源库中的恶意代码进行分类。通过广泛评估和与MCrab模型的对比可知,改进模型优于MCrab模型,可以有效地进行恶意代码克隆检测与分类,且获得了较高的检测率。      

基于Faster R-CNN的精密零部件的识别方法

在航空航天领域中,惯性陀螺等精密器件装配精度要求较高,目前大多采用人工装配的方法,装配效率低、装配过程受人主观影响大。针对上述存在的问题,采用基于Faster R-CNN模型的目标识别算法,通过VGG16特征提取网络提取特征信息,在模型训练过程中利用COCO数据集的深度网络模型进行迁移训练,防止模型过拟合并加速参数的训练过程。同时,该方法还与其他深度学习模型以及传统的目标识别算法进行了对比,在自建的数据模型测试集上进行试验。结果表明,基于VGG16的Faster R-CNN目标识别模型在复杂环境及物体发生遮挡的情况下对于惯性陀螺的识别具有明显的优势,准确率可达到87.80%,召回率80.30%,识别速度可达到15FPS,能够满足实时性要求。     

非结构化数据的多粒度集成分类方法

深度学习模型已经在文本和图像等分类任务上取得了不错的效果,然而深度学习模型很难为分类结果提供可解释性。本文提出一种非结构化数据的多粒度集成分类方法,与其他学习方法相比,多粒度集成分类方法能够保留数据的上下文信息。在多粒度集成分类方法中,数据被划分成不同的粒度,用于训练不同的基学习器,这些学习结果为集成模型最后的分类提供了可解释性。基学习器根据它们在验证集上的精度被赋予不同的权重,从而构造出一个较好的集成学习器。在实验中,本文验证了所提出模型在3种非结构化数据类型（文本、医学图像和时间序列）上的有效性。实验结果表明, 本文的模型比现有的基准方法简单,具有较好的分类精度,并且能够为数据的分类提供可解释性。