基于卷积神经网络的遥感图像舰船目标检测

针对遥感图像背景复杂、受环境因素影响大的问题,提出一种将卷积神经网络(CNN)与支持向量机(SVM)相结合的舰船目标检测方法,利用卷积神经网络可自主提取图像特征并进行学习的优点,避免了复杂的特征选择和提取过程,在复杂海况背景图像的处理中体现出较优的性能;同时,由于军舰样本获取难度大,应用迁移学习的概念,利用大量民船样本辅助军舰目标的检测,取得较好的效果。通过参数调整与实验验证,此方法在自行建立的测试集上检测率达到90.59%,对光照、环境等外界因素具有一定程度的鲁棒性。     

基于LSTM循环神经网络的故障时间序列预测

有效地预测使用阶段的故障数据对于合理制定可靠性计划以及开展可靠性维护活动等具有重要的指导意义。从复杂系统的历史故障数据出发,提出了一种基于长短期记忆（LSTM）循环神经网络的故障时间序列预测方法,包括网络结构设计、网络训练和预测过程实现算法等,进一步以预测误差最小为目标,提出了一种基于多层网格搜索的LSTM预测模型参数优选算法,通过与多种典型时间序列预测模型的实验对比,验证了所提出的LSTM预测模型及其参数优选算法在故障时间序列分析中具有很强的适用性和更高的准确性。      

神经网络二次学习影响系数加权法及算例

神经网络由于其本身具有的优越性，已广泛应用于各个领域中的分类，联想问题，为了提高诊断准确度，给出了一种新的神经网络学习算法－二次学习影响系数加权法，并通过算例和实例对上述模型和算法进行了验证。     

基于N-BEATS的单站对流层天顶总延迟预报

高精度对流层延迟先验值有助于加速精密单点定位的快速收敛。基于高精度高分辨率气象数据库,采用深度学习N BEATS算法,进行了单站对流层天顶总延迟的预报试验。试验选取了9个IGS跟踪站,试验弧段从2002年1月至2019年6月共185a。首先基于N BEATS算法,设计了3种预报策略,然后基于前175a针对不同预报策略进行模型训练,并对最后365d的对流层天顶总延迟进行预报。试验结果表明,以该气象数据库为基准,12h以内预报弧段的预报残差均值量级大多可达亚毫米,2h、4h、6h的预报残差的标准差分别约为5mm、9mm、13mm。     

产品协同设计中异构模型数据融合的有效策略

针对复杂产品设计中,不同设计工具产生的模型数据之间的融合问题,提出了一种工具间端到端的异构模型数据融合策略。利用数据库管理动态特性,通过模型信息共享,实现异构模型数据之间的融合。在OpenMBEE系统集成环境中,通过建模工具CREO二次开发,利用所提策略获取全生命周期设计中的动态模型属性信息,通过3D模型编辑及重用功能测试,验证了所提策略的有效性。利用自动获取可视化模型属性信息的智能算法,设计一种基于Transformer模型与双向长短期记忆(Bi-LSTM)模型相结合的模型属性智能提取算法,利用神经网络的多层感知特性,通过对模型中属性文本信息进行深度学习、特征分析,实现了对异构数据属性信息的自动提取功能。利用CAMEO建模工具设计的需求分析模型构建模型数据集,验证了智能模型信息自动提取功能的有效性。      

卷积神经网络卫星信号自动调制识别算法

自动调制识别是空间认知通信系统的关键技术,有助于实现自适应信号解调。深度神经网络虽然具有特征提取能力强的优势,但也存在参数众多、计算量大的问题,难以实现空间在轨应用。针对以上问题,提出了一种轻量化、高性能的卷积神经网络结构。网络先提取信号的同相正交相关特征,再提取时域特征,最后提取各通道特征均值进行分类。对11种调制方式分类的实验结果表明:当信噪比高于0 dB时,平均识别准确率能达到86.94%,较传统的高阶累积量的方法提高了31.54%;与目前高识别准确率的深度神经网络模型相比,仅使用不到10%的模型参数,在树莓派4B上计算速度平均提高了20倍。      

电力系统厂站接线图拓扑关系检测技术

厂站接线图中电气元件的拓扑关系是厂站接线图自动生成技术所需的核心数据。目前,已知的厂站接线图自动生成技术仍然依靠人工获取图中的拓扑关系。通过利用基于深度学习的目标检测技术与传统的计算机图像处理技术相结合的方式,能够实现厂站接线图拓扑关系检测。首先,利用基于深度学习的目标检测方法对电气元件进行识别,并利用计算机图像处理技术对标量格式接线图进行预处理,完成电气元件与连接线的分割。然后,利用轮廓跟踪算法对连接线连通区域进行检测标记。最后,根据获取的电气元件信息与连接线信息获取图纸的拓扑关系。采用国家电网有限公司提供的数据集,并设计了对比实验,验证了所提方法的有效性。      

基于组字典学习的逆合成孔径雷达成像方法

基于压缩感知(compressive sensing, CS)的逆合成孔径雷达(inverse synthetic aperture radar, ISAR)成像方法可以使用非常少的数据来获得高质量的图像。但基于CS的ISAR成像方法中目标场景不准确的稀疏表示限制了成像方法的性能。结合字典学习(dictionary learning, DL)技术的CS ISAR成像方法能够寻找到目标场景图像块的最优稀疏表示,提高成像质量,但每一个图像块被单独考虑,而忽略了彼此之间的相互依赖关系。为了实现进一步提高成像质量的目标,针对ISAR图像分块重建的问题,首次提出一种基于组字典学习(group dictionary learning,GDL)的ISAR成像方法。将具有相似结构的图像块聚类并构建出多个图像块组,利用奇异值分解(singular value decomposition, SVD)从图像块组中学习出最优组稀疏变换字典。学习好的组稀疏变换字典可以寻找到待重建图像块组的最优稀疏表示,进而重建出高质量的目标场景图像。实验结果表明:与现有的CS ISAR成像方法相比,基于GDL的ISAR成像方法能获得更好的成像效果,并具有更高的计算效率。     

传感器与检测技术教学改革研究

本文主要对传感器与检测技术这门课教学内容的编排上做了改进,使教学内容模式化,这样有利学生对传感器定义的理解。实验内容分理论,实践,以及综合应用三部分,使学生对传感器与检测技术有了实际应用的机会;同时建立了网络学习平台,使学生获取知识的渠道增多了,开展讨论课、学生讲课、问卷调查、学生心得、请公司实战人员讲课,大大提高学习效果。     

基于迭代学习观测器的卫星姿态控制系统的鲁棒容错控制

针对卫星在轨运行时存在执行机构故障和空间干扰问题,提出了一种将迭代学习与未知输入观测器(IL-UIO)相结合的鲁棒容错控制方法.该方法在继承了未知输入观测器干扰解耦优点的同时,运用迭代学习技术,利用前一时刻姿态角速度偏差和IL-UIO输入来更新当前故障信息,实现了执行机构的在线故障重构.进一步基于Lyapunov方法从理论上证明了设计的IL-UIO鲁棒稳定性和姿态角速度偏差一致有界性.最后,建立卫星闭环姿态控制系统对方法进行验证,仿真结果验证了方法的有效性.