基于位移放大的压电致动器设计与仿真

压电叠堆致动器广泛用于驱动智能变形装置,由于压电叠堆输出位移小,需要放大结构增大位移输出。设计了一种椭圆形位移放大结构,分析了椭圆长轴、壳体厚度、X方向位移和压电叠堆宽度等结构参数对Y方向的位移输出、应力强度和放大倍数等性能的影响规律,优化了结构参数,并制作了样品。测试数据表明,位移放大结构实现了5.3倍以上的位移放大;分析了放大结构在高频电压驱动下的瞬态响应,模拟了驱动信号频率对位移输出的影响,结果表明,在周期0.01 s的交变电压驱动下,结构的位移输出未出现失真。

重力补偿比例导引的二维修正迫弹弹道仿真

为发展具有精确打击能力的制导弹药,研究基于120 mm口径的一对NACA翼型鸭式布局二维弹道修正迫弹的弹道特性。在采用Fluent软件得到新型制导弹丸的气动力系数的基础上,引入两种方式的重力补偿比例导引律进行末制导,得到了不同比例导引方式下的弹道仿真数据,最后对仿真结果进行分析。结果表明,新型制导弹丸具有较好的弹道修正能力,且使用重力补偿比例导引方式可大大降低过载,为基于一对NACA翼型鸭式布局制导迫弹的设计提供依据和参考。

迁移深度学习地基云图自动识别的网络微调学习过程

研究了一种将迁移学习引入到地基云图自动识别深度学习网络中的学习过程,其中深度学习网络采用AlexNet经典网络模型,数据集采用ImageNet样本库进行预训练,学习过程中采用微调操作对网络的权值进行最佳调整。通过对10类地基云图的仿真实验,可以看出,由于云图类别较多,分类任务较难,将迁移学习和微调方法引入到深度学习地基云图自动识别中,是可行和有效的。该方法的有效实施,为深度学习在高精度的地基云图分类以及其他领域图像识别奠定了技术基础。

卷积神经网络识别地基云图的数据库建立及处理方法

卷积神经网络(Convolutional neural network,CNN)具有非比寻常的从样本中学习特征的能力,训练需要大量带有标签的图像样本。因此,在使用卷积神经网络对地基云图相关研究时,建立云图样本库是第一步,也是非常重要的一步。首先,通过数码相机直接拍摄、从互联网上下载、从公开发行的云图类书籍获取以及由全天空照相机拍摄等手段获取三个云图样本库;接着,对三个样本库图像的分辨率、噪声、数量等问题进行了分析;然后,采用双线性插值和数据增强方法对样本库进行归一化预处理;最后,利用卷积神经网络、LBP、Heinle feature和Texton-based method三种方法对增强后的数据集进行云识别分类验证,实验结果表明,利用本文方法进行增强数据可有效解决卷积神经网络对小样本数据识别率不高以及不能完整进行网络运行的问题,为卷积神经网络在地基云图识别的应用奠定基础。

基于图像修复技术的抗核辐射图像恢复方法

强辐射环境下数码成像设备由于受到高能粒子射线的影响,采集的视频或图像信噪比非常低,严重影响了其在辐射环境下的应用.为了去除视频或图像中的噪声,减少辐射粒子对成像设备的影响,提出了一种基于修复技术的新型强辐射图像去噪技术.首先在分析强辐射环境下成像设备受干扰的机理基础上检测图像的强干扰噪声;然后将图像噪声区域看成待修复区域,利用图像修复技术进行噪声消除;最后利用基于非下采样轮廓波变换的去噪方法对修复后的图像进行后处理.实验结果及分析表明提出的方法算法效率高、降噪效果显著,能够很好地去除强度大、分布密集的噪声,有效提高了数码成像设备在强辐射环境下的工作性能.

红外成像激光雷达测量大气能见度实验研究

鉴于大气能见度的直观特性和红外光电技术的迫切需求,提出了一种大气红外能见度的计算与测量方法,并研制了一套大气红外能见度测量仪器,该仪器以1064 nm波长激光作为光源,以Xenics红外相机为探测器测量红外能见度。暗场处理时利用传统的背景扣除方法和移位相减法进行对比实验,能见度反演过程中用斜率法和Klett积分法同时对测量结果进行处理,结果表明该系统测量出的红外能见度与Belfort能见度仪测量结果基本一致,相关系数达80%以上,表明红外能见度的计算和测量结果是可靠的。

卷积神经网络的研究进展综述

深度学习(deep learning,DL)强大的建模和表征能力很好地解决了特征表达能力不足和维数灾难等模式识别方向的关键问题,受到各国学者的广泛关注.而仿生物视觉系统的卷积神经网络(convolutional neural network,CNN)是DL中最先成功的案例,其局部感受野、权值共享和降采样三个特点使之成为智能机器视觉领域的研究热点.对此,本文综述CNN最新研究成果,介绍其发展历程、最新理论模型及其在语音、图像和视频中的应用,并对CNN未来的发展潜力和发展方向进行了展望和总结.