基于深度多模态特征融合的短视频分类

目前，短视频已经成为新媒体时代极具有代表性的产物之一，其天然的具有时短、强编辑等特点，使得传统视频分类模型不再适合于短视频分类任务。针对综合短视频分类问题的特点，提出了一种基于深度多模态特征融合的短视频分类算法。所提算法将视觉模态信息和音频模态信息输入到域分离网络中，将整个特征空间划分为所有模态共享的公有域部分及由音频模态和视觉模态分别独有的私有域部分，借助优化域分离网络，最大程度地保留了不同模态特征间的差异性和相似性。在公开的短视频分类数据集上进行实验，证明了所提算法可以有效减少特征融合时的冗余性，并将分类的平均精度提高到0.813。      

智能控制系统简述及研究构想

当代科学技术的重大变革和发展，已突破旧的自动控制系统框架向具有人的经验知识直接参与控制过程的系统框架发展.将人的智能引入控制系统，则形成智能控制系统.作为控制发展的高级阶段，智能控制系统主要解决那些用传统控制方法难以解决的复杂系统的控制问题，以提高社会生产效率，并提高人民的生活质量水平.本文主要对智能控制系统进行简述并提出一些研究构想，首先提出智能控制系统的基本概念、目的和任务，然后重点阐述智能控制系统的结构和组成以及一些控制方案和算法，最后论述智能控制系统的研究基础，即特征建模与在线学习.     

基于物理神经网络的导热问题无网格计算方法

建立了物理神经网络（PINNs）求解导热问题的通用框架，描述了三维非稳态问题、初始条件和三类边界条件及曲面边界的处理方法。使用PINNs求解了一个一维导热问题。求解结果与理论解的最大相对误差为0.001 7%，平均相对误差为0.001 1%。使用一个简化叶片的导热问题作为案例，将PINNs与传统有限元方法进行对比，探究了PINNs不同的网络架构和超参数对结果的影响。对于简化叶片的导热问题，有限元方法求解时间为11.7 s,PINNs平均求解时间为8.96 s，求解结果的最大误差为1.03%，平均误差为0.139%。微调实心叶片的内冷源强度，在训练收敛的PINNs基础上重新采样计算，新的计算收敛时间为1.41 s，证明了PINNs方法具有设计条件微调时的快速计算能力。     

一种历史信息特征敏感的行人迭代检测方法

基于深度学习的目标检测算法通常需要使用非极大值抑制等后处理方法对预测框进行筛选，无法在行人拥挤的场景下平衡模型的检测精度和召回率。虽然迭代检测的方法可以解决非极大值抑制等方法带来的问题，但是重复检测同样会限制模型的性能。提出了一种历史信息特征敏感的行人迭代检测方法。引入带权重的历史信息特征（WHIC），提高特征的区分度；利用历史信息特征提取模块（HIFEM）得到不同尺度的历史信息特征，并融合进主网络中进行多尺度检测，增强了模型对历史信息特征的敏感度，有效抑制重复检测框的产生。实验结果表明：所提方法在拥挤场景的行人检测数据集CrowdHuman和WiderPerson上取得了最优的检测精度和召回率。     

航班保障因果分析框架

航班离港延误是民航界一致关注并希望解决的重点及难点问题。针对航班离港延误产生原因不明晰及因果影响强度不确定的问题，提出了BLCNS-LV-IDA因果分析框架，从因果推断的角度出发，在航班地面保障业务范畴领域内，从定性和定量2个层面对航班离港推出延误进行因果分析。以航班离港推出延误时长为目标变量，基于特征选择和极大祖先图贪婪搜索(GSMAG)算法结合的BLCNS局部因果网络结构发现算法，构建因果网络模型；根据得到的因果网络，基于LV-IDA算法对各等价网络中的边缘进行因果效应评估。实验结果表明：BLCNS局部因果网络结构发现算法在处理变量较多的大样本数据集时有一定的优势，在50节点集的1 000、5 000、10 000样本量下，F1值较基线算法分别提高了-0.303、0.008、0.132，呈明显上升趋势，且在运行时间方面至少缩短16.29%。节点间的因果效应明确了各节点对航班延误的具体影响强度，为航班保障的精细化管理、减少航班延误提供了指导。     

联合足迹识别与监控视频分析的智能刑侦系统

刑侦破案是打击违法犯罪和确保国家长治久安的基本要求。刑侦破案的一大关键是如何有效地利用采集到的信息。为了更好地配合刑侦工作，提出了联合足迹识别与监控视频分析的智能刑侦系统。该系统基于深度学习方法，首先根据足迹信息，包括鞋印长度、宽度、受力分布情况、步长、步幅等，利用卷积神经网络技术实现嫌疑人个人特征的预测；其次联合周边监控视频大数据进行智能分析比较，利用大数据技术快速处理信息，分析视频中行人的个人特点；最后运用虚拟现实仿真技术构建足部压力和鞋底受力分析有限元模型，利用模型获得各种复杂场景下的仿真足迹。三者相互印证，有机结合，快速筛选刑侦对象。实验结果表明，该系统可以高效准确地根据足迹特征实现身高预测，并且与视频监控大数据相结合，可以迅速缩小排查范围并锁定凶手。      

基于深度学习网络的星表非结构化岩石目标辨识方法研究

目标检测技术广泛应用于交通、医疗、安保和航天等领域.目前,目标检测技术面临目标微弱、背景复杂、目标被遮挡等挑战[1].针对星表非结构化模拟地形采集的图像中岩石和石块小目标检测识别率低、误识别率高的问题,研究了当下效果最好、模型轻量化的YOLOv5目标检测算法,在其基础上进行改进优化器与优化检测框重复检测效果的一种满足实时性要求的岩石目标检测算法.具体通过引入空标签负样本、结合随机梯度下降法SGD(stochastic gradient descent)优化模型和非极大值抑制参数调节方法,提升YOLOv5网络模型的特征描述能力和分类准确率.利用在地面试验场采集的复杂地形图像作为数据集,并采用mAP(mean average pre-cision)、画面每秒传输帧数(FPS)、准确率和召回(P-R)曲线等作为性能指标,对所提出的目标检测网络进行了试验验证.结果 表明本文提出的改进网络拥有更高的准确率和更低的虚警率,同时保持原有算法的实时性.     

基于神经网络的仿真转台控制系统

在转台存在偏载、摩擦等不确定负载干扰的情况下,用神经网络与PID(Proportional-Integral-Differential)控制相结合的方法,设计了适应负载变化的转台控制系统.分析了基于BP(Back Propagation)神经网络的自适应PID控制器的基本原理,建立了转台位置控制系统的数学模型,并对控制系统进行仿真分析和实验验证,通过与传统PID控制的对比实验与仿真表明:所设计系统由于有自学习能力,能动态调整PID参数,使系统表现出良好的抗干扰能力和跟踪性能,证明了所设计系统的有效性.该算法结构简单,PID初始参数调整方便,易于在转台实时控制系统中应用.