基于卷积神经网络的雷达和通信信号调制识别

雷达和通信信号的调制识别是电子侦察对抗的一项关键技术,通过搜索、截获敌方电子设备发射的电磁辐射信号,经过电子侦察系统分析、识别,从而获取敌方战术、技术特征参数等情报。人工神经网络中的深度学习网络由于具有强大的表征学习能力,可以自动从原始数据中提取出各种复杂的特征。介绍了一种差分自相关预处理结合深度学习进行中频信号调制识别的方法,结合工作的实际需求,对深度学习在信号调制识别中提出了一些展望,如进一步提高在低信噪比下的识别率和研究深度学习调制识别混合架构。     

基于深度学习的欧几里得嵌入的推荐算法

推荐系统为用户推荐用户可能感兴趣的物品,可以有效地减轻信息过载。基于欧几里得嵌入的协同过滤方法将用户和物品映射到统一的隐藏空间中,是构建推荐系统的重要方法之一。然而,传统的基于欧几里得嵌入的推荐方法仅考虑用户和物品隐藏特征向量之间低阶交互,不能有效建模现实世界中用户和物品的复杂交互行为。本文提出基于深度学习的欧几里得嵌入的协同过滤算法,利用深度学习技术学习用户和物品隐藏特征向量之间的高阶、非线性交互函数,建模用户和物品之间复杂交互行为。在真实数据集上的实验结果表明,基于深度学习的欧几里得嵌入的协同过滤算法性能优于传统协同过滤算法。     

基于深度学习的地空导弹发射区拟合算法

目前地空导弹发射区的拟合算法主要是多项式拟合法和BP神经网络拟合法。多项式拟合法存在函数形式难以确定、函数范围不易分段等问题,且拟合精度较低;传统神经网络方法要想达到较高精度,需要大量的隐层节点,且在隐层节点数增加到一定程度后,训练变得十分困难且精度很难继续提高。同时,传统神经网络需要大量的标签数据,进一步增大了实际应用的难度。为此,基于深度学习理论,设计了一种基于堆栈稀疏自编码器（SSAE）的深度拟合网络（DFN）,并给出了相应的训练策略。仿真实验表明其相比传统算法具有更小的拟合误差优势。所设计的深度稀疏自编码器网络可以克服多项式拟合和传统神经网络的不足,不仅可以在大量无标签数据和少量标签数据条件下进行学习训练,而且可以进一步提升地空导弹发射区的拟合精度。     

基于机器学习的卫星姿态控制律设计

传统的优化算法只能针对给定控制律的指定参数进行优化.机器学习的方法,不仅进化参数,而且可以按给定准则进化出卫星姿态控制律表达式.建立卫星姿态动力学模型及敏感器和执行机构的原理与误差模型,构成含噪声的单自由度的闭环数字仿真系统.统计一段时间内仿真结果的姿态精度和稳定度作为该控制律的适应度函数.针对姿态控制律选定合适的函数...     

When gestures show us the way: Co-thought gestures selectively facilitate navigation and spatial memory

How does gesturing during route learning relate to subsequent spatial performance? We examined the relationship between gestures produced spontaneously while studying route directions and spatial representations of the navigated environment. Participants studied route directions, then navigated those routes from memory in a virtual environment, and finally had their memory of the environment assessed. We found that, for navigators with low spatial perspective-taking performance on the Spatial Orientation Test, more gesturing from a survey perspective predicted more accurate memory following navigation. Thus, co-thought gestures accompanying route learning relate to performance selectively, depending on the gesturers’ spatial ability and the perspective of their gestures. Survey gestures may help some individuals visualize an overall route that they can retain in memory.     

变截面加筋板尺寸-布局一体化设计

为了提高加筋板结构的开口补强效率,文中提出了一种新型变截面加筋构型。通过丰富加筋结构层级,有效抑制了开口引发的失稳变形扩展,从而提高了结构的承载能力。在优化设计中,为了合理缩减设计变量的数目,文章采用函数变量来分别描述加筋层级与布局的变化规律。进而基于代理模型,实现了尺寸-布局一体化设计。最后,与等尺寸、等布局优化方法及等布局、尺寸余弦分布的优化方法的结果进行对比,凸显了文中所提出的一体化设计方法的简洁与有效。     

航空发动机传感器信号重构的K-ELM方法

针对航空发动机传感器信号重构,提出了评价核极限学习机（K ELM）模型性能的一种快速留一交叉验证方法.结果表明:该方法可以避免原始的留一验证方法N次模型的显式训练,将计算复杂度降低为原来的1/N（N为样本数目）.该算法可以快速准确评价核极限学习机的性能,为核极限学习机确定最优的核参数.      

PTNet：一种面向加密流量分类的半监督并行Transformer网络

随着网络加密协议的广泛使用,传统的网络流量分类技术面临很大的挑战。目前的方法具有以下局限性：一是模型高度依赖深度特征,这要求有标注训练数据集的规模足够大,否则模型难以在新的数据上进行泛化;二是模型仅专注于流量的一个模态特征,不同类别流量的同一模态的特征区分度可能不够明显。针对这些问题,本文提出了一种基于深度学习的加密流量分类模型Parallel Transformer Net（并行转换网络,PTNet）。该模型基于预训练-微调的半监督思想,充分利用网络中大量无标签流量数据进行预训练,然后在少量有标签数据的基础上进行微调。此外,该模型并行提取了载荷和包长序列两个模态的流量特征,进行多模态的特征融合,并在三种不同的流量分类任务与相应的数据集（Android、USTC-TFC和CSTNET-TLS1.3,均为公开的数据集）上都表现出很好的效果,分类准确率分别达到95%、98%和97%。     

基于三维卷积残差网络的无人机高光谱岩性分类

岩性识别和分类是地质学、资源勘查等不可或缺的环节,高光谱遥感的兴起为岩性识别提供新的思路。利用机器学习挖掘岩石高光谱图像中的信息从而准确识别岩性,这具有重要的应用价值。目前用机器学习的方法实现岩石的高光谱影像分类研究中,缺少对空间和光谱信息的充分利用,因此本文使用了一种加入注意力机制的三维卷积残差网络结构,能够有效提取岩石高光谱图像的空间、光谱特征以及空谱联合特征。本实验利用无人机搭载高光谱传感器采集了10种不同类型的岩石样本影像,应用该算法对岩石高光谱图像进行分类。实验结果表明：该算法与传统机器学习算法SVM、RF和深度学习算法ResNet、3D CNN和SSRN相比具有更高的精度。     

基于深度迁移学习的航天器故障诊断

随着航天科技的发展,智能故障诊断技术是确保航天器控制系统安全、自主运行的关键技术之一.由于在轨航天器遥测数据样本少、噪声高、未标记,因此缺乏自适应能力、学习能力的传统故障诊断方法难以准确诊断在轨航天器故障.本文针对上述问题提出一种基于深度迁移学习的航天器故障诊断方法,为在轨航天器实时故障诊断提供了可行方法.首先,对航天...