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。     

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。     

中国通航产业价值链的实证研究与分析预测

产业链包含价值链、企业链．供需链和空间链等4个维度，其内涵涉及满足需求程度、产业细分市场、产业关联度和资源加工深度等诸多方面。鉴于中国通航产业还处于幼稚期，行业信息缺乏，本文尝试从价值链入手，建立一个分析、预测满足需求程度、产业细分市场等问题的研究框架，预测中国通航产业的未来价值走向。     

基于改进YOLOv4的航空发动机小目标损伤检测研究

智能化的航空发动机损伤检测是飞机故障诊断重要的研究方向,针对现有目标检测模型对航空发动机的小目标损伤检测效果差的问题,提出了一种改进的基于You Only Look Once version 4(YOLOv4)的多尺度目标检测方法。在路径聚合网络（PANet）中构建低层次的特征融合层,将更浅层的特征与深层特征融合,提高网络对小目标损伤的检测性能。为减少网络中的冗余参数,在颈部结构中引入了深度可分离卷积,将标准卷积重构为深度可分离卷积的形式。实验表明：改进后的YOLOv4对小目标损伤的检测精度提升了3.43%,模型大小降低了54.06 MB,同时检测速度提高了31.03%。研究结果表明改进的YOLOv4模型对小目标损伤具有更好的检测性能。     

基于SAE-SA-1D-CNN-BGRU的涡扇发动机剩余寿命预测

为解决涡扇发动机监测数据维度高和寿命预测准确度低的问题,提出一种基于深度学习的寿命预测方法,开展了利用 神经网络获取涡扇发动机剩余寿命的研究。利用堆叠自编码（SAE）网络从高维传感器数据中提取健康因子（HI）,采用1维卷积神 经网络-双向门控循环单元（1D-CNN-BGRU）方法捕捉HI序列中的空间和时间特征,并引入自注意（SA）机制对捕捉的特征分配 权重,使用全连接层输出涡扇发动机剩余使用寿命（RUL）,以此构建复合神经网络进行面向涡扇发动机高维数据的寿命预测。结 果表明：利用NASA官方网站提供的涡扇发动机寿命试验公开数据集C-MAPSS对该方法进行验证,取得了均方根误差16.22和评 分函数225的结果。证明了基于SAE-SA-1D-CNN-BGRU的寿命预测方法可实现涡扇发动机寿命的有效预测,能为涡扇发动机 维修保障及健康管理提供有效决策支撑。     

面向激光焊接缺陷识别的可解释性深度学习方法

激光焊接在航空领域具有广泛的应用场景,基于视觉的激光焊接缺陷识别对于产品质量的提高至关重要。针对当前基于深度学习的激光焊接缺陷识别方法存在可解释性差的问题,提出了一种融合多尺度特征的类激活映射(MSF-CAM)方法。在训练阶段,以VGG16为骨架模型并将监督信息施加于多个尺度以促进模型对多尺度特征的学习。在测试阶段,对输出类别在多个尺度上的激活图进行叠加,并以此作为模型的判断依据。多尺度特征的融入不但增强了模型的可解释性,而且还提高了激光焊接缺陷识别的准确性。试验结果表明：MSF-CAM在测试集上的准确率为98.12%,识别单幅图像耗时8.28 ms。此外,MSF-CAM可以从边缘、轮廓这种初级特征的角度对模型的决策依据提供人类更容易理解的解释。