自适应融合 RGB图像特征的稀疏深度修复

深度修复的目的是从稀疏深度图像中恢复出稠密的深度图像。现有方法通常是以稀疏深度图像及其对应的 RGB图像为输入,通过 1个卷积神经网络恢复出密集深度图像。然而,普通的卷积层在处理稀疏且不规则的深度信息时有较大的局限性,同时,RGB图像特征和深度图像特征属于不同的模态。针对这些问题,文章提出了自适应稀疏不变模块,根据输入像素的有效性来处理稀疏深度,并提出了结合注意力机制的多尺度特征融合模块,在关注有效特征的同时,抑制不必要的特征,进一步提高深度修复性能。文章在 NYUv2数据集上进行了一系列实验,实验结果表明了所提出算法和模块的有效性。     

基于时序数据-BP神经网络的电力能耗分析研究

为了更好地对电厂中机组的能耗问题进行分析研究,根据电厂不同工况的参数指标,建立电力企业能耗仿真BP神经网络模型。归一化处理电厂运行过程中各类传感器采集的数据,采用负荷、环境温度、排烟温度、背压、含氧量等指标,并加入时序历史能耗作为输入参数;利用电力企业短时能耗作为输出参数;通过采用不同时间窗口的连续时序能耗参数指标和热力学相关参数作为输入,在神经网络中不同中间层的隐层节点数下进行仿真实验。结果表明,基于时序历史能耗数据的电厂指标参数在包含21个隐层节点数的BP神经网络模型上能够在线仿真出精度较高的短时供电能耗数据。所建的电力能耗预测模型将为后续电厂的节能减排、负荷优化,提供理论参数支撑。     

基于增量学习的文本校对研究

基于深度学习的文本校对是近年的研究热点,而在当下这个大数据时代的背景下,新的数据和知识源源不断的涌现,模型需要不断的更新以适应最新的数据分布。本文引入增量学习的方法,在已有模型的基础上,使用最新的数据进行增量训练,并采用基于回放机制的增量学习方法针对增量训练过程中遇到的灾难性遗忘问题进行研究。实验结果表明,本文提出的增量学习方案可以稳步提升模型性能。     

基于前馈神经网络的柔性连续臂建模与仿真

柔性连续臂的设计研究近年来取得重大进展,但其建模研究一直相对滞后。为此,文章对柔性连续臂进行运动学建模研究,提出使用临时姿态矩阵求解逆运动学的方法,解决了逆运动学不易收敛的问题;利用前馈神经网络对基于模态振型函数（MSF）的模型进行拟合,建立一种端到端的正运动学模型和逆运动学模型,在保证模型精度的同时,显著提高了其逆运动学求解效率。该模型可以灵活更改前馈神经网络输入输出神经元的数量,从而将自身迁移到多节模型中。     

基于复合形与神经网络的机翼结构优化设计

从元件位置和元件尺寸两个方面考虑,提出了一种全局结构优化设计方法。利用NASTRAN完成尺寸优化,利用神经网络对NASTRAN优化结果进行映射,用复合形法进行位置寻优,最终完成了机翼结构的优化。算例表明利用神经网络来预测NASTRAN优化结果有较高的精度与适用性,本文所提方法可行、正确,具有很高的效率。     

基于深度学习的融合空域空管指令语义解析技术

随着无人机技术的快速发展，无人机数量与空域需求显著增长，无人机进入融合空域成为趋势。为改进传统的“人在回路”空管模式，提高融合空域的管控效率，对深度学习方法用于空管指令解析进行了研究。根据空管用语的特点对指令进行整理、扩充、分类和标注，编写了可用于自然语言理解模型学习的空管指令数据集。使用BiGRU-CRF模型作为深度学习的基础架构，加入注意力机制与意图反馈机制构建联合模型获取指令意图及指令参数。分别在空管指令数据集和ATIS数据集上进行了评估，结果表明模型在意图识别和槽填充任务较基础架构均有近1.5%的提升，证明论文方法具备实用性和有效性，为无人机自然语言指控技术的发展提供了有力支撑。     

神经网络宽度对燃烧室排放预测的影响

为研究神经网络宽度对航空发动机燃烧室排放预测的影响，基于录取的全环燃烧室排放试验数据，构建了以燃烧室进口空气温度、进口空气压力、供油流量和油气比为输入，CO和NOx排放指数为输出的神经网络预测模型，确定了最优网络宽度。结果表明，存在一个最优的网络宽度值，使得神经网络预测模型的拟合优度和预测精度达到最佳，本文最优的网络宽度为24。通过拟合优度、误差分析和敏感性分析验证了构建的神经网络模型的准确性和泛化性。基于最优网络宽度的神经网络预测模型能够很好地挖掘输入参数与排放指数之间的映射关系，可作为给定工况参数下燃烧室排放预测工具。最后，基于敏感性分析，结合燃烧物理机理和试验现象对构建的神经网络可解释性进行了探讨。     

基于多特征融合的航天器锂电池健康评估技术

传统的航天器蓄电池可靠性试验按照最大放电深度进行定额充放电，所构建的失效模型用于支撑航天器总体可靠性设计，不能用于在轨锂离子蓄电池健康评估任务；航天器在蓄电池遥测的采样率、精度、样本量方面无法与民用领域相比，基于高采样、大样本的民用蓄电池健康估计方法也不适用于在轨锂离子蓄电池健康评估。针对该问题，从在轨航天器蓄电池数据特性出发，挖掘在轨状态下所能提取的退化特征，并采用多特征综合评价方法，设计了一种基于多特征融合的在轨锂离子蓄电池健康评估方法，实现了在轨蓄电池放电内阻、同放电深度下的终端电压、恒压充电时间3项退化特征融合的健康量化评估，应用于某型号卫星的在轨监测与健康评估，具有良好的工程实用性，可作为国内航天器健康评估技术的参考。