基于模型压缩的安瓿瓶外观检测仿真研究

针对目标检测网络模型规模大、参数量冗余,导致安瓿瓶外观缺陷检测模型难以部署到边缘设备的问题,提出一种基于轻量化网络和模型压缩的Faster R-CNN安瓿瓶外观缺陷检测算法。以MobileNet-V2作为主干网络,利用模型剪枝策略裁剪卷积网络中冗余的通道;通过饱和截取映射将浮点型参数量化为整型;利用知识蒸馏恢复压缩后网络的检测精度。在自主构建的安瓿瓶外观缺陷数据集进行测试,模型体积减少了69.6%,平均精度为89.3%。仿真结果表明：压缩后的目标检测模型满足实际应用中安瓿瓶外观检测要求。     

改进YOLOv5的合成孔径雷达图像舰船目标检测方法

针对合成孔径雷达图像目标检测易受噪声和背景干扰影响，以及多尺度条件下检测性能下降的问题，在兼顾网络规模和检测精度的基础上，提出了一种改进的合成孔径雷达舰船目标检测算法。使用坐标注意力机制，在确保轻量化的同时抑制了噪声与干扰，以提高网络的特征提取能力；融入加权双向特征金字塔结构以实现多尺度特征融合，设计了一种新的预测框损失函数以改善检测精度，同时加快算法收敛，从而实现了对合成孔径雷达图像舰船目标的快速准确识别。实验验证表明，所提算法在合成孔径雷达舰船检测数据集(synthetic aperture radar ship detection dataset, SSDD)上的平均精度均值达到96.7%,相比于YOLOv5s提高1.9%,训练时收敛速度更快，且保持了网络轻量化的特点，在实际应用中具有良好前景。     

基于YOLOv5的舰船目标及关键部位检测算法

为进一步提升对可见光图像中水面舰船目标的检测识别成功率, 提出一种基于YOLOv5的舰船目标识别算法。使用基于随机池化方法的空间金字塔池化网络, 运用双向特征金字塔网络进行多尺度特征融合, 采用指数线性单元函数作为激活函数加快网络训练收敛速度, 提升算法鲁棒性, 从而实现了对水面舰船目标和舰船关键部位的快速准确识别。通过在舰船目标及其关键部位数据集上实验验证, 对比多个经典目标检测方法, 在识别准确率上均有不同程度提升, 对比原YOLOv5s模型, 平均精度均值提升3.03%, 速度提升2 FPS, 模型保持了YOLOv5轻量化的特点, 在应用部署上有良好前景。     

光学遥感图像目标检测方法

更快速区域卷积神经网络(faster region-based convolutional neural network,Faster RCNN)是两阶段的目标检测模型,通过区域生成网络将区域提议与识别完全融合到网络模型中,使主要的运算可以在图形处理器中完成,因此,其同时具有良好的检测速度与精度。但是当Faster RCNN直接应用于遥感图像目标检测,面对宽尺寸范围的多种目标时,性能受到了很大削弱。分析了池化操作和目标尺寸对区域提议的影响,提出联合多层次特征进行区域提议的方法,提升了目标区域的提议召回率。针对性地优化前景样本的生成策略,避免训练过程中的产生无效前景样本,使得整个检测模型的训练更加高效。实验结果表明,所提出的模型和训练方法能够提高多尺度遥感图像目标的召回率与检测精度,且具备较高的训练效率。     

基于特征融合的无人驾驶多任务感知算法

为提高无人驾驶汽车感知系统硬件资源利用率,构建了一种基于特征融合的无人驾驶多任务感知算法。采用改进的CSPDarknet53作为模型的主干网络,通过构建特征融合网络与特征融合模块对多尺度特征进行提取与融合,并以7种常见道路物体的检测与可行驶区域的像素级分割两任务为例,设计多任务模型DaSNet(Detection and Segmentation Net)进行训练与测试。使用BDD100K数据集对YOLOv5s、Faster R-CNN以及U-Net模型进行训练,并对mAP、Dice系数以及检测速度等性能指标做出对比分析。研究结果表明：DaSNet多任务模型在道路物体检测任务上,mAP值分别比YOLOv5s和Faster RCNN高出0.5%和4.2%,在RTX2080Ti GPU上达到121FPS的检测速度;在占优先权与不占优先权的可行驶区域上分割的Dice值相较于U-Net网络分别高出了4.4%与6.8%,有较明显的提升。     

