基于深度学习算法的极化合成孔径雷达通用分类器设计

地物分类是PolSAR(极化合成孔径雷达)的重要应用方向。传统算法需要基于特定数据人工选取特征和设计分类器,而深度学习算法能够自行从海量数据中提取层次化特征。在深度学习算法总结的基础上,结合深度学习和PolSAR大数据,提出了一种高效率、高精度的通用分类器设计方法。使用人工标记的数据训练CNN(深度卷积网络),自动化地进行特征学习和提取,并实现高精度的地物自动分类。在具有不同分辨率的机载和星载PolSAR数据上对通用分类器进行测试,都能快速、准确地分类。研究成果可快速将PolSAR数据转译为更直观的地物分类结果,对海量数据,特别是GF-3卫星PolSAR图像的利用有一定的辅助价值。     

基于深度卷积神经网络的遥感影像目标检测

随着遥感影像数据规模的快速扩张,如何高效准确地识别遥感影像中的典型目标成为当前的研究热点。为解决传统遥感影像目标检测方法准确率低的问题,用基于深度卷积神经网络进行遥感影像目标检测,在遥感影像数据集上用基于Faster-RCNN的神经网络模型对VGG16卷积网络进行训练,对输入的遥感影像通过区域推荐网络标注出待检目标的包围框和置信度,实现对遥感影像的目标检测。以飞机和油罐为例,在TensorFlow深度学习框架下实现了数据预处理、网络训练、目标检测等功能,并在当前测试数据集上取得了较高的检测准确率和置信度。该研究成果可应用于遥感影像解译和处理等相关领域。     

基于Sarsa(λ)强化学习的空间机械臂路径规划研究

针对目标特性未知的在轨操作环境,研究了典型空间操作机械臂的路径规划策略。采用Sarsa(λ)强化学习方法实现目标跟踪及避障的自主路径规划与智能决策,该方法将机械臂系统的每节臂视为一个决策智能体,通过感知由目标偏差和障碍距离程度组成的二维状态,设计符合人工经验的拟合奖赏函数,进行各臂转动动作的强化训练,最终形成各智能体的状态-动作值函数表,即可作为机械臂在线路径规划的决策依据。将本方法应用于多自由度空间机械臂路径规划任务,仿真结果表明新算法能在有限训练次数内实现对移动目标的稳定跟踪与避障,同时各智能体通过学习所得的状态-动作值函数表,具备较强的后期在线自主调整能力,从而验证了算法较强的鲁棒性和智能性。     

基于SPOC的深度学习模式策略研究

当下在线课程的发展已越来越重视实际教学中的使用及效果,SPOC缓解了MOOC课程参与度与完成度较低的学习者学习动机问题。深度学习能力是进一步提升SPOC在线课程的有效教学程度及学生能力培养的核心目标。要建构基于SPOC的深度学习模式,就要注重深度学习课程资源动态生成、突出基于建构迁移的深度学习教学设计、加强深度学习虚拟社区协同构建、深化深度学习评价行为分析。     

角接触球轴承生热预测方法与灵敏度分析

通过拉丁超立方实验设计法获取角接触球轴承NSK-7015C的结构参数样本数据,采用Newton-Raphson法求解轴承变形几何协调方程、滚动体平衡方程和内圈平衡方程所构成的非线性方程组。应用Kriging和Monte Carlo相结合的方法(AK-MCS)构建样本数据与轴承生热的函数关系,在此基础之上使用全局灵敏度计算方法计算轴承结构参数对轴承生热的影响。研究结果表明:在相同轴承结构参数下,采用AK-MCS法预测的轴承生热与轴承拟静力学分析模型求得的结果差值均小于0.003 W,说明AK-MCS算法的预测结果具有较高的准确性;轴承生热对轴承滚动体直径变化反应最灵敏,轴承内、外圈沟道直径影响次之,轴承内、外圈沟道曲率半径影响最小,该研究能够为轴承结构参数的设计优化和加工精度的选择提供理论依据。      

