卷积神经网络在SAR目标识别中的应用

针对SAR目标识别问题,提出了基于卷积神经网络的SAR目标识别方法,并在此基础上对算法进行改进,提出CNN-SVM模型。将传统卷积神经网络的soft-max分类器替换为支持向量机,并对卷积神经网络提取的特征进行分类。首先对样本做剪裁、去噪处理,然后通过加噪、去噪等方法对样本进行扩充。通过对MSTAR数据集进行仿真发现:传统的卷积神经网络和改进后的卷积神经网络对3类目标的最佳识别正确率分别为97.5%和99.4%,证明了所提算法的有效性。     

面向SAR目标分类的卷积神经网络算法研究

随着合成孔径雷达(aynthetic aperture radar,SAR)成像技术的日益成熟,如何对SAR目标进行高效分类得到了普遍关注。在此背景下,提出了一种面向SAR目标分类的二层卷积神经网络算法。为增强适应性,设计了一种随迭代次数增加而减缓的分数渐变学习率。同时,在损失函数中引入类内、类间相似度量函数,丰富了样本分类特征,提高了分类的准确率。在MSTAR数据集上的测试结果表明:该算法相比于其他分类方法和经典卷积神经网络算法有更高的分类准确率,证明了算法的有效性。     

应用卷积神经网络的测距算法研究

针对传统的接收信号强度指示(RSSI)测距算法过于依赖经验或测距环境从而导致测距精度不高的问题,提出了一种基于卷积神经网络的测距算法。为了减小复杂测距环境下,由多径效应、非视距传输等因素造成的RSSI信号波动,通过多次测量RSSI信号来构建RSSI样本数据。将RSSI样本数据集作为输入训练卷积神经网络,并通过该网络对实时捕获的RSSI信号进行特征提取,从而估计节点之间的距离。实验结果表明:与传统RSSI测距算法相比,该算法显著提高了测距精度。     

带质心的K最近邻增强模糊最小最大神经网络的集成方法

在分类任务中,传统的模糊最小最大神经网络及其变体在训练网络的时候没有考虑超盒内部训练数据的分布情况,并且考虑扩展系数的问题也不是很充分,导致每次训练新数据集都要重新选择最优的扩展系数。因此,提出了一种带质心的K最近邻增强模糊最小最大神经网络的集成方法。在该方法中,一方面,每个超盒都带有质心,用来描述之前训练的样本在该超盒的大体分布情况,并且在扩展规则及收缩方面考虑了样本距离超盒质心的因素;另一方面,使用5个带质心的K最近邻增强模糊最小最大神经网络作为弱分类器,每个分类器设置不同的扩展系数,当该方法训练完后,将得出的离散属性值作为随机森林的训练集,最后,使用测试样本验证网络的分类性能。实验结果表明:提出的方法在准确率、精准率、召回率以及F-score等方面大部分的结果高于传统的FMMN及其变体的结果,该方法有效地克服了FMMN的准确性过于依赖扩展系数的问题。     

基于SVM的多类分类集成

为了解决单个SVM可能产生的泛化能力恶化问题以及当SVM采用一对多组合策略解决多类分类时可能产生的误差无界情况,本文采用Bagging方法构造了一个基于SVM的多类分类集成模型,利用MIT KDD 99数据集进行仿真实验,通过实验探讨了其中的两个参数——训练样本数和单分类器个数对集成学习效果的影响,并将其与采用全部样本进行训练及部分样本进行训练的单分类器检测进行了比较。结果表明:集成学习算法能够有效降低采用全部样本进行训练所带来的计算复杂性,提高检测精度,而且也能够避免基于采样学习带来检测的不稳定性和低精度。     

基于深度学习的复杂背景下目标检测

针对某些静态图像背景复杂,受环境因素(光照、遮挡、掩盖等)影响较大的问题,提出一种基于深度学习算法的卷积神经网络(convolutional neural networks,CNN)结构对目标进行检测。利用CNN网络可自主提取图像特征并进行学习的优点,避免了复杂的人工特征选择和提取过程。通过一种区域合并的方法进行端到端的交替训练,在复杂背景图像的处理中体现出较优的性能。CNN的局部连接、权值共享及池化操作等特性使之可以有效地降低网络的复杂度、减少训练参数的数目、提高检测效率。试验验证结果表明:此方法在互联网图像数据库检测方面达到了较高的精度。采用坦克模型图像对复杂背景下的单目标、多目标以及不同程度的遮挡、伪装等情况进行试验,得出该方法具有一定的鲁棒性。     

基于模糊神经系统的多传感器数据融合算法

将自适应模糊神经推理系统(ANFIS)和卡尔曼滤波器应用于目标跟踪系统中,构成多传感器数据融合算法。该算法假设在目标运动过程中,过程噪声和测量噪声是相互独立的高斯白噪声序列。使用ANFIS分别对目标的加速度和测量噪声的方差进行估计,通过卡尔曼滤波器获得目标后验状态,最终由神经网络对多传感数据进行融合得到系统输出。仿真结果表明,该算法可以通过自适应调整跟踪参数有效地防止目标丢失。     