基于长短时记忆网络的雷达波形设计

针对单准则设计的波形难以满足雷达多工作模式和多任务问题,联合互信息(mutual information, MI)准则和信杂噪比(signal to clutter and noise ratio, SCNR)准则,提出一种基于长短时记忆(long short-term memory, LSTM)网络的雷达波形设计方法。首先，设计了由输入层、LSTM层和输出层构成的LSTM网络。其次，将基于MI准则和SCNR准则生成的信号与相应环境信息组成训练集,训练LSTM网络。最后,使用训练完成的LSTM网络设计波形,并将所提方法生成波形的雷达性能与单准则设计的波形进行对比。为衡量雷达综合性能,提出一种新的雷达综合性能指标和目标识别率。仿真结果表明,所提方法生成信号作为发射信号时,与MI准则生成信号相比,雷达综合性能平均提升0.67%,与SCNR准则相比,平均提升1.47%,证明了该方法可兼具MI准则和SCNR准则优点,提升雷达综合性能。     

基于无锚框的红外多类别多目标实时跟踪网络

本文提出一种改进的红外多类别多目标实时跟踪网络, 在确保跟踪精度的同时, 重新设计无锚框网络结构, 进一步降低网络的参数量与推理时间。通过优化目标特征向量, 进一步提高识别精度, 同时简化与改进跟踪流程。此外, 通过细化分析相关流程执行时间, 选用GPU与CPU分别执行最优运算, 提升跟踪整体运行速度。上述方法被应用于低空海面红外目标跟踪数据集中。结果表明, 在本文所提的综合评价指标下, 所设计的网络相较其他轻量级网络评分提高1.78, 且运行速度在NVIDIA Jetson Xavier NX中达到52.37 FPS, 满足边缘端实时运行需求。     

面向拥堵问题的枢纽航线网络优化模型

为解决枢纽机场客流拥堵问题,提高机场运行效率,减少运营成本,提出了一种面向拥堵问题的枢纽航线网络优化模型。该模型基于非严格枢纽航线网络结构,以不同运输方式的费用和流量为约束条件,以枢纽航线网络成本最低为目标，设计了能够减少求解运算的复杂变量表示方法,以及减少陷入局部最优解概率的模拟退火粒子群优化(simulated annealing particle swarm optimization, SAPSO)算法。实验结果表明,相较于严格的枢纽航线网络,所提优化模型能够显著地缓解枢纽机场的拥堵,均衡枢纽机场间客流量,减少网络成本;同时,所提算法具有较快的收敛速度和良好的稳定性。     

面向拥堵问题的枢纽航线网络优化模型

为解决枢纽机场客流拥堵问题,提高机场运行效率,减少运营成本,提出了一种面向拥堵问题的枢纽航线网络优化模型。该模型基于非严格枢纽航线网络结构,以不同运输方式的费用和流量为约束条件,以枢纽航线网络成本最低为目标,设计了能够减少求解运算的复杂变量表示方法,以及减少陷入局部最优解概率的模拟退火粒子群优化(simulated annealing particle swarm optimization, SAPSO)算法。实验结果表明,相较于严格的枢纽航线网络,所提优化模型能够显著地缓解枢纽机场的拥堵,均衡枢纽机场间客流量,减少网络成本;同时,所提算法具有较快的收敛速度和良好的稳定性。     

