液池深度对水滴撞击水面后形态特征影响的实验研究

用实验方法对液滴撞击液面后的形态特征及其机理进行了研究。用高速摄像机记录了不同液池深度下的液滴撞击液面过程,总结出了在不同阶段出现的液坑、液冠、中心射流和次生液滴等特征现象。基于计算机视觉算法开发了图像处理程序,实现了特征几何参数的自动提取。讨论了液池深度、韦伯数、初始液滴直径和液滴下落高度等因素对特征运动形态的影响。结果表明：在韦伯数一定的情况下,当液池深度跨越某个临界值时,液坑、液冠、中心射流和次生液滴等特征现象发生显著变化;液冠–液坑高度比随韦伯数的增大在一定范围内增大;中心射流能否分离出次生液滴与液池深度和初始液滴直径有密切的关系。     

基于类脑模型与深度神经网络的目标检测与跟踪技术研究

目标检测与跟踪技术广泛应用于交通、医疗、安保和航天等领域.目前,目标检测与跟踪技术面临目标微弱、背景复杂、目标被遮挡等挑战.同时,随着脑科学研究的不断深入,人们对人脑视觉系统的理解逐渐透彻,利用类脑计算解决复杂背景下高精度目标检测与跟踪问题成为相关领域的重要研究方向.本文结合神经工程导向的类脑模型和计算机工程导向的深度神经网络(Deep Neural Networks, DNNs),提出多种基于类脑模型与深度神经网络的目标检测与跟踪算法,包括：基于演算侧抑制的目标检测算法,基于结构 对比度(Structure Contrast, SC)视觉注意模型的弱小目标检测算法和基于记忆机制与分层卷积特征的目标跟踪算法.实验结果表明,将类脑模型和深度神经网络应用于目标检测和跟踪领域,有利于实现复杂条件下的高精度目标检测和鲁棒性目标跟踪.     

基于YOLO智能网络的红外弱小多目标检测技术

复杂背景下的红外弱小多目标检测是红外目标检测的难点,现有算法的稳健性难以满足实际弹载应用需求。针对弹载环境下的红外场景图像开展了基于典型深度学习网络模型的目标检测应用研究,提出一种基于YOLO(you only look once)网络的智能目标检测方法,通过高维特征学习表征和推理实现红外弱小多目标检测。采用传统的模板匹配算法和YOLO深度学习算法进行识别性能对比分析,验证了YOLO网络在红外弱小多目标检测方面的良好性能。实验结果表明:YOLO算法的检测概率可达92.2%,平均检测精度为0.844,与传统的模板匹配方法相比,YOLO具有明显的优势。     

基于深度学习的组合体航天器模型预测控制

利用模型预测算法先预测控制结果后控制的类人行为特点,借助深度学习在多参数寻优上的优势,提出了一种基于卷积神经网络的模型预测控制算法,满足航天工程低硬件需求,实现组合航天器多场景下姿态控制律的重构。该算法首先利用模型预测控制将组合航天器从初始状态控制到预期状态,然后将控制过程中状态量用于3层3核卷积神经网络的训练,训练完成后,用该卷积神经网络代替模型预测对组合航天器进行控制,从而降低计算资源需求。仿真校验表明：该算法可预测5个控制周期内的控制参数,相比传统模型预测算法所需硬件计算时间降低约5倍,在一般硬件环境下30 s内即可完成各场景下的组合航天器姿态控制,控制精度在10 -4 量级。     

基于DDQN的运载火箭姿态控制器参数设计

探索了利用深度强化学习算法训练智能体,以代替人类工程师进行火箭姿态控制器参数的离线设计方案。建立了多特征秒的火箭频域分析模型,选定了设计参数。选择深度强化学习算法中的双深度Q学习(Double Deep Q Network,DDQN)算法,通过记忆回放和时间差分迭代的方式让智能体在与环境交互过程中不断学习。设计了对应的马尔科夫决策过程模型,进行了智能体的训练和前向测试。结果说明该方法对于运载火箭姿控设计具有一定参考价值。     

基于卷积神经网络的运载火箭测发网络流量异常检测技术

运载火箭测发网络是维系各型号运载火箭远距离测试及发射控制的重要国防基础设施,对测发网络流量进行异常检测是保证其正常工作的关键举措。近年来,随着测发网络功能的拓展,其面临的网络安全威胁越来越严重,而当前的安全检测主要依赖于基于异常特征库匹配的流量异常检测方法,这种检测方法对一些新型攻击检测能力非常有限。本文结合运载火箭测发网络实际特点,针对以使用用户数据报协议(UDP)为主的测发网络流量,设计一种新的基于固定数据包数目的流量图片样本生成方法,首次提出在测发网络流量异常检测问题上使用卷积神经网络,以原始网络流量作为输入,避开难以解决的人工特征集设计问题。通过测发网络真实网络流量数据进行实验,取得了较高的精度、召回率和准确率,验证了本方法具备一定的实用性。     

前沿光学技术的新发展

近几十年,光学这门古老的学科得到了迅速发展。文章从近几年诺贝尔化学奖和物理奖的获奖课题谈起,介绍了光学技术的发展脉络,梳理了纳米光学、超表面、压缩感知、深度学习、太赫兹、光学自由曲面等光学前沿新技术的发展情况。文章最后指出,从事科研研究不能从文章到文章,要与社会的需求相结合,科研只有服务于企业、服务于社会,才能将技术的发展落实到实处。     

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。     

未知空间目标纹理缺失表面三维重建算法

针对传统三维重建方法难以对纹理缺失表面进行完整重建的问题,提出一种基于深度学习与截断符号距离函数(TSDF)融合的未知目标三维表面完整重建算法。首先设计一种基于深度学习的图像逐像素深度估计框架,通过在训练过程中引入多个复杂结构模型,提高该深度估计框架的泛化能力;其次,利用TSDF对各帧图像所估计的深度信息进行融合,实现对纹理缺失区域的空间目标完整三维重建。根据仿真校验,对于300 mm尺寸的卫星模型图像,像素深度估计平均误差约为13 mm,通过TSDF融合后尺寸精度误差小于5.10%。实验结果表明该算法可以对未知空间目标光学图像进行逐像素深度估计,并获得目标完整的三维结构与纹理信息,有效解决无纹理区域的重建结构缺失问题。     

面向航天异构平台的深度学习编译器加速技术优化

为了解决TVM编译器在航天应用过程中优化时间过长的问题,针对TVM的自动搜索框架Ansor,提出一种新的基于LightGBM算法的成本模型来预测代码的运行时间。LightGBM算法由于减少了分裂点数量、样本数量、特征数量,使得新成本模型有效地降低了计算量,在不损害准确率的条件下加快了模型的训练速度,缩短了优化时间。实验结果表明,在相同的优化任务下,具有新成本模型的Ansor在优化时间上提高了1.6倍,整体推理时间提高了6.1%。