基于语义生成与语义分割的机织物缺陷检测方法

针对织物疵点的语义分割任务中因数据集规模限制，而导致网络出现的严重过拟合问题，课题组提出了针对织物的语义生成网络。语义生成网络使用随机产生的语义标签生成对应的织物缺陷图像，相较于传统数据增强方法，语义生成可生成全新图像，更贴近实际缺陷分布，并且可通过判别器对生成图像进行筛选；课题组将语义生成的图像作为语义分割网络的输入，相应的随机语义标签作为目标，免去标注过程，扩充语义分割网络的训练样本，提升网络性能；对于语义分割网络，提出尺寸自适应Dice损失函数，解决样本不平衡问题，提升网络对小尺寸的检测能力。实验结果表明：尺寸自适应Dice损失函数使得模型精度提高11.1%，使用BEGAN扩充的数据集相较于传统方法扩充的数据集训练得到的模型精度提高7.4%。     

融合区域和边界信息的水平集SAR图像分割方法

提出了一种基于区域和边界信息的水平集SAR图像分割方法。该方法根据SAR图像的区域统计特征和边界梯度信息,建立SAR图像分割能量泛函模型;通过最小化能量泛函得到曲线演化偏微分方程;采用水平集方法求解演化方程,实现了SAR图像的分割。分别采用模拟和真实SAR图像对该方法进行了仿真。实验结果表明,该方法能充分利用SAR图像特征,不需要去除相干斑噪声的预处理过程,实现了对图像中目标与背景的正确分割。     

基于多尺度卷积策略CNN的滚动轴承故障诊断

针对一维卷积神经网络单一卷积拓扑结构在提取不同工况下的信号特征时缺乏自适应性,难以处理复杂工况下的机械故障诊断问题,提出了一种基于多尺度卷积策略的卷积神经网络(MACNN)故障诊断算法。首先将表征滚动轴承故障的一维振动信号输入模型,然后利用卷积层中的多尺度卷积结构对原始信号进行卷积运算,实现不同角度的敏感特征提取,再通过池化层进行特征信息的提炼和简化,最后利用全连接层实现检测结果输出。在公共数据集——凯斯西储大学的轴承故障数据集上进行试验,结果表明:MACNN算法和其他算法相比拥有更快的收敛速度和更高的识别准确率,为故障诊断提供了一种新的方法。同时,其在多工况下表现出的优异泛化性能说明具备工业应用的可行性。     

基于盾构掘进参数的LVQ神经网络地层识别

以苏州4号线2标及2号线东延伸线5标地铁工程为背景，分析了盾构机的掘进参数：千斤顶推力、推进速度、刀盘扭矩、螺旋机转速和同步注浆量在不同地层条件下的变化规律。提出了基于盾构机掘进参数的学习向量量化（Learning Vector Quantization，LVQ）神经网络地层识别方法。建立了以盾构机五个掘进参数作为输入，地层特性编码为输出的数学模型，通过每种地层100组训练样本对模型进行训练，通过57步训练，训练样本误差控制在0.1以内，并用每种地层50组检验样本进行检验，地层总体识别率达到82.7%。     

基于径向基神经网络的我国外汇储备规模预测

基于MATLAB6.5平台编程,运用非线性径向基神经网络对我国外汇储备规模进行预测分析,以我国历年外汇储备数据为训练样本,进行网络训练与检验,结果表明,我国外汇储备存在超常规增长,径向基神经网络具有良好的预测性能。     

稀疏表示框架下的SAR目标识别

稀疏表示选择最佳线性表示重构信号,可避免合成孔径雷达(SAR)目标识别中的方位角估计难题,同时减轻强相干噪声影响。稀疏字典选择是稀疏表示中的关键问题之一,该文提出分别使用级联方式和并联方式构造稀疏字典实现SAR目标识别。首先对训练样本进行对数归一化处理,使用主成分分析(PCA)特征提取和降维;然后对处理后的数据分别组成级联字典和并联字典,采用截断牛顿内点法(TNIPM)获得目标的稀疏表示;最后,在两种字典的稀疏表示框架下设计分类器对SAR目标识别。通过对比实验,验证了该文的字典构建方式在稀疏表示框架下对SAR目标识别的有效性。     

基于超分辨率模型与YOLO V4的织物疵点检测

针对工业条件限制下采集的印花布数据集图像分辨率低、检测效果差等问题，课题组提出基于超分辨率模型SRGAN与YOLO V4网络的织物疵点检测方法，并对SRGAN算法进行改进。课题组首先使用改进的SRGAN算法对原数据集进行超分辨率重构，提高图像分辨率；然后将重构图翻转变化与原图共同作为数据集输入YOLO V4进行网络训练；最后通过YOLO V4网络检测印花布表面疵点。实验结果表明：该方法可提高低分辨率织物图疵点检测效果，准确率高达90.29%，比超分辨率重构前提升了13.19%，能实现实时定位疵点的准确位置并输出疵点类别。     