基于FWA-DBN的航空发电机偏心故障诊断

针对具有多并联支路绕组结构的航空发电机在偏心故障下的输出三相电压、电流故障特征差异小, 造成故障不易识别的问题, 提出一种基于烟花算法(fireworks algorithm, FWA)优化深度置信网络(deep belief network, DBN)的故障诊断方法。首先根据有限元法搭建航空发电机模型, 通过仿真获取不同静态、动态偏心故障输出数据; 然后运用FWA训练优化与极限学习机(extreme learning machine, ELM)相结合的DBN网络, 得到最佳DBN-ELM模型结构; 最后由ELM分类器进行故障诊断分类。诊断结果表明, 相较于传统的故障诊断方法, 应用所提方法进行航空发电机偏心故障诊断, 可以获得更高的准确率, 平均准确率达到99.203%。     

融合专家先验知识和单调性约束的贝叶斯网络参数学习方法

针对小样本集条件下的贝叶斯网络参数学习问题,提出一种融合专家先验知识和单调性约束的贝叶斯网络参数学习方法。该方法通过将专家先验知识以正态分布形式融入单调性约束的贝叶斯网络参数学习过程,进一步提高了小样本集条件下贝叶斯网络参数学习的精度和稳定性。在小样本集条件下进行仿真实验,结果表明,与其他3种主要方法相比,所提方法平均(Kullback-Leibler, KL)散度大幅降低,运行时间高于其余3种方法。综合考虑学习精度和运行时间,所提方法优于其他3种方法。将所提方法应用于燃气轮机健康状态评估,评估结果与实际状态一致,验证了方法的有效性。     

无码率码在无线传感器网络中的应用研究

传统固定码率通信方案在大规模网络中存在时延和多反馈情况, 影响无线传感器网络(wireless sensor network, WSN)的传输性能。无码率码能够根据信道状态实时改变传输码率, 很好地解决这一问题。本文以多源多中继网络模型为基础, 设计了基于累积无码率(accumulate rateless, AR) 码的分布式协同传输机制, 并对传输的广播、转发、译码等阶段进行了阐述和分析。结合使用外信息转移(extrinsic information transfer, EXIT)图和凸优化工具对方案中的AR码度分布进行了联合优化求解。仿真结果和对比分析表明, 所提分布式AR码度优化方案, 在错误平层上明显优于分布式卢比转换码方案, 在译码性能上较现有Raptor方案和AR码单独度分布优化方案分别减小3.7%和1.3%的码率倒数。     

支持向量机用于性能退化的可靠性评估

为解决性能退化轨迹建模中的小样本训练问题,研究了基于统计学习理论的支持向量机回归原理,提出了基于支持向量机回归模型的产品性能退化轨迹建模、寿命预测及可靠性评估方法.给出两种性能退化轨迹的支持向量机回归模型——单一模型和加权模型.实例分析表明,所提方法有较好的预测精度.加权支持向量机回归模型可在早期实现较高精度的寿命预测,提高性能退化的可靠性评估精度,从而可缩短试验时间,节约经费开支.     

高移动性Jakes信道的学习与估计

在高移动场景下, 信道具有快速时变性和非平稳特性, 对信道的准确估计提出了新的挑战。针对高移动性Jakes信道, 提出一种基于图像重建和恢复原理的信道学习估计网络。首先,根据Jakes信道矩阵中局部相关特性, 构建快速超分辨卷积神经网络提取信道特征, 并对信道插值完成信道图像建模。然后, 利用去噪神经网络降低信道噪音的影响, 进一步提高估计精度。最后,通过时域和频域的仿真测试, 所提方案估计性能优于传统算法。在与现有基于深度学习最新方法比较中, 所提方案也有性能优势, 并且收敛速度更快。     

相干分布式信源参数估计算法

针对目前分布式信源参数估计算法多采用二维联合搜索导致计算复杂度较大的问题,提出了基于中心波达方向预估计的波束形成一维搜索算法.通过将中心波达方向与角度扩散进行分离,把二维联合搜索简化为一维搜索,降低了计算复杂度.利用方向向量与信号子空间之间的特征结构预估计中心波达方向,缩小了参数搜索范围,提高了算法运行速度.该算法参数估计精度较高,鲁棒性较好,适用于角度扩散较大的场合.仿真实验验证了所提算法的有效性,与DSPE算法和传播因子算法相比,所提算法性能具有明显的优势.     

