基于Faster-RCNN的快速目标检测算法

提出一种快速目标检测算法。在训练时,引入区域数目调节层,实时判断当前训练效果,根据当前训练效果,适当增减候选区域数目,达到节省开销的目的。训练结束,记录最佳候选区域数量。在测试时,候选区域数量选择为最佳候选区域数量。此外,深层次的卷积神经网络容易在训练中出现退化现象,引入残差网络能有效抑制该现象。以Resnet50为基础进行改进,重新搭建起58层特征提取网络。实验在PASCAL VOC数据集上进行,较经典网络模型,速率提升了18%,识别率提高了3%。另外针对特定飞行器检测做出改进,诸如多尺度训练和丰富锚点样式。     

基于U-net的"高分五号"卫星高光谱图像土地类型分类

"高分五号"卫星是世界首颗实现对大气和陆地综合观测的全谱段高光谱卫星,对于土地利用类型分类具有重要的应用价值,如何利用深度学习技术开展高光谱图像分类是当前研究的热点问题。深度学习中的语义分割方法在地面场景的图像中已经获得较好的应用,但是对于高光谱遥感图像的精度和适用性较差,无法准确获得精确的分类结果。文章采用U-net模型开展高光谱土地利用类型分类研究,首先基于"高分五号"卫星高光谱数据,构建样本数据集,然后训练分类模型,进行土地利用类型分类,探讨语义分割方法在高分五号高光谱数据上的应用能力。结果表明,采用深度学习中的语义分割方法能够有效提高精度水平,U-net模型的整体分类精度为0.9357,Kappa系数达到0.92,均高于SVM方法和CNN方法。采用深度学习中的语义分割方法,可以为"高分五号"高光谱数据的土地利用分类提供技术支撑,有效提升"高分五号"卫星的应用能力。     

星地协同光学遥感影像目标识别技术验证研究

为了提高光学遥感卫星信息处理的时效性,文章提出了星地协同光学遥感影像在轨目标智能识别技术框架.将基于遥感大数据的深度学习、神经网络模型训练等数据量大、运算量大、计算复杂、要求较高的处理任务部署在地面服务器,将深度学习训练得到的模型进行压缩并上注至卫星,卫星在轨利用轻量化模型对影像进行推理计算,最后把目标识别结果下传至用...     

基于蚁群算法的无人机协同多任务分配

采用蚁群算法对无人机协同多任务分配问题(CMTAP)进行研究。在通用CMTAP模型的基础上,综合考虑包括动态任务时间约束和无人机任务能力的差别多类复杂约束条件,建立扩展的协同多任务分配模型。在多子群蚁群算法的基础上,提出了基于分工机制的蚁群算法对CMTAP进行求解。根据协同多任务分配的特点,设计了基于任务能力评估的问题解构造策略和基于任务代价的状态转移规则,提高了算法的性能。仿真实验结果表明该方法能有效地解决无人机协同多任务分配问题。     

如何给学习者一个全新的学习环境

通过对传统学习环境概念的阐释以及对一些有代表意义的建构主义学习环境定义的分析，提出关于建构主义学习环境的概念及其基本特点，论述了建构主义学习环境设计与教学设计之间的区别，建构主义学习环境的本质和设计过程中应注意的问题。     

基于BOWA小脑模型的高精度稳定 电动加载系统

 随着电动加载系统的不断发展,对控制精度、动态特性和稳定性提出了更高的要求,常规的小脑模型(CMAC)和PD控制相结合的复合控制策略难以满足加载指标要求。针对无人机舵机电动加载系统的控制需求,提出了一种基于平衡学习、最优权值和自适应学习率的新型小脑模型(BOWA-CMAC)复合控制策略,它在保留小脑模型算法正常学习过程的同时,避免了算法的过学习现象,保证了系统的稳定,同时提高了跟踪精度和动态特性。仿真和实验结果表明,BOWA-CMAC复合控制策略具有很强的鲁棒性,抑制了加载系统的多余力矩,保证了系统的稳定性,有效提高了系统的跟踪精度和动态特性,非常适合于实时控制。     

结合离线知识的时变结构模态参数在线辨识

飞行器的结构模态参数在线获取对其高效、可靠运行具有重要意义。传统时变结构模态参数辨识方法存在辨识虚假结果较多,抵抗测量数据中的极端异常值能力差等问题,难以有效应用于在线过程。建立一种基于长短时记忆网络的时变结构模态参数在线辨识网络模型,通过数据集构建过程离线地引入先验信息,同时结合模型自身特性,有效提升制约在线辨识应用的可靠性。实验结果表明：在不同时变规律下,与传统辨识方法相比,在线辨识模型能有效缓解虚假结果问题,同时保证辨识结果的连续性;采用α稳定分布模型对脉冲噪声进行建模,验证了其在测量数据包含由于偶发因素产生的极端异常值时在线辨识鲁棒性。     

使用深度残差网络的乘波体气动性能预测

本文探究深度学习人工智能技术在飞行器气动外形预测中的应用。以激波装配法乘波体设计为背景,建立气动数据快速生成工具,使用拉丁超立方采样得到海量样本数据。使用深度残差神经网络构建气动外形参数到气动性能数据的代理模型,并与随机森林和双隐层神经网络等普通机器学习模型对比;同时将数据转换为图片,研究基于图片识别的深度学习模型搭建,省略飞行器外形的参数化表达。测试结果说明,深度残差网络作为数据代理模型的精度是随机森林和双隐层神经网络的3倍以上,而基于图片识别的代理模型精度提高有限。研究表明,深度残差网络在乘波体等易于生成大量数据的气动外形的性能预测中效果明显,为深度学习技术在气动外形设计中的应用奠定了基础。     

基于降噪自编码器的航空发动机性能退化评估

针对航空发动机性能退化的形式及规律,提出一种基于降噪自编码器的航空发动机性能退化评估方法。针对采集的航空发动机6个状态监测参数,采用降噪自编码器,利用贪婪逐层训练算法,挖掘各参数对发动机性能的深层影响,提取出更有利于评估的数据特征,进行性能退化评估。将提出的算法与BP(back propagation)神经网络以及支持向量机得到的结果进行测试比较,测试表明:提出的方法准确率有所提高,达到93.5%,具有较强的鲁棒性,在信噪比为10dB时准确率达到84.5%,并且能够防止航空发动机状态监测中小样本过拟合的问题。     

航天器姿控系统的PD型学习观测器故障重构

针对满足Lipschitz条件的航天器姿态控制系统这一非线性系统中存在的执行器加性故障、空间干扰与测量噪声问题,提出了基于PD型迭代学习观测器的故障重构方法。该方法具有期望的鲁棒性能指标,能够在系统存在空间干扰与测量噪声情况下实现对突变故障与时变故障等故障类型的精确重构。基于线性矩阵不等式技术给出系统化PD型迭代学习观测器的设计方法,并根据Lyapunov稳定性理论对上述设计方法的稳定性条件进行了理论证明,同时利用鲁棒技术抑制空间干扰与测量噪声对执行器故障重构的影响,通过线性矩阵不等式工具箱求解观测器参数矩阵。最后,将该方法应用到航天器姿态控制系统中,仿真结果证明了该方法的有效性。