对抗黑盒攻击的混合对抗性训练防御策略研究

随着深度学习模型在无人驾驶等安全敏感性任务中的广泛应用,围绕深度模型展开的攻防逐渐成为机器学习研究的热点。黑盒攻击是一种典型的攻击场景,在攻击者不知道模型具体使用结构和参数等情况下仍能进行有效攻击,是现实场景中最常用的攻击方法。因此,分析深度学习模型的脆弱性并设计出更加鲁棒的模型来对抗黑盒攻击成为迫切需要。而传统基于单模型的单强度和多强度对抗性训练方法,在抵御黑盒攻击时性能十分有限;基于多模型的集成对抗性训练方法在抵御高强度、多样化攻击样本效果也不理想。本文提出一种基于贪婪强度搜索的混合对抗性训练方法,实验结果表明,所提出的混合对抗性训练能够有效抵御多样化的黑盒攻击,性能优于传统的集成对抗性训练。     

基于声发射砂轮磨损监测系统的研究

磨削加工过程中砂轮出现磨损需要反复的修整,砂轮磨损状态的监测可以有效判别砂轮工作状态,减少砂轮修整次数。本文建立了一种基于声发射信号的砂轮磨损监测模型,提出了基于一种小波分解系数均方值统计分析的砂轮磨损状态特征提取方法。同时,采用BP神经网络对砂轮磨损状态进行识别,其输入为3种提取特征,输出为3种不同的砂轮磨损状态。通过磨削试验对监测系统进行评价。结果表明,所提出小波分解系数均方值统计分析的特征提取方法和砂轮磨损监测系统均具有良好的效果。     

应用神经网络的航空发动机故障诊断仿真研究(英文)

传统的定期维护制度成本高 ,劳动强度大 ,且对发动机故障的诊断和探测能力十分有限。现代飞机上的发动机监控系统 ( EMS)具有向维护人员提供有关发动机故障信息的潜在能力。本文将径向基函数 ( RBF)神经网络应用到航空发动机故障诊断中。该方法能够依靠测量参数探测发动机多个气路故障 ,并对各大部件的性能退化进行定量的诊断。仿真结果表明 ,诊断的精度能够满足实际应用的需要 ,神经网络的非线性映射能力可用来捕捉发动机的特性。该方法具有通用性 ,在其他类似的复杂机械中也可以获得应用。     

一种模糊Modular神经网络模型及其应用

将神经网络模糊系统与模糊C均值聚法相结合，对模糊Modular神经网络进行研究，提出了该模糊神经网络模型的多输出结构及其学习算法，据此开发了模糊神经网络诊断系统，并将其用于某电源分系统的诊断分析，运行的结果表明，该网络模型优于一般神经网络。     

基于神经网络模型预测的水声对抗子母弹跌落冲击仿真

为了评估水声对抗子母弹在不同跌落冲击条件下的可靠性,应用LS-DYNA对母弹在不同跌落参数下的冲击响应进行了数值仿真研究。在有限元计算结果作为样本的条件下,运用BP神经网络模型建立了母弹跌落冲击影响参数与子弹应力峰值的非线性映射关系。结果表明:弹体各子结构在跌落高度、角度及跌落面条件下具有不同的冲击响应规律;母弹体头螺、壳体结构冲击变形较大,内部子弹冲击应力值变化幅度较小;网络模型较准确预测子弹的应力峰值,可极大地降低仿真次数,提高跌落测试效率。     

基于神经网络的风洞尾支杆减振系统

风洞试验时,由于气流的影响,测试用悬臂式尾支杆容易产生大幅度低频振动,这会严重影响测试精度,甚至损坏自身结构。为了有效抑制尾支杆的振动,本文设计了基于压电组件的主动减振系统,并将人工神经网络应用于PID控制,提出了神经网络PID智能控制算法。对尾支杆进行有限元分析,获取其模态参数。然后设计试验测试减振系统的性能,将神经网络PID与经典PID的控制效果进行对比。试验结果表明:在连续载荷的作用下,采用经典PID控制算法与神经网络PID均可达到有效控制(减振幅度70%以上),且神经网络PID在保证减振效果的情况下实现控制参数自整定,具有良好的鲁棒性。     

神经网络在旋翼／机身气动干扰模型中的应用

由于直升机自身的特点,旋翼／机身气动干扰呈现非线性,且受多种因素的影响,用神经网络来解决这一非线性问题是一个很好的办法。将旋翼／机身气动干扰试验数据构造的学习样本,对网络参数进行学习,可以得到旋翼／机身气动干扰神经网络模型,进而可以用该神经网络模型研究直升机机身受旋翼气流干扰时的空气动力特性。参数训练好的旋翼／机身气动干扰神经网络模型可直接用于直升机气动设计和实时仿真。笔者在对旋翼／机身气动干扰神经网络模型的建立进行论述外,还简要介绍了旋翼／机身气动干扰试验。     

机器人务控制研究综述

回顾了机器人控制研究历史及目前的力控制研究现状，详细分析了现有的四种研究策略：阻抗控制，力／位混合控制，自适应控制策略，智能控制新策略；阐述了作者提出了“力／位并环控制”的智能新策略；提出了机器人力控制的四大关键问题：位置伺服，碰撞冲击及稳定性，未知环境的约束，力传感器，文末展望了力控制研究的发展趋势－智能控制。     

基于径向基函数神经网络的模型跟随自修复控制

提出一种基于径向基函数神经网络的模型跟随非线性自修复控制方法。该方法可不必精确已知故障的位置及程度,即可重构控制律使系统在故障情况下的输出精确跟踪期望参考模型的输出,并采用神经网络控制器以补偿邦联引起的非线性因素的影响。     

基于轻量级卷积神经网络的人证比对

在证件审核场景中,常规的深度学习人脸识别方法人证比对精度低且在嵌入式设备运行效率差。为解决上述问题,本文提出了改进的轻量级卷积神经网络Lightnet,并采用了迁移学习方法。Lightnet是结合深度可分离卷积、线性瓶颈结构和注意力模块构成的轻量级卷积神经网络模块,引入附加角度裕量的损失函数AM-Softmax监督训练后,网络模型能够保持较高的验证精度,并有效解决标准卷积神经网络参数冗余、计算量大的问题。迁移学习通过冻结预训练模型的卷积层权重,并在自制的人证数据集微调,提高了网络模型的人证场景的识别性能。实验结果表明,所设计的轻量级人证比对算法在验证精度、参数量以及运行效率等方面取得了很好的效果,且对生活场景有较好的鲁棒性。