基于多尺度残差卷积网络的HEVC视频隐写分析

图片、语音、视频等多媒体形式的信息交流在网络通信中占有重要地位,同时也有很多非法信息的传播隐匿于此。隐写分析是甄别隐秘信息是否存在的有效手段,提出了一种通用的基于多尺度残差卷积网络的HEVC视频隐写分析算法。网络主体由残差计算、特征提取和二分类3部分构成,其中在特征提取部分针对性地提出了残差卷积层、多尺度残差卷积模块及隐写分析残差块。实验结果表明:所提算法基于视频像素域分析网络的检测率高达99.75%,比传统的手工提取特征方法具有更大的优势。      

基于深度学习特征提取的遥感影像配准

传统的影像配准算法,如尺度不变特征变换(SIFT)、加速稳健特征(SURF)等,对遥感卫星影像配准存在提取特征点少、错误匹配多等缺点。文章使用数据驱动的随机特征选择卷积神经网络(RanSelCNN)方法,对Landsat-8卫星不同时相或同一时相具有重叠度的遥感影像进行配准,卷积层使用随机特征选择,增加特征提取的鲁棒性;训练时使用联合损失函数,同时对特征探测器和特征描述符进行优化,减少特征的错误匹配。结果表明:基于随机选择的深度神经网络的遥感影像配准能提取更多的特征点,有效降低错误匹配率。与传统的人工设计特征相比,该算法能明显提高卫星影像配准的精度。     

汽车用齿轮激光淬火工艺研究

对汽车齿轮材料 40CrNiMo的表面激光淬火工艺进行了研究 ,分析了工艺参数对硬化深度及耐磨性的影响。通过试验 ,证明 40CrNiMo激光淬火工艺可行     

联立法求解月面上升段最优轨迹的快速收敛控制技术

为了更好地解决复杂约束下的航天器月面上升段在线轨迹规划问题,提出了一种求解最优轨迹的联立框架。首先利用有限元正交配置法将状态变量和控制变量完全离散化,得到一个非线性规划命题。考虑到命题中含有较多的不等式约束并且会随着有限元的增加而增加,故采用内点算法对非线性规划命题进行求解。离散化后的非线性规划命题的规模大幅度增加,导致了优化计算难度的加大和求解时间的增加,为了便于联立法的在线应用,采用收敛深度控制策略从平衡解的精度和计算效率的角度来改进优化算法的实时性。以某航天器载人返回任务月面上升段场景为算例进行仿真,结果表明基于联立法求得的最优控制量序列得到的飞行轨迹满足轨道根数的精度要求,同时利用收敛深度控制策略可以实现快速收敛控制。     

基于自适应记忆长度的多尺度模态融合网络

为了更好地利用点云和光学图像在自动驾驶领域的互补感知优势,提出了一种双模态融合网络MerNet。网络采用点云特征和光学图像特征并行编码的结构,在每一个编码阶段通过基于残差映射和膨胀点注意力机制的融合模块将光学图像特征单向融合到点云特征支路。设计了一种多尺度膨胀支路的级联空洞卷积模块,以加强点云的上下文联系,并在并行支路上采用瓶颈结构来降低上下文模块的参数量。为进一步优化参数更新过程,提出了一种自适应变历史记忆长度的优化算法,考虑了不同梯度变化趋势下历史梯度的贡献值。研究了一种基于交叉熵损失的协同损失函数,通过交叉比对不同模态的预测标签,并通过设定阈值筛选对比模态的预测特征,突出不同传感器的感知优势。在公开数据集SemanticKITTI上对MerNet进行了训练和验证,实验结果表明：提出的双模态网络能够有效提升语义分割性能,并使算法更加关注驾驶环境中的高危险性动态目标。同时,提出的上下文模块还能够降低64.89%的参数量,进一步提高算法的效率。     

基于多任务辅助学习特征的瞳孔中心检测

眼动跟踪技术在航空领域极具潜力,其作为关键的信息获取和人机交互手段,可用于精确的目标瞄准、飞行员状态监测,对飞行安全和作战精准意义重大。而瞳孔中心检测作为核心技术,决定了眼动追踪系统的鲁棒性和准确性,本文提出一种基于多任务辅助学习特征的瞳孔中心检测算法,模拟人类视觉系统的多任务辅助学习特性,引入多任务模块,实现从粗到精的瞳孔中心检测,并通过试验验证了本文方法的有效性和先进性,从而提高了眼动跟踪的精度和准确性,为航空领域的各项任务和操作提供了更精确、高效和安全的手段。     

基于卷积神经网络的结冰翼型气动特性建模

提出了基于卷积神经网络（CNN）的结冰翼型气动特性预测方法,设计了输入层结冰翼型图像规范,克服了复杂冰形在翼面同一位置法线方向存在多值,单值函数难以描述的问题。预测模型可同时预测多个迎角对应的升阻力系数,实现了直接从冰形图像到气动特性的快速预测,对升力系数和阻力系数预测结果的平均相对误差均可控制在8%以内。重点研究了不同卷积层数量、卷积核数量、卷积核尺寸对模型性能的影响规律：CNN的不同层次特征对应不同滤波频率,卷积层数增加会捕获更多高频特征量;增加卷积核数量可提取更多冰形特征,提升模型性能,但数量过多会增加冗余特征,降低模型泛化性能;阻力系数预测模型对卷积核数量的最低要求大于升力系数,其原因在于,相较升力系数,阻力系数不仅受翼面压差影响,还受摩阻特性影响,其建模所需的关键特征数量多于升力系数;增大卷积核尺寸,可扩大卷积操作“视野”,增强对冰形整体特征信息的提取,有利于提升模型泛化性能。相关结论为飞机结冰气动特性实时动态预测与监测提供了新的思路和方法支撑。     

基于深度学习的航空器异常飞行状态识别

飞行设备快速存取记录仪(Quick Access Recorder,以下简称QAR)保留了原始航班各类重要飞行参数在内的航行信息,使研究分析航空器实时状况和保障飞行质量成为可能。针对QAR数据高维大样本的特点,在如今大数据背景下,除了传统机理建模分析航空器飞行状态外,采用深度学习的方式建立基于数据驱动的航空器飞行状态识别模型,理论与实用意义兼具。通过对真实QAR飞行数据的研究,开发了基于深度稀疏受限玻尔兹曼机的异常飞行状态识别程序。首先利用小波降噪技术对原始飞行数据进行预处理清洗,在一系列典型飞行参数上提取经典时域特征以及小波奇异熵等信息熵特征构成特征集。在此基础上,分别利用经典的线性主元分析技术和深度稀疏玻尔兹曼机对特征集进行有效降维,最后采用四折交叉验证方式,通过高斯过程分类器实现对飞行状态的辨识。实验结果显示,基于深度受限玻尔兹曼机-高斯过程分类的飞行状态识别具有较高分类准确性。