基于中心点和语义信息的多方向遥感舰船检测

在高分辨率遥感影像解译中, 舰船目标的检测一直是研究热点。针对遥感影像中近岸舰船排列密集、方向各异以及背景复杂等问题, 本文提出一种基于旋转中心点网络和语义信息(rotated CenterNet using semantic information, RSI-CenterNet)的多方向遥感舰船目标检测方法。首先, 基于关键点检测网络, 在检测阶段添加目标角度回归分支, 以预测目标方向; 其次, 添加语义分割分支, 并将其输出的特征与检测部分的输入特征进行融合以强化目标区域的特征信息; 最后, 引入注意力模块, 以强化目标显著区域与通道的特征, 提升检测精度。实验结果表明, 与其他多种先进方法相比, 本文方法具有更高的检测精度与检测速度, 在高分辨率船舶数据集(High Resolution Ship Collections 2016, HRSC2016)上的平均精度达到88.31%, 检测速度达到17.8 FPS。     

基于深度学习的轻量化目标检测算法

深度卷积神经网络在各个领域都表现出很好的效果, 与之伴随的是庞大的计算量和参数量。针对当前基于深度卷积神经网络的目标检测算法对计算资源需求太大和内存消耗严重的问题, 提出一种高性能轻量化的网络模型。首先将Stem模块和ShuffleNet V2进行融合, 提升网络特征提取能力, 并利用融合后的网络对原始YOLOv5的骨干网络进行重构, 显著降低了网络的计算量和内存占用, 同时, 引入可变形卷积以提升网络的检测性能。道路监控图像和VOC、COCO数据集测试结果表明, 所提出的模型在保持检测精度的前提下, 将参数量和模型尺寸降低了90%, 计算量仅为原始模型的18%, 实现了检测模型的轻量化, 更有助于在计算资源有限和对实时性要求高的场景中部署。     

融合域自适应和弱监督策略的遥感影像建筑物提取算法

常见的建筑物提取算法主要采用全监督的方式实现，得到的模型通常在训练数据集上表现良好，而在跨区域使用时效果不佳。基于生成对抗网络的域自适应方法虽然在一定程度上能够增强网络的迁移能力，但由于缺乏目标域关键信息，效果难以保证。设计了一种全新的端到端弱监督建筑物提取网络。首先，采用像素关联模块来提升生成网络的性能；然后，在此基础上综合运用域自适应和图像级弱标签两种策略来优化训练过程，从而大幅提升了网络模型的泛化扩展性能。采用3组数据对所提方法的有效性进行了验证，通过大量实验证明了所提方法可以有效提升建筑物提取的性能。同时，通过消融实验验证了网络中各个模块的有效性。     

基于改进R-FCN的SAR图像识别

由于深度学习在目标识别方面取得了显著的成绩, 为提高合成孔径雷达(synthetic aperture radar, SAR)图像目标识别的精度与速度提供了新的思路。本文将区域全卷积网络(region-based fully convolutional networks, R-FCN)结构应用于SAR图像目标识别中, 取得了良好的效果。对于数据集较小和数据相似度较高的问题, 提出了基于迁移学习的R-FCN模型用于SAR图像目标识别。对更快的区域卷积神经网络(faster region convolutional neural networks, Faster R-CNN)和R-FCN进行模型训练及优化, 并与所提出的基于迁移学习的改进R-FCN模型实验结果进行对比。结果表明, 所提方法对SAR图像具有更好的识别效果和更快的识别速度。     

认知网络中基于三角分解的干扰对齐算法

针对多个主用户、多个次用户的认知多输入多输出网络,由次用户单方面消除主次间的干扰,带来次用户性能严重损失的问题,提出一种联合主次用户信道矩阵进行三角分解的干扰对齐算法。首先,根据各个用户的信道质量分别对主用户系统和次用户系统的信道矩阵进行排序;然后,结合主用户网络和次用户网络的信道矩阵进行三角分解;最后,通过最小均方误差算法来验证所提算法的可行性。仿真实验表明,所提算法能有效地提高次用户自由度上限以及次用户网络和主用户网络的系统容量、平均能量效率及抑制干扰的能力。