一种基于迁移学习的遥测数据异常检测方法

为解决卫星遥测数据异常检测面临的数据不平衡且缺乏有标签样本的问题,提出一种基于一维卷积神经网络(1dCNN)迁移学习的异常检测方法.首先利用源域卫星的遥测数据对1dCNN进行预训练,使得模型的卷积层具有卫星状态特征的提取能力;然后将训练好的模型迁移到缺乏标签数据的目标域卫星中;利用目标域有标签样本对预训练模型进行微调,...     

边缘网络下多无人机协同计算和资源分配联合优化策略

针对边缘网络环境下多人机之间存在计算负载不均,造成卸载任务失败的问题,提出了一种多无人机间协作的智能任务卸载方案。通过联合考虑多无人机任务分配、计算资源分配和无人机飞行轨迹,引入公平性指数建立了无人机公平负载最大化和能量消耗最小化问题。基于多智能体深度强化学习框架,提出了融合轨迹规划和任务卸载的分布式算法。仿真结果表明,所提出的多无人机协作方案可以显著提高任务完成率和负载公平度,并且有效适用于大规模用户设备场景。     

自主学习环境中原声电影赏析的教师干预效果

在自主学习中心大部分学生选择观看原声电影作为主要的学习手段,但学生在电影赏析时缺乏明确的学习目标和可行的学习方法.本文在介绍实验操作的具体步骤后,通过对比分析实验对象在实验前后的考试数据,证明了教师合理科学地干预学生原声电影赏析活动,可以让学生收获更好的语言学习效果.     

自学习自适应INS／Doppler组合导航系统

本文通过引入文［１］提出的自学习适应Ｋａｌｍａｎ滤波，而将氢此组成的具有自学习功能的智能组合导航系统直接建立在噪声分布密度的异步自学习估计上，由于此时的ＬＡＫＦ在每次重复滤波实验后可离线异步地学习模型与量测噪声的统计特性，从而可有效地避免滤波发散现象并能确保实时性。文中结合某飞行器，对ＩＮＳ／Ｄｏｐｐｌｅｒ组合导航系统进行了仿真研究，所得结果十分满意。     

基于深度学习的航天器位姿估计研究进展

从在轨应用角度出发,对近年来基于深度学习的航天器位姿估计相关研究成果进行了综述。首先,对基于传统特征提取方法的航天器位姿估计研究进展与局限性进行了归纳梳理。在此基础上,引出基于深度学习的航天器位姿估计的重要意义,并聚焦公开比赛、数据集、姿态估计方法、开源模型等方面阐述基于深度学习方法在当前和未来的关键问题与解决途径。最后,从数据集逼真度、模型可部署、多任务域适应3个维度给出了相应关键技术后续发展的方向与思路。     

以职业生涯规划增强高职高专学生学习动力的思考

职教专业必须以社会职业分类为基础这一原则,映射出职业生涯规划教育和专业知识学习动力有着紧密的联系。论文对动力系统、职业生涯规划以及高职学生动力减弱或缺失的现状和成因进行了分析,并给出了建议。认为职业生涯规划教育是能够有效促进学生全面自我认识、自我剖析以及分析周围客观环境等能力和增强他们学习的主体意识等,并且也是有利于他们学习动力系统的全方位构建、提高以及完善。     

基于红外视觉/激光雷达融合的目标识别与定位方法

近年来,基于可见光图像的目标识别在无人车感知领域得到了广泛应用.然而,可见光图像目标识别无法应用于弱光和黑暗环境.针对于此,提出了一种基于红外视觉/激光雷达融合的目标识别与定位算法.首先,通过基于颜色迁移的数据增强训练方法,提高了红外目标识别算法的泛化性能.继而,提出了一种基于激光雷达修正的单目深度估计方法,通过视觉图...     

黎曼几何在计算机视觉中的应用研究进展

在计算机视觉领域,许多任务相关数据具有非欧结构,近年来基于黎曼几何的数据表征与应用研究受到了越来越多的关注。如何充分利用数据的几何结构,来提高目标识别、目标跟踪及目标检测算法的性能,是其中的一些研究热点。本文主要从三个方面介绍黎曼流形在计算机视觉中的应用研究进展。首先,从数学基本概念出发,阐述黎曼流形与图像的关系以及视觉应用的可行性,并介绍计算机视觉中具有重要应用的几种黎曼流形。其次,对黎曼流形在计算机视觉中若干常见应用进行了概述,重点介绍了与深度学习相结合的相关进展。最后,对引入黎曼流形的机器学习方法的未来发展进行了分析和讨论。     

暗弱环境下小天体陨石坑智能检测算法

针对小天体环境暗弱、存在自旋情况下,陨石坑难以检测的问题,提出了一种陨石坑智能检测算法.通过局部方差均衡算法增强暗弱环境下图像中的陨石坑特征,然后利用多视角重投影模拟小天体自旋及相机视角变化,并进行数据增强.对于陨石坑漏标或标注错误问题,采用YOLOv4结合自学习的网络结构更新数据集标注信息,有效提高标注率.同时,对于...     

基于迁移学习的太空台风自动识别

太空台风是极盖区内一种新发现的大尺度亮斑状极光结构,直观表征了地磁平静期的一种堪比磁暴的太阳风能量注入现象,这更新了人们对太阳风–磁层–电离层耦合过程的认识,如何从海量星载极光数据中准确髙效识别出太空台风事件具有重要的科学意义。采用深度学习的方法,通过六种网络模型的对比,最终基于迁移学习和EfficientNetB2网络提出了一种太空台风自动识别方法。在2005-2021年美国国防气象卫星（Defense Meteorological Satellite Program,DMSP）上搭载的紫外光谱成像仪（Special Sensor Ultraviolet Spectrographic Imager,SSUSI）的观测数据中验证了该模型的有效性,识别准确率达到97.7%。研究结果表明,该方法可用于从海量星载极光观测数据中自动识别太空台风事件。