基于生成对抗网络的零样本图像分类

在图像分类任务中,零样本图像分类问题已成为一个研究热点。为了解决零样本图像分类问题,采用一种基于生成对抗网络（GAN）的方法,通过生成未知类的图像特征使得零样本分类任务转换为传统的图像分类任务。同时对生成对抗网络中的判别网络做出改进,使其判别过程更加准确,从而进一步提高生成图像特征的质量。实验结果表明:所提方法在AWA、CUB和SUN数据集上的分类准确率分别提高了0.4%、0.4%和0.5%。因此,所提方法通过改进生成对抗网络,能够生成质量更好的图像特征,从而有效解决零样本图像分类问题。      

结合轮廓及骨架序列编码的二维形状识别

二维形状识别是物体识别中的一个基本问题,被广泛地应用于商标检索、指纹识别、物体定位、图像检索等多个领域。其中,基于生物信息学的二维形状识别是近期一个新的研究方向,基本思想是把二维形状的轮廓转化为生物信息序列,借助标准的生物信息序列分析工具来进行二维形状的匹配和识别。不过,利用轮廓进行信息序列编码存在编码冗余和编码准确性不高的问题,本文提出了一种新型的结合形状轮廓和骨架的序列编码方法。该方法利用骨架表示形状的细长分支,减少编码的冗余;并分别对轮廓和骨架进行不同类型的编码,具备编码简洁、后续匹配准确性高等优点。最后,本文在三个公开数据集上进行大量的形状识别实验,并与多种通用形状识别方法进行了比较。实验表明,本文方法在多个实验中均取得了较高的识别准确率,相比基本的形状特征描述方法,准确率提高了近5%。      

飞机失速/螺旋模型自由飞试验总体方案构想中几个问题的分析

本文对制定飞机失速/螺旋模型自由飞试验总体方案时必然会遇到的一些重要问题进行了分析,其内容涉及模型缩尺比例数 K 的最佳选取、确定飞机进入螺旋特征模拟高度 H_A 的依据、模型投放高度 H_m 的变化范围和试验模型质量 M_m 的控制问题。本文所作的各种分析和提出的原则对各种模型自由飞失速/螺旋试验研究具有普遍意义。     

ESPRIT算法在单快拍阵列信号中的应用

ESPRIT算法利用旋转不变技术估计信号参数,是近年来提出的阵列信号处理理论的一个新领域,它具有高分辨率、高精度、不需空间搜索等优点。单快拍总被当作相干信号处理,本文采用了Teoplitz结构协方差矩阵估计,起了空间平滑作用,所以可以估计相于信号源的波达方向(DOA),与标准空间平滑协方差矩阵估计相比较,Teoplitz协方差阵估计在总体上提高了信噪比,并且不牺牲阵列孔径。 计算机模拟结果表明,基于Teoplitz结构协方差矩阵的TLS-ESPRIT算法在20dB信噪比下,可以分辨出相隔0.2瑞利波束宽度的空间信号。     

运载火箭的空气动力学特征

这篇论文论述了对于运载火箭结构的计算和实验研究法。在计算研究中,运用PAPAs-3D代码在区域从0．6至0．8之间的不同马赫数进行不同攻角条件下的计算。由于选定马赫数和攻角控制界面不同的情况,计算法还具有其评估特征。该流场及整体的空气动力特征还对不同流量条件进行了计算和分析。班加罗尔NAL还对缩小的风洞模型进行了设计,制造和测试。实验法对于非控制面和超高因素马赫数进行了选择。该增量力和力矩系数由于控制偏转而其独立的迎角范围为-2°至＋2°。     

《航空动力学报》征稿简则

《航空动力学报》是中国航空学会主办、北京航空航天大学承办的学术性期刊(月刊)。本刊坚持"创新性、实用性、科学性"的编辑方针,主要刊登航空航天发动机的原理与设计、气动热力学、叶轮机械、燃烧学、传热传质、强度与振动、自动控制、机械传动、实验技术以及热动力工程等方面的最新科技成果。     

基于特征识别的整体壁板快速编程推理算法

航天器整体壁板的编程效率已成为型号研制过程中的主要瓶颈之一.本文首先阐述特征识别技术在数控编程中的应用和发展现状.与传统编程过程先总体规划,再逐条编程的总-分方法不同,特征编程采取先生成单个特征的刀轨,再完成整个零件程序的分-总方法,易于覆盖从毛坯向模型最终状态全过程.在此基础上,提出了单特征和多特征数控推理算法,完成了整体壁板快速编程系统的开发.实践证明,使用该方法能够初步实现整体壁板数控加工程序的自动生成.     

复杂曲面零件散乱点云特征点提取

复杂曲面零件的几何特征提取对加工质量的检测及逆向重构具有重要意义。提出了一种复杂曲面零件散乱点云特征点提取方法。首先,提出了基于高斯权重的邻域主成分分析的方法,通过估计每一点邻域的局部变化程度对点云模型进行初始标记;然后,采用基于标记的自动识别法实现特征点的提取;最后,通过特征点聚类的方式去除了特征点集中的异常点,完善了提取的点云特征。该方法直接操作于散乱点云,无需任何的拓扑连接信息。试验结果表明:该方法简单、有效,不需要过多地人为调节参数,特征点提取完整。     

基于混合深度特征的红外目标抗干扰识别算法

复杂干扰条件下的红外空中目标识别技术是空战对抗领域的热点研究课题,复杂人工干扰严重遮蔽目标,导致目标特征的连续性与显著性遭到破坏,无法全面描述识别对象的特性,造成空中目标识别准确率下降。针对此问题,提出一种基于图像混合深度特征的空中目标抗干扰识别算法。首先,基于卷积神经网络进行图像深度特征的提取,将深度特征与梯度直方图(Histogram of Gradient, HOG)特征进行有效融合,构建混合深度特征。针对作战场景中的目标与干扰的对抗态势多样性,将支持向量机的二分类模型改进为三分类模型,对目标、干扰以及目标干扰粘连三种状态进行精确分类。实验结果表明：在复杂干扰环境下,基于混合深度特征的空中目标抗干扰识别算法正确率为92.29%,该算法可以有效地解决目标被干扰遮蔽、形成目标干扰粘连状态时的抗干扰识别问题。