机载超轻量化卷积神经网络加速器设计

卷积神经网络庞大的权重参数和复杂的网络层结构,使其计算复杂度过高,所需的计算资源和存储资源也随着网络层数的增加而快速增长,难以在资源和功耗有严苛要求的机载嵌入式计算系统中部署,制约了机载嵌入式计算系统朝着高智能化发展。针对资源受限的机载嵌入式计算系统对超轻量化智能计算的需求,提出一套全流程的卷积神经网络模型优化加速方法,在对算法模型进行超轻量化处理后,通过组合加速算子搭建卷积神经网络加速器,并基于FPGA开展网络模型推理过程的功能验证。结果证明：本文搭建的加速器能够显著降低硬件资源占用率,获得良好的算法加速比,对机载嵌入式智能计算系统设计具有重要意义。     

基于自适应深度网络的无人机目标跟踪算法

针对无人机（UAV）视频中目标易受到遮挡、形变、复杂背景干扰等问题，提出一种基于自适应深度网络的无人机目标跟踪算法。首先，基于主成分分析（PCA）和卷积神经网络（CNN）算法，设计3阶的自适应深度网络进行目标特征提取，该网络对图像的H、S、I通道分别进行主成分分析学习，将得到的特征向量输入网络进行分层卷积，优化了网络结构，提高了网络的收敛速度和精度。其次，将目标深度特征输入核相关滤波算法进行目标跟踪，通过分析相邻2帧图像的变化率，采用分段自适应调整学习率的算法进行目标模板更新，有效地改善目标遮挡问题。仿真实验结果表明，该算法有效地避免了复杂因素干扰导致的跟踪精度下降，具有较好的鲁棒性，相较于全卷积跟踪（FCNT）算法平均跟踪精度提高了9.62%，平均跟踪成功率提高了11.9%。     

基于卷积神经网络的冗余机械臂运动学逆解求解

针对7自由度冗余机械臂运动学逆解求解时间过长以及通用性差等问题,通过对LeNet模型进行改进,对卷积核、激活函数、损失函数、优化算法、模型结构与初始参数等进行设计与选择,建立了卷积神经网络模型来进行求解.对卷积神经网络模型进行轨迹跟踪实验验证,结果表明:所得到的机械臂关节角度平滑,轨迹跟踪最大误差小于3 mm;所建立的...     

用于雷达方位超分辨的约束迭代Tikhonov正则化算法

针对Tikhonov正则化算法噪声适应能力差和不便于引进额外的约束对解进行限制等缺点,利用迭代Tik-honov正则化算法对雷达方位超分辨进行研究,证明了迭代Tikhonov正则化反卷积公式的收敛性,分析了迭代Tik-honov正则化算法的频域性质,在存在噪声的情况下,提出相应的噪声抑制方法,得到约束迭代Tikhonov正则化算法。针对不同信噪比情况进行了计算机仿真实验,结果表明,与迭代Tikhonov正则化算法相比,约束迭代Tikhonov正则化算法具有较强的噪声适应能力,与常用的约束迭代方法（CID）算法相比,具有较快的收敛速度,初步验证了算法的有效性。     

一种宽带阵列通道均衡器设计

从基本FIR均衡器的原理出发,讨论了校正源的设置方法和均衡器系数的计算方法.为了适应宽带阵列中高速信号处理的要求,探讨了一种经典的FIR均衡器时域高速实现方法.该时域实现虽然结构简单,但在滤波器阶数较高时需要大量的乘法资源.为了降低均衡器对乘法资源的需求,借鉴快速卷积的实现方法,提出了一种基于快速傅里叶变换的高速率均衡器实现方法.与时域方法相比,该方法在滤波器阶数大于32时能明显降低对乘法资源的损耗.对实测数据的分析,验证了该方法的正确性.     