基于MEA BP神经网络的封盒装置滑动轴承故障诊断方法

针对封盒装置滑动轴承在生产过程中故障率高、可靠性低的问题,课题组提出了一种基于思维进化算法（MEA）的BP神经网络滑动轴承故障诊断方法。该方法通过多次的趋同和异化操作,不断优化BP神经网络的初始权值和阀值,建立了基于MEA BP神经网络的滑动轴承故障诊断模型。利用样本集训练、测试和验证MEA BP故障诊断模型,结果表明MEA BP故障诊断法较未经优化的BP神经网络故障诊断法优势明显,能够较好地用于封盒装置滑动轴承的故障诊断,延长滑动轴承无故障使用时间。课题组的研究可提高包装企业生产效率。     

基于忆阻器神经网络的辐射效应诊断系统设计

航天事业是我国群策群力发展的重要事业,航天器作为执行航天任务的主体,其可靠性至关重要。随着集成电路工艺技术和人工智能的迅速发展,使用传统集成电路实现神经网络将会耗费大量的硬件资源,忆阻器是一种可与传统集成电路集成的新型器件且可以用于神经网络计算。针对集成电路中静态随机存取存储器的辐射故障问题,设计了一种卷积神经网络,对集成电路辐射效应进行诊断,基于忆阻器对神经网络的运算层进行设计,通过设计的卷积神经网络对集成电路的故障数据集实现了分类诊断。     

基于时间卷积的燃料电池汽车能量管理策略

为了适应智慧交通与智能网联汽车的快速发展,依据北京部分地图建立了智慧交通模拟数据集,结合因果膨胀卷积和残差连接的网络结构,设计并验证了新型基于时间卷积的数据驱动速度预测模型。为了提升燃料电池汽车的节能性,建立了等效氢耗的多目标优化函数及动力源寿命的约束条件。为了提高策略的实时性,建立了能量管理策略凸优化数学模型,使用了OSQP(operator splitting quadratic program)求解算法,在满足需求功率和计算实时性的前提下,通过合理分配动力源的输出功率,减少了动力源的寿命衰减。结果表明,提出的基于智慧交通的凸优化燃料电池汽车能量管理策略,相比于动态规划计算时间减少了90%以上,并保持等效氢耗基本一致。     

基于自适应模糊神经网络的砂轮磨损评估

为实现砂轮磨损状态的实时监测评估，课题组提出了使用自适应模糊神经网络模型对砂轮状态进行监测。通过对磨削过程的振动信号及声发射信号特征值的提取，获得了不同磨损程度砂轮的多特征信号样本；采用多特征信号样本对自适应模糊神经网络进行学习与训练，建立了砂轮磨损状态识别模型；实现了对砂轮磨损状态的准确识别与在线监测。实验表明：基于自适应模糊神经网络的砂轮磨损程度评估系统，测试样本的实际磨损程度和网络判别结果类别相符。该自适应模糊神经网络系统能够对砂轮磨损程度类型准确进行在线评估。     

二打一智力游戏中残局局面数据标定方法研究

基于深度学习模型的有监督训练依赖于大量高质量标定数据,针对非完全信息博弈中二打一智力游戏问题,根据不同阶段回合局面数据的特点,提出了通过Alpha-Beta完全搜索获得共包含400万带标定二打一智力游戏局面样本的数据集,根据得到的标定样本训练CNN模型,使其能够对二打一智力游戏残局进行局面评估,为进一步将牌类游戏向棋类游戏的转化提供了保障,也为其他非完全信息博弈训练数据的标定提供了有价值的借鉴。     

基于概率神经网络的自动换挡策略研究

为了将驾驶员手动换挡经验制作成自动换挡策略,更好地满足汽车换挡的动力性要求,缩短变速箱自动换挡策略的研发时间,提出使用驾驶员手动换挡经验训练概率神经网络,从而高效率地制定汽车自动变速箱的换挡策略。在TruckSim中搭建汽车仿真模型,通过车辆CAN总线获得训练样本,在Matlab里训练概率神经网络模型。一方面进行PNN换挡策略与动力性换挡策略及BP神经网络换挡策略的仿真对比试验;另一方面进行原车离线数据的换挡试验。试验结果表明:基于概率神经网络的自动换挡策略可以实现正确率为98.76%的挡位控制,达到将优秀驾驶员手动换挡经验应用于自动换挡策略的要求;概率神经网络自动换挡策略的动力性优于动力学理论推导的换挡策略和BP神经网换挡策略。