神经网络在液体火箭发动机故障检测中的应用(Ⅰ)非线性辨识技术

应用ＢＰ神经网络,提出了一种液体火箭发动机故障实时检测系统。它采用非线性辨识技术,在建立发动机数学模型和输出包含故障信息的监视指标信号之后,用阈值线与监视指标比较,从而预报发动机故障。液体火箭发动机启动与稳态过程的试验数据检验表明：基于非线性辨识技术的故障检测系统性能优越。     

基于先验门限优化准则的探测阈值自适应选择

针对 2维测量和 4 -sigma确认门 ,把先验检测门限优化准则和修正 Riccati方程的解析近似表示相结合 ,得到了在瑞利起伏环境下使跟踪性能优化的信号探测阈值解析表示式 ,从而使在线求解自适应信号探测阈值能比较容易地实现。通过研究和仿真发现 :在滤波稳定阶段 ,本文给出的自适应信号检测门限方法的跟踪性能优于固定虚警率方法的跟踪性能 ;基于先验检测门限优化准则实现检测 -跟踪的联合优化要求信噪比要大于一定的门限 ,在瑞利起伏环境下 ,对 2维测量和 4 -sigma确认门 ,该门限为 1 .57     

三端口反射计的新研究

分析了三端口网络的特殊性,提出了用三端口反射计测量网络参数的新方法—标量崐检测矢量变换方法。该方法通过三端口反射计的标量检测方程,利用取样网络的本崐征参数进行变换求得复反射系数或散射参数,而与测量系统的比例常数无关,简化崐了测量系统硬件,并提高了测量系统的可靠性和稳定性。实验结果证明了该方法的崐正确性和可行性。     

KDTGAN：基于Transformer-GAN和知识蒸馏的高光谱目标检测

高光谱目标检测在地球观测中至关重要,被广泛应用于军事和民用领域。然而,由于高光谱图像的背景复杂性和目标样本的有限性,该任务面临较大的挑战。本文首先采用CEM（约束能量最小化）粗检测方法提取背景数据。随之,引入了一种新的知识蒸馏模型,即KDTGAN（通过Transformer-GAN实现）。教师模型的生成器采用了Transformer编码器的结构,并结合多尺度数据融合的方法,能够准确地学习背景分布,进而通过重构背景信息实现目标检测。为了克服GAN（生成对抗网络）训练不稳定的挑战,特别是纯背景数据的稀缺性,本文提出了一种新的损失算法,以减小可疑目标样本对模型性能的负面影响。为了降低模型的计算负担,本文引入知识蒸馏,并设计新的蒸馏损失对学生模型加以约束,使模型轻量化的同时提高学生模型检测精度。实验结果表明：KDTGAN相较于当前检测方法表现更优,具有更高的检测精度和鲁棒性。     

航空磁探中水下目标三维积分方程磁场建模

为获取航空磁探中水下铁磁性目标的空间磁场分布,通过三维积分方程法的基本原理推导出空间磁场的解析式,根据矢量恒等式和高斯散度定理简化空间磁场计算式,建立水下铁磁性目标空间磁场预测模型。通过铁磁性长方体对模型进行理论验证,使用铯光泵磁力仪测量铁磁性长旋转椭球体的高空磁场;然后,基于预测模型推算铁磁性长旋转椭球体的磁场,根据实际测量的磁场数据和预测值进行比较。结果表明,预测模型的推算精度较高,平均绝对误差为0.320 5 nT,平均相对误差为12.368%。     

跳频信号检测和参数估计技术研究

文章总结了跳频扩频信号检测和参数估计的方法,并比较各个方法的优缺点。理论分析表明,跳频信号检测、参数估计方法的性能不仅与信噪比有关,而且与观察时间、样本数目、跳频带宽、跳频速率等因素相关。     

基于双边截断的双参数海上风电站 SAR图像 CFAR检测

文章提出了 1种基于双边截断的双参数海上风电站 SAR图像 CFAR检测器 DTCS-TPCFAR,目的是提高在具有多个目标海上区域和石油泄漏区域等环境下对海上风电站的检测性能。DTCS-TPCFAR所提出的双边截断杂波的方法,能够同时消除高强度和低强度异常值的干扰,同时保留真实的杂波样本。通过使用最大似然估计计算双边截断后样本的均值和标准差,然后通过这 2个参数估计值计算出截断阈值,最后再结合指定的虚警率(Probability of False Alarm,PFA)来对测试单元(Test Cell,TC)进行判断,完成最终的目标检测。这也是首次将 CFAR检测器用于检测海上风电站。文章通过 Sentinel-1数据集来验证该方法的有效性。实验结果表明,文章所提出的算法在相同指定虚警率下,具有更高的检测率(Detection Rate,DR)和更低的误报率(False Alarm Rate,FAR)。     

基于相位重合点检测技术的频标比对系统

相位重合点检测是一种高准确度测量周期性信号参数的技术,已实际应用于高准确度频率计中。介绍了相位重合点检测技术的原理及其在频标比对系统中的应用。实际工作情况证明,采用相位重合点检测技术的频标比对系统,具有电路简单,可靠性高的优点,测量分辨力达到了100 ps量级。     

神经网络集成的分布式入侵检测方法

分布式入侵检测系统需具有分布式检测功能及部件增量更新能力.文中提出了一种基于神经网络集成的分布式入侵检测方法,采用单个Agent检测与多个Agent协同检测的两级集成算法实现分布式入侵检测;在发现新的入侵时,Agent上的神经网络集成采用基于资源分配网的增量学习算法进行更新.实验结果表明,该算法能有效检测各种攻击,并且具有对未知攻击的增量学习能力.     

A new skeleton based flying bird detection method for low-altitude air traffic management

In low-altitude air traffic management, non-cooperation targets are the greatest threat to security of low-flying aircraft. Among various aviation fatalities, flying bird is the main factor with the highest risk and directs economic losses amounted to nearly 10 billion US dollars each year. Therefore, Flying Bird Detection (FBD) has attracted considerable attention in low-altitude air traffic management. In this paper, we propose a skeleton based FBD method via describing bird motion information with a set of key poses. To overcome the variability of birds, the skeleton feature is selected as a relatively fixed and common characteristic for the pose appearance of flying bird. Based on the geometric topology among some key parts of bird body, a set of key poses can be described by some extracted skeleton features, which are used to represent the bird motion information. Aimed at robustly handling with the pose variations, multiple pose-specific classifiers are individually trained to learn the representative poses of the flying bird. At the detection stage, the flying bird skeleton features are combined with extracted key-pose sets to perform the flying bird classification task from each image. Afterwards, the key-frame pose-change set and the consistency of the classification results from sequent images are employed to validate the final detection results. Experiments on flying bird datasets demonstrate the effectiveness and efficiency of the proposed method.