Softmax分类器深度学习图像分类方法应用综述

基于深度学习的人工智能图像分类方法研究是当前计算机视觉领域的研究热点。面向深度学习中的Softmax图像分类方法,首先回顾了图像分类技术的发展历程,接着介绍了图像识别技术中的分类器,并解释了Softmax回归函数的分类实现原理。基于Softmax回归分类器的应用,详细阐述了多种图像分类技术,具体包括浅层神经网络、深度置信网络、深度自编码器和卷积神经网络。同时,对比介绍了各种级联模型的具体结构、训练方法、实际应用、分类效果以及优缺点。最后,从Softmax回归分类器、深度学习网络模型和高维数据分类三个方面对基于Softmax回归分类器的深度学习模型在图像分类方面的发展与应用前景进行了展望。     

基于聚类的多标记选择性集成

多标记学习和选择性集成是机器学习中的两个热点研究问题。本文利用聚类思想探究多标记学习中的选择性集成, 提出了两种具体的多标记选择性集成算法：基于最小距离的簇中心选择算法（Minimum distance based cluster center selection,MDCCS）和基于K-means的簇中心选择算法（K-means based cluster center selection, KMCCS）。在所提出的算法中,如何度量学习器之间的距离是其能否成功的关键因素。本文首先基于学习器的分类结果对其进行重新表示,在此基础上给出了学习器之间距离的计算方式。此外, 对于算法中的空簇问题给出了两种解决方法。基于Mulan数据库中的多标记数据集和5种评价指标对所提算法进行了详细的分析,实验结果表明了所提算法的有效性。     

柔性铰接板振动测量及迭代学习主动控制

大型柔性板状结构广泛应用于航空航天领域,这种结构特性极易引起低频振动,针对这一问题以柔性铰接板为研究对象,探究了柔性铰接板在受外部激励作用下弯曲模态的振动特性.为此搭建了一套用于测控柔性铰接板振动特性的实验平台,采用了立体视觉和压电陶瓷传感器分别检测柔性铰接板的振动信息,以此信息作反馈,采用了变遗忘因子的迭代学习控制方法对柔性铰接板的振动进行主动控制,同时以PD控制的实验效果作为对比.实验结果表明,不论是大幅值的快速衰减还是小幅值的残余振动抑制,迭代学习控制效果都优于PD控制.     

弹簧组件对大型弹性整流罩分离动力学的影响

大型整流罩仿真分析与试验预示是国内新一代运载火箭研制过程中的关键技术。采用高精度非线性显式动力学分析方法,对某大型弹性整流罩有无导向孔的2种设计方案分别进行显式动力学分析,比较了2种方案的分离特性及罩内可用包络空间,分析了弹簧顶杆与导向孔等的接触作用对整流罩分离的影响,并结合原型整流罩地面分离试验对仿真结果进行了对比验证。计算结果表明,含导向孔的整流罩分离速度更快,呼吸变形更小,弹簧顶杆与整流罩的接触作用能有效地限制整流罩的呼吸变形。试验结果验证了数值分析结果,这对新一代运载火箭的研制具有一定参考价值。     

双方程 k-ω SST 湍流模型的显式耦合求解及其在叶轮机械中的应用简

 双方程k-ω剪切应力输运（SST）湍流模型通常以隐式耦合方式或者显式半耦合/解耦的方式来求解。本文提出了该模型的一种显式耦合应用方法,即通过点隐的方式来处理湍流源项的刚性,并与混合Runge-Kutta时间推进以及当地时间步长、隐式残差光顺等加速收敛技术相结合,从而使得湍流方程可以与流动方程同时求解。为了增强计算的鲁棒性,进一步对湍流变量进行了限制。将所发展的方法用于DLR平面叶栅算例,确认了求解结果的正确性以及刚性的来源。通过对三维NASA Rotor 67的模拟,验证了SST模型的精度;进一步将其与Badwin-Lomax（BL）模型、Spalart-Allmaras（SA）模型对比,发现三者都能正确地捕捉出口参数分布,且SST与SA模型的模拟结果比较一致;对于该算例,SST模型在总温模拟上更具优势,而BL模型在总压分布上与试验值更加接近。