基于混合神经网络的无线电信号自动调制识别

随着无线电信号数据海量增加，复杂电磁环境下面临着未知威胁和目标侦察识别复杂度高的问题，本文针对未知无线电信号的特征提取任务，设计了一种混合神经网络以提高目标无线电信号的识别能力。先通过胶囊神经网络对未知信号的空间信息进行提取，再进一步运用门控循环单元提取信号在时间上的特征信息。设计混合网络模型将信号的时间和空间特征相结合，提高对目标信号的分类精度。通过RML2016.04C调制信号数据集，验证了混合神经网络的识别性能。结果表明:当信噪比为6 dB时，混合网络模型对多种不同调制信号的分类精度大于95%。因此，本文所设计的混合神经网络能够有效对不同调制信号进行准确分类。     

基于极化神经网络的雷达舰船检测识别方法

相参雷达捕获的全极化海面目标距离-多普勒(RD)回波数据中，目标区域占比小、信噪比低，且海况环境与干扰种类多变，使得经典的深度神经网络在此种条件下检测识别精度较低。为此，本文提出了一种基于极化深度神经网络的全极化相参雷达海面目标检测识别算法。首先，引入极化特征提取模块挖掘目标与干扰的差异化特征;其次，通过特征金字塔网络解决小目标检测识别的问题;最后，使用级联结构进一步提升算法性能。在全极化相参雷达回波数据集上的测试结果表明:基于特征值与特征矢量的极化特征对于数据集中两类舰船目标的平均精度分别达到0.907 9与1.0，相比不采用极化特征有着显著提高。     

基于多尺度CNN模型的多时相PolSAR图像作物分类

农作物分类是偏振合成孔径雷达(PolSAR)数据的重要应用之一。由于单时相PolSAR数据获取的信息有限，因此，采用多时相PolSAR数据，其含有农作物生长周期更丰富的特征信息。针对多时相PolSAR数据在极化特征分解时造成的“维数灾难”问题，提出了一种非负性约束稀疏自编码器(NC-SAE)的特征压缩方法，用于对分解后的特征数据进行压缩，以获得分类所需的有效特征。此外，构建了一种多尺度特征分类网络(MSFCN)，该网络可以提高农作物的分类性能，且优于目前传统的卷积神经网络和支持向量机方法。通过使用欧空局提供的数据进行仿真实验，对分类结果进行性能评估，并与传统方法比较。实验结果表明:所提的方法具有很好的农业应用前景。     

面向视觉着陆的高精度结构化约束特征点研究

为提高视觉着陆过程中无人机的相对定位精度,选取视觉图像中的直线交点作为结构化约束特征点,设计了基于梯度一致性的边缘检测算法,并结合Shi-Tomasi角点检测算法进行结构化约束特征点的粗定位。对LSD直线检测算法进行改进并设计了亚像素角点定位精度改进算法,在结构化约束特征点粗定位的基础上,将其精度提高到亚像素级。基于实际场景中固有约束的结构化约束特征点具有鲁棒性、旋转和尺度不变性,抗干扰能力更强,其高精度定位有利于提高视觉着陆相对定位的精度与可靠性。     

一种基于试验数据的发动机特性曲线拟合

准确的发动机特性曲线是其性能计算的基础。文章讨论了多种情况的特性曲线插值方法:在工作点位置区间内,对小数据情况引入了新的插值方法；多数据时,采用三次样条插值方法进行插值；在工作点位置区间外,数据较多时,基于最小二乘法进行不同工作点的拟合；当工作点位置数据较少,利用新的插值方法在区间内引入虚拟工作点增加数据点,后按照数据较多的情况处理。所得结果与实际数值比较,精度较高,具有一定的参考价值。     

基于条纹投射三维测量的铆钉自动化检测技术

针对大型薄壁结构铆接点位自动化检测问题,提出了基于条纹投射三维测量的铆钉检测技术,实现了铆钉镦头尺寸特征高精度测量以及裂纹缺陷自动化识别。在传统条纹投射三维测量的基础上,引入高动态范围(HDR)纹理合成,提出二、三维结合的点云分割策略,实现铆钉尺寸特征高效提取。搭建深度学习神经网络,实现镦头表面缺陷识别。本文搭建了系统原理样机,以铆接桁条样品和标准器作为样件进行系统实验验证。结果表明:实验室条件下,该方法直径测量精度为0.040 mm,高度测量精度为0.013 mm,缺陷识别准确率可达99.30%。与传统方法相比,本文提出的方法更加易于集成,效率高,具有广泛应用价值。     

基于可重构标定板的激光与视觉联合标定方法

目前,激光雷达与视觉传感器的联合标定方法包含动态在线标定与静态离线标定两大类.动态在线标定对标定的环境有较高的要求,且标定结果不稳定;静态离线标定通常采用标定板,因而对标定板的要求较高,手动选择与线拟合都易引入或放大误差,故提出了一种基于可重构标定板的激光雷达与视觉传感器的联合标定方法.首先,对传统的标定板进行拆分与重...