基于异步卷积分解与分流结构的单阶段检测器

目标检测网络SSD的多层回归特征图存在各层回归计算之间相对独立的问题,且基于SSD改进的系列算法在提高检测精度的同时难以兼顾实时性。针对上述问题,提出一种基于异步卷积分解与分流（shunt）结构的单阶段目标检测器。基于异步卷积分解算法设计了一种shunt结构,交错连接多层特征图,增强了回归计算之间的统一性与协调性。优化了原有高层主流结构,在主流结构与shunt结构中分别用最大池化和异步卷积分解2种不同的方式对特征图大小进行降维,保留空间相关信息的同时提高了特征的多样性。实验结果表明,将VOC2007trainval和VOC2012trainval中的图片统一缩小至300像素×300像素进行训练,提出的目标检测器在VOC2007test上进行检测时的平均精度均值可达到80.5%,检测速度超过30帧/s。      

基于卷积神经网络的结冰翼型气动特性建模

提出了基于卷积神经网络（CNN）的结冰翼型气动特性预测方法，设计了输入层结冰翼型图像规范，克服了复杂冰形在翼面同一位置法线方向存在多值，单值函数难以描述的问题。预测模型可同时预测多个迎角对应的升阻力系数，实现了直接从冰形图像到气动特性的快速预测，对升力系数和阻力系数预测结果的平均相对误差均可控制在8%以内。重点研究了不同卷积层数量、卷积核数量、卷积核尺寸对模型性能的影响规律：CNN的不同层次特征对应不同滤波频率，卷积层数增加会捕获更多高频特征量；增加卷积核数量可提取更多冰形特征，提升模型性能，但数量过多会增加冗余特征，降低模型泛化性能；阻力系数预测模型对卷积核数量的最低要求大于升力系数，其原因在于，相较升力系数，阻力系数不仅受翼面压差影响，还受摩阻特性影响，其建模所需的关键特征数量多于升力系数；增大卷积核尺寸，可扩大卷积操作“视野”，增强对冰形整体特征信息的提取，有利于提升模型泛化性能。相关结论为飞机结冰气动特性实时动态预测与监测提供了新的思路和方法支撑。     

基于卷积神经网络双层壁三维热应力预测方法

为实现三维物理场的预测，提出一种利用卷积神经网络（CNN）对双层壁冷却结构外壁三维热应力快速评估方法。针对双层壁冷却结构外壁平板状的结构特征，沿壁厚方向将温度场切分为多个切片。将温度作为卷积网络输入张量的基本元素，不同厚度位置的切片对应输入张量的通道维度，从而实现将三维温度场输入进网络，并输出在热载荷作用下的三维等效应力场。结果表明：训练收敛后的网络在测试集上的平均绝对误差为1.23 MPa，平均相对误差为15.10%，对峰值应力的平均绝对误差为16.10 MPa，平均相对误差为11.81%。对于双层壁冷却结构的热应力预测问题，CNN能够很好地完成温度到应力的映射。使用深度学习方法探究热弹性问题的潜在机理有望实现。     

卷积神经网络及其在航空视觉任务中的应用展望

从卷积神经网络的基本理论出发,介绍了几种经典卷积网络结构,并结合当前卷积神经网络在计算机视觉领域的应用现状,重点探讨了它在未来航空视觉相关任务系统中的应用前景,以及实施这些技术必须解决的若干问题,为未来航空装备智能化水平的进一步提升提供参考。     

一种基于卷积神经网络的地磁基准图构建方法

地磁匹配导航技术是一种重要的辅助导航制导方法，地磁基准图的构建精度对地磁匹配制导的精准度起着决定性作用。针对现有地磁基准图构建精度难以满足实际地磁匹配导航需求的问题，提出了一种基于卷积神经网络的地磁基准图构建方法。首先，利用卷积层提取低分辨率基准图中的特征图像块；然后，利用基于学习的阈值收缩算法（LISTA）实现图像块的稀疏表示；最后，利用三通道的地磁信息得到重建后的高分辨率基准图。实验结果表明:所提方法对地磁基准图具有更高的构建精度，同时对噪声有更好的鲁棒性，各种客观评价指标均高于现有的超分辨率重建方法。