基于Omega涡识别理论的自适应空化流动模型

液体火箭发动机涡轮泵内存在多种空化类型,其发生机理有所不同,现有数值计算方法通常采用同一套模型预测所有类型空化,导致预测精度不足。为提高复杂空化流动的计算精度,提出了自适应空化流动模型。基于先进的Omega涡识别理论和ZGB空化模型建立了相变系数自适应调整方法,以涡轮泵内两种典型空化（附着空化和泄漏涡空化）为对象,利用翼型实验对模型进行了验证。首先对比了几种涡识别方法的差异,发现Omega方法对阈值不敏感且物理意义明确,适合作为相变系数的取值依据;分析了相变系数对附着空化和泄漏涡空化的影响规律及两种典型空化的形成机理。结果表明：自适应模型相比ZGB模型,对泄漏涡空化的预测精度在大间隙下提升了约181%,小间隙提升了约27%,对附着空化的预测更接近实验结果;附着空化是吸力面脱落涡形成的原因,间隙泄漏流场的涡带和剪切层空化是由间隙泄漏涡和分离涡共同作用形成的。     

星图匹配观测三角形优化选取技术

为了提高三角形星图识别算法的成功率,减少匹配过程中的计算量,进而提高星敏感器实时输出姿态的性能,提出一种星图匹配前“二次优化”选取观测三角形方法,该方法在在初选观测三角形的基础上,对观测三角形进行第二次优化筛选,进而提高星图识别环节的效率。优化选取观测三角形是基于QUEST定姿原理,将观测三角形的边与夹角的约束关系转换到像平面上。全天球遍历分析统计结果表明：在12°×12°视场中,采用本文提出的方法,可使一次匹配成功并输出可用于星图验证环节的较高精度姿态信息的概率提高60.9％,从总体上可大大减少星敏感器星图识别环节的计算量,并且每帧全天球定姿输出的时间一致性也被大大提高。     

三维人体运动数据提取的人机交互方法及实验

提出使用人机交互的方法,通过加工处理现场录像资料,并与计算机图形学技术相结合,整体提取人体的三维运动数据.针对提取过程中的关键环节--数据提取人员,进行了姿态识别精度实验.实验的样本采用计算机图形、图像以及动态画面,实验结果表明识别精度良好.最后介绍了对运动数据的加工转化过程.     

对一种特征识别算法的两点改进

 针对一类重要的特征识别算法——Falcidieno算法,做了两点较大的改进:第一,在处理显式特征时,原算法不能处理凸特征与凹特征相邻接时的情况,而改进后的算法可处理该情况,它可从既有凸边又有凹边的环识别出凸特征和凹特征;第二,指出了隐式凸特征存在的一个条件,并修改了对隐式特征的处理方法,从而可识别出更多类型的隐式凸特征.这两点改进显著地扩展了该算法的适用范围.     

RFID技术在军用仓库信息化管理中的应用研究

射频识别技术是一种新兴的非接触式自动识别技术,把射频识别技术运用到军事物流系统是实现系统高性能和低成本相结合的最切实可行的一条捷径.随着人们对高性能和低成本的需求的增长,射频识别技术也得到了越来越多的应用.首先介绍了RFID技术在军用仓库信息化建设中的发展趋势和它的特点和优点;然后探讨了射频识别系统的基本内涵和工作原理,对射频卡和阅读器作了一定的介绍;最后在对军用仓库做出需求分析的基础上,完成了RFID技术在军用仓库信息化管理中的软件设计和实验模型构建.本文设计的RFID系统已经成功运用于军用仓库信息化管理的开发和使用.     

基于深度学习目标识别的航天员训练场景理解技术

增强现实(AR)是航天员训练的有效途径,其关键技术是场景重建与空间定位。针对当前AR设备只能进行场景空间静态识别,无法感知目标动态变化的问题,提出了深度学习与AR技术相结合的目标识别与位姿估计方法。采用YOLO v5神经网络实现了小训练样本量的操作目标识别,结合深度信息实现了目标点云分割,与目标CAD模型点云进行ICP匹配后估计出目标的三维空间位姿,从而在AR显示空间中实现目标的动态定位与虚实融合。结果表明：YOLO v5的识别平均精度可以达到0.995,虚实结构可以准确叠加。该方法可有效提高AR设备的场景理解能力,扩展航天员AR训练手段。     

通信信号智能调制识别对抗攻击研究

基于深度学习技术的通信信号调制识别算法由于其优秀的特征提取能力,极大地提升了调制识别任务的精度,但是对抗样本特性的存在,导致基于深度学习的调制识别模型的安全性受到了极大威胁,通过在训练好的调制识别网络中添加设计好的特定微小扰动,就可以使得调制识别模型完全失效。研究了基于深度学习的调制识别模型及其对抗样本攻击方法,提出一种基于快速梯度符号法的定向扰动生成方法,该方法在扰动和原始信号功率比为-21 dB的条件下,针对11类常见的不同调制种类的通信信号生成扰动,实现对通信信号调制识别模型的定向攻击,为智能调制识别模型的攻防对抗提供参考。     

基于卷积Token的Vision Transformer模型的人脸表情识别

人脸表情识别有着广泛的应用。本文使用基于卷积Token的Vision Transformer的混合模型实现表情识别。混合模型能够更好地捕捉人脸表情的局部特征以及局部特征之间的相关性。实验使用RafDB和Fer2013Plus数据集,并对比了ResNet、DenseNet、Swin Transformer和CVT模型的精度和分类混合矩阵分析在人脸表情识别中的表现。