基于改进Yolov3 算法的舰船目标检测识别系统

针对复杂战场环境下对海目标检测识别的需求,设计了一种基于改进Yolov3 算法的海面舰船目标实 时检测识别系统。使用微调分类网络、增加训练尺度、聚类目标边框维度、二级特征分类等方法对Yolov3 检 测识别网络模型进行了优化,在提高识别精度的同时有效降低了漏检率和虚警率。实验结果表明,优化后的网 络模型在自建的舰船图像数据库中将检测识别平均准确率提高到了79.3%,对真实海上航拍视频中舰船目标识 别的平均准确率达到了81% 以上。     

基于局部应力法的 Bayes -神经网络舵板寿命预测

舵板是某水下航行体的关重件,为预测其使用寿命,文章建立了舵板航行体的计算域模型,通过仿真并运用局部应力应变法,计算出舵板在特定环境应力下的寿命;利用贝叶斯估计的先验知识以及神经网络,联合预测出舵板在不同的环境应力下的使用寿命。     

网络安全投资外部性及博弈策略

在企业投资成本和投资利润不同的情况下,应用博弈论理论计算了网络安全投资过程中,由于病毒传染所带来的投资负外部性,提出了信息安全的投资博弈模型.确定了相互依赖前提下企业的投资成本临界点及其影响因素,以及多个企业进行信息安全投资的多个纳什均衡解.同时将问题扩展到风险内生的条件下,阐明该条件下企业投资成本临界点的变化不仅取决于相互传染的可能性大小,还取决于内生外部性的正负及其绝对值大小.该方法为信息安全的风险管理提供了新的思路,为企业确定自身的投资策略以及国家确定相应的政策指导提供依据.      

基于InfoLSGAN和AC算法的滚动轴承剩余寿命预测

为解决小样本和噪声干扰下滚动轴承剩余寿命(RUL)预测准确率低的问题,提出一种基于信息最小二乘生成对抗网络(information least squares generative adversarial network,InfoLSGAN)和行动者-评论家(actor-critic,AC)算法的滚动轴承剩余寿命预测方法。将堆叠降噪自动编码器、信息生成对抗网络和最小二乘生成对抗网络相结合,构建InfoLSGAN,自动地从噪声数据中提取可解释的鲁棒特征,解决梯度消失问题;采用基于AC的训练算法训练InfoLSGAN,减少训练时间,加快收敛速度;根据训练后的InfoLSGAN,利用softmax分类器预测测试样本中滚动轴承的剩余寿命。通过滚动轴承加速疲劳寿命试验验证该方法的有效性。试验结果证明,当信噪比等于0时,该方法对滚动轴承测试样本的寿命预测准确率至少提高了10%。在小样本情况下,滚动轴承剩余寿命预测的平均准确率达9584%。     

无线传感器网中的加权距离节点选择法

节点选择存在于无线传感器网的目标跟踪问题中,主要任务是从多个传感器中选取合适节点跟踪当前目标,满足跟踪精度、算法计算量的要求.提出一种适用于测角传感器节点的加权距离选择法,该算法利用目标状态预测的分布及节点的探测模型,通过计算节点距目标几何距离及加权系数,选择具有最小加权距离的传感器点进行探测,避开了贝叶斯滤波,在减少计算量的同时具有很好的选择精度.仿真结果表明,本算法大幅度减少了计算量,同时可达到和熵值法相当的跟踪定位效果.      

