基于磨粒磨损机理的机械磨损状态监测

针对机械设备磨损状态监测准确率较低的问题,基于不同磨损机理下磨粒具有不同的形状和纹理特征,提出了一种基于磨粒特征识别的机械磨损状态监测的数学模型。通过形状特征识别球状磨粒和切削磨粒,结合形状、纹理特征识别疲劳磨粒和严重滑动磨粒,基于提取的特征参数建立机械磨损状态监测的特征向量,通过量子粒子群优化(QPSO)的径向基函数神经网络模型,实现对机械磨损状态的监测和判别。实验结果表明:QPSO-RBF神经网络数学模型结构简单,比传统PSO-RBF神经网络模型的识别准确率高5%,可用于常见机械磨损状态的检测。      

高精度多冗余捷联惯组配置优化设计与应用研究

为了满足远程飞行器对惯性导航系统高可靠、高精度的需求,研究了一种多冗余捷联惯组配置优化设计与应用方案。根据远程飞行器导航分析结果和多冗余配置优化准则,设计了高可靠冗余结构配置方案,优先提高X向加速度测量通道精度和可靠性。采用置信距离测度一致性检验方法,对惯性器件输出信息进行置信距离测度一致性检测,建立惯性器件测量关系矩阵,剔除误差较大或失效的惯性测量信息;采用惯性导航信息融合的方法,提升相应测量通道的稳定性和系统使用精度。数据处理结果表明,相对于无冗余捷联惯组,多冗余捷联惯组的惯性导航精度提升近1倍,角速度测量通道稳定性优于0.01(°)/h(3σ),加速度测量通道道稳定性优于1×10~(-5)g(3σ)。多冗余捷联惯组配置优化设计与应用方案能够满足远程飞行器高精度、高可靠惯性导航的需求,具有良好的工程应用参考价值。     

舰载飞机发动机的技术特点

舰载飞机特殊的作战环境和起降方式,决定了其动力装置具有鲜明的技术特点。本较为详细地介绍了舰载飞机发动机的技术特点,可为广大科研人员了解舰载飞机发动机提供参考。     

一种多分辨率图像目标检测算法

为解决航天遥感图像分辨率和目标尺度变化大的挑战,提出了一种基于多分辨率图像的目标检测算法。改进了自适应特征金字塔和轻量级的分类预测模块,通过使用注意力机制,从不同层次的特征图中提取语义信息。引入了一种预测目标尺度的方法,以分析图像中目标的分布和尺度信息。将算法在DOTA（Dataset for Object deTection in Aerial Images）数据集上进行了实验验证,在U-Net（一种基于卷积神经网络的语义分割算法）和ResNet-34（一种深度残差网络）两种不同的主干网络设置下,召回率和检测速度均超过了RPN（Region Proposal Network,区域提议网络）算法。提出的多分辨率图像目标检测算法能有效地提高检测精度,降低计算复杂度。     

基于神经网络融合模型的源代码注释自动生成

注释可以有效提高源代码的可读性、帮助开发者理解软件功能,对于软件的维护和演化起着关键作用.当前源代码注释自动生成方面的研究存在一定局限,一是没有深入挖掘词法信息;二是没能很好的融合词法和语法信息.因此,提出了基于神经网络融合模型的源代码注释自动生成方法,该方法利用编码器-解码器神经网络框架深度表征源代码的词法信息,结合...     

基于BP神经网络技术的电离层VTEC融合

随着电离层探测技术的不断发展,电离层观测资料也越来越多,只使用单一的观测资料会出现电离层反演精度不高的问题。为了提高电离层的反演精度,使用BP神经网络技术将地基反演和国际参考电离层(international reference ionosphere,IRI)模型的垂直总电子含量（vertical total electron content,VTEC）数据进行有效融合。在温带地区\[35°(N)~45°(N),60°(E)~80°(E)\]进行电离层反演试验,结果表明基于BP神经网络技术的电离层数据融合和地基反演获得的电离层VTEC精度都比较高,但是基于BP神经网络的电离层数据融合反演精度比地基反演更高,所以基于BP神经网络技术的数据融合能够提高电离层的反演精度。     

一种基于倾斜影像线特征的三维模型优化方法

针对基于点云构建的建筑物模型通常存在的表面凹凸不平、边缘锯齿等现象,以及建筑物模型中存在的视觉效果不佳的问题,本文提出了一种基于倾斜影像三维线特征约束的三维模型优化方法。该方法以重叠区域为依据对线段进行质量评估与筛选。然后采用选权迭代思想对三维线段进行择优重构,以三角网为单元进行平面拟合与模型表面的纠正与优化,以三维线段为辅助对模型边缘的三角网进行纠正与优化。采用无人机倾斜摄影数据进行实验,将本文方法与Poisson表面重建方法进行了比较,结果表明本文方法有效地消除了平面凸包和边缘锯齿,边缘精度优化至1像素以内,平面精度优化至0.5像素,模型总体精度比Poisson表面重建方法提升了近1倍。此外,对比现有的完全基于点云模型重建算法,本文方法极大地改善了模型的视觉效果,保持了三维模型平面与边缘的特征,模型的边缘和表面精度都得到了提升。     

基于多样性约束和离散度分层聚类的无监督视频行人重识别

视频行人重识别是一项应用非常广的计算机视觉任务。目前的视频行人重识别方法通常是基于监督学习的,该方法需要手工标记大量的数据,代价非常高且并不适用于现实场景。本文提出了一种从底向上的基于多样性约束和离散度分层聚类的无监督视频行人重识别方法。该方法首先将每个样本当作是一个不同的类,然后结合类内间离散度进行从底向上的分层聚类,类间和类内离散度都小的类别将被优先合并,同时在聚类准则中加入一项多样性约束来平衡每类中的样本数量,最后,利用线性变化的特征存储器动态更新模型。在Mars和DukeMTMC-VideoReID两个大型视频数据集上的实验结果表明,相比于目前先进的无监督视频行人重识别方法,本文方法在性能上有一定的提升。     

基于置信度加权的组合导航数据融合算法

 针对联邦滤波融合算法中由于模型量测噪声统计特性未能被准确描述导致其子滤波器误差变大,进而导致联邦滤波估计出现偏差的问题,为了改进联邦滤波融合方法,将模糊自适应卡尔曼滤波方法和置信度加权方法与联邦滤波融合方法相结合,应用于组合导航系统。该方法首先将模糊自适应卡尔曼滤波方法应用于各子滤波器,使其能够跟踪真实量测噪声统计特性。然后通过模糊方法计算得到各子滤波器的置信度,进而得到联邦滤波器的置信度,再由得到的置信度对各子滤波器及联邦滤波器输出进行加权,得到最终的全局输出。对车载组合导航系统的仿真结果表明,这种算法对量测噪声具有较强的自适应性,能够抑制置信度低的子滤波器在融合系统中所占的权重,提高联邦滤波融合算法的精度,是一种可行的车载组合导航数据融合算法。     

一种基于纹理特征的卫星遥感图像云探测方法

 针对卫星遥感图像中的云探测问题,提出了一种有效的纹理特征分析方法。该方法使用反映图像灰度性质和空间关系的分形和灰度共生矩阵两类纹理,分别来描述云区域和无云的下垫面区域,并从这两个纹理的共5个特征参数构成的多维空间中简化出最小的二维分类空间,使该空间能够完全地区分卫星遥感图像中的云和各种下垫面,利用它设计的线性分类器可以高效地实现云的自动探测功能。大量实际图像测试结果正确率达到98%,证实了该方法的有效性。