空间机器人深度学习识别捕获部位的应用探讨

针对空间机器人对捕获部位识别方法的普适性、实时性和准确性等要求,提出了采用深度学习方法对空间机器人捕获目标的特征部位进行识别。通过比较分析方法、数据驱动方法等传统识别方法和深度学习方法的优缺点,发现深度学习方法对于解决空间机器人捕获部位识别问题具有显著优势。进一步分析了应用深度学习方法解决捕获部位识别问题的几个关键技术问题,为后续空间机器人在轨捕获目标的研究与实践提供了新的思路。     

基于深度学习的二维翼型流场重构技术研究

基于深度学习方法的二维翼型流场重构能够克服传统风洞试验和计算流体力学模拟的缺点,在提高计算速度的同时保证计算精度。提出的深度学习方法通过模拟RANS方程对速度、压力和密度分布进行预测,最优模型可以达到平均压力、速度、密度误差为5%。该方法的单个算例计算时间约为1s,计算耗时约为常规求解器的0.66%。同时也验证了数据集大小对解的准确性的影响,随着数据集样本数目增大,解的准确性也逐步提高。为深度学习方法在计算流体力学中提供一个现实的二维流场预测应用场景,探讨了深度神经网络方法与气动领域相关问题的匹配度,后续将进一步通过精细化的几何外形表达与无损失的标签提取方法提高深度神经网络方法计算的可用性。     

神经网络集成的分布式入侵检测方法

分布式入侵检测系统需具有分布式检测功能及部件增量更新能力.文中提出了一种基于神经网络集成的分布式入侵检测方法,采用单个Agent检测与多个Agent协同检测的两级集成算法实现分布式入侵检测;在发现新的入侵时,Agent上的神经网络集成采用基于资源分配网的增量学习算法进行更新.实验结果表明,该算法能有效检测各种攻击,并且具有对未知攻击的增量学习能力.     

遥感影像建筑物提取多尺度特征深度学习网络

语义分割网络被广泛应用在高分辨率遥感影像建筑物提取领域。但是语义分割网络中的连续下采样会损失特征中的细节信息,导致提取结果边缘模糊,不同深度特征的不充分利用导致传统网络难以识别尺度差异大的建筑物。针对以上问题,文章基于双线性插值上采样和多尺度特征组合提出一种多尺度建筑物提取网络（Multi-scale building extraction network,Msb-Net）,该网络包括编码器、解码器以及多尺度特征组合三部分。首先,编码器基于双线性插值上采样丰富图像的细节信息,再通过特征编码提取深层抽象特征;其次,解码器恢复特征空间分辨率,获得深度不同的解码特征;最后,基于多尺度特征组合结构对不同深度的解码特征进行组合,获得最佳的检测结果。文章在马萨诸塞州数据集和武汉大学数据集上进行验证,结果表明,Msb-Net具有更高的识别精度,在两个数据集上交并比指标分别提高了1.71%和1.88%。通过结果对比可以得出结论：相比于传统语义分割网络,Msb-Net可以通过多感受野特征组合的方法更加准确地识别遥感影像中不同尺度的建筑物。     

遥感影像人工智能数据集联邦共享技术研究

遥感影像目标识别算法升级需要大规模、高品质人工智能数据集支持。目前,各遥感影像数据集大多以孤岛形式保存在不同机构或同一机构的不同部门,由于数据安全保密相关规定,各数据节点间无法汇聚数据,造成严重的数据孤岛问题。数据孤岛问题导致可用于模型训练的遥感数据严重缺乏,影响遥感影像智能识别算法性能提升。为解决数据孤岛问题,文章从数据孤岛构建、联邦数据管控、联邦项目管控及联邦安全四个方面研究联邦数据治理技术,在数据不出孤岛的前提下,实现模型侧到多个数据侧的学习模式,达到数据可用不可出的效果。实验结果表明：虽然联邦数据治理技术因为数据加密传输,会增加模型训练时间,但是随着数据孤岛的增多,在测试精度上可以逐渐逼近数据汇聚模式,大幅改善数据孤岛问题。     

基于机场属性网络表示学习的机场群同质化分析

现有机场群研究较少从航线网络分析角度进行机场节点之间的同质化分析,航线网络中机场节点的属性信息考虑不足.为了解决此问题,文中提出了一种基于机场属性网络表示学习的机场群同质化分析方法.首先,构建包含属性信息的机场群航线网络,如果机场之间有航班,则为机场之间添加一条边,并为每个机场节点添加航线区域属性信息.其次,分别进行机...     

基于BP神经网络的复合材料性能预测

针对复合材料性能表征十分复杂、困难的情况,利用人工神经网络的BP算法,建立了复合材料性能预测模型。模型由3层神经元组成,分别为输入层、隐含层和输出层。以碳/陶瓷复合材料性能与成分的关系为研究对象,选取了38组实验数据作为学习样本,模型总误差为0.18,用建立的网络预测未知,并给出预报曲线。和试验值相比较表明,所建立的网络能反映碳/陶瓷复合材料组分与其材料性能之间的关系,为实验设计提供了新的思路,节省了时间和劳力。     

一种无人机集群对抗多耦合任务智能决策方法

针对复杂场景下无人机集群对抗中协同目标分配和突防轨迹规划等多耦合任务的决策问题,提出了一种集群对抗多耦合任务智能决策方法.首先,针对无人机集群对抗中耦合任务多和决策空间大难题,结合集中式和分层式架构的优点,设计了面向多耦合任务的混合式深度强化学习架构,可提升多耦合任务间的协同性和集群对抗效能;其次,针对轨迹规划序贯决策...     

"嫦娥五号"月面采样机械臂路径规划

针对"嫦娥五号"月面采样任务中采样机械臂的精准控制问题,提出了一种基于深度强化学习的路径规划方法.通过设计深度强化学习算法的多约束奖赏函数,规划了满足安全性、快速性、可达性3个约束的运动路径,实现了采样机械臂的精准控制.在满足任务安全性的提前下,缩短了天地之间的交互时间,机械臂控制效果平稳.在轨实验结果表明,该方法具有...