基于旋转矩阵的预设时间航天器编队姿态协同控制

由多个航天器组成的编队系统对复杂的环境往往具有较高的适应性和容错性,能更高效率地完成单航天器难以完成的任务。因此主要针对多航天器系统的姿态协同控制问题,提出一种基于旋转矩阵的预设时间控制算法。首先,为了避免航天器姿态建模的奇异性和模糊性问题,采用旋转矩阵对航天器的姿态进行统一描述,同时结合有向的通信拓扑对航天器姿态协同控制系统进行建模。其次,为赋予系统可控的收敛速度,提出一种基于滑模的预设时间控制算法。该算法的引入使得航天器编队系统的收敛时间可以在合理的范围内任意给定。此外,为了实现系统对参数摄动和外部干扰的鲁棒性,采用神经网络和自适应算法对不确定性进行在线估计与补偿。最后,通过理论分析和数值仿真验证了所提预设时间控制算法的有效性。     

NET-RAM的设计与实现

对SNOW机群系统的分布式共享存储管理机制进行适当的简化,就可实现网络虚拟存储环境.它以本地节点的主存作为cache,以网络上其它节点机的主存作为本地节点机主存的后援存储,取代本地节点机的硬盘或其它介质的存储设备.充分利用网络上节点的物理存储空间,使一些在单机上由于内存限制而无法完成的计算成为可能.这对于时间敏感性不高但需使用大内存的计算程序尤其适合.本文在介绍了网络虚存的概念之后,详细阐述了一个网络虚拟环境NET-RAM总体结构,软cache的实现方法,并对该网络虚存环境进行了测试,分析了测试结果.最后对今后的工作进行了探讨.      

低树代价的低轨卫星网络组播算法

为了解决低轨卫星网络中现有典型源组播算法的信道资源浪费问题,提出了一套单核共享树组播算法,即核心群合并共享树(CCST)和加权核心群合并共享树(w-CCST)算法.CCST算法包括动态近似中心(DAC)选核方法和核心群合并组播路径构建方法.在核心群合并方法中,以核节点作为初始核心群,通过核心群和剩余组成员的最短路径方法逐步扩展直至整棵组播树构建完成,从而大大提高了网络带宽利用率.在w-CCST算法中,通过调整加权因子可以适度增大树代价、降低端到端传播时延,以支持某些时延性能要求严格的实时业务.仿真结果说明,CCST算法的树代价性能比其它算法有显著改善,w-CCST算法的端到端传播时延性能好于CCST算法.      

二值卷积神经网络综述

二值卷积神经网络（BNN）占用存储空间小、计算效率高,然而由于网络前向的二值量化与反向梯度的不匹配问题,使其与同结构的全精度深度卷积神经网络（CNN）之间存在较大的性能差距,影响了其在资源受限平台上的部署。至今,研究者已提出了一系列网络设计与训练方法来降低卷积神经网络在二值化过程中的性能损失,以推动二值卷积神经网络在嵌入式便携设备发展中的应用。因此,本文对二值卷积神经网络进行综述,主要从提高网络表达能力与充分挖掘网络训练潜力两大方面,给出了当前二值卷积神经网络的发展脉络与研究现状。具体而言,提高网络表达能力分为二值化量化方法设计、结构设计两方面,充分挖掘网络训练潜力分为损失函数设计与训练策略两方面。最后,对二值卷积神经网络在不同任务与硬件平台的实验情况进行了总结和技术分析,并展望了未来研究中可能面临的挑战。     

基于神经网络的减阻沟槽壁面形状优化

针对沟槽外形减阻问题,采用基于神经网络的方法对沟槽壁面形状进行外形优化。模型采用槽道流动模型,控制方程为黏性不可压缩Navier-Stokes(NS)方程,流动求解采用直接数值模拟（DNS）方法,对于对流项的离散采用紧致4阶中心格式,对黏性项的离散采用4阶中心格式,时间推进采用3阶Runge-Kutta格式。在神经网络优化过程中,约束方程为不可压NS方程,采用基于在线学习的自适应控制器,使用基于抑制展向切应力的控制律,控制量的产生由壁面变形提供。优化结果表明,壁面最大减阻效果可达17.41%。对于优化后的壁面,湍流强度降低了19.68%,同时壁面的涡量与雷诺切应力亦有所降低。由于湍流流动非定常,因此优化得到的壁面形状亦是时变的,但变化的过程中整体上仍呈现流向沟槽的形状。