基于稀疏A*搜索和改进人工势场的无人机动态航迹规划

针对不同属性的障碍物所构成的威胁分布模型,本文提出了一种基于稀疏A*搜索算法预规划和改进人工势场相结合的无人机动态避障算法.该算法首先对威胁分布建立栅格化模型;然后根据静态威胁,基于稀疏A*搜索算法进行全局航迹规划;最后结合预规划路径和动态威胁分布,利用改进人工势场法完成无人机的动态避障.仿真结果表明,该方法能够规划出给定威胁指标下的全局最优路径并达到良好的动态规避性能.

基于稀疏A*算法与文化算法的无人机动态航迹规划

针对无人机动态航迹规划问题,结合数字地形和天气等信息建立全数字概率地图,采取先离线静态全局规划后在线实时动态规划的两级分层规划方法,基于稀疏A*算法与文化算法实现了无人机动态航迹规划,改善了稀疏A*算法的绕径问题,提高了航迹的可靠性和实时性.

基于稀疏A*算法的AUV全局路径规划

路径规划是自主式水下航行器(AUV)研究领域的重要课题之一。传统的AUV路径规划算法,如人工势场法、图搜索法等,容易出现陷入局部最优解、计算速度慢等问题,为克服上述缺陷,本文基于稀疏A*算法,提出了一种新的用于构造搜索空间的随机布点方法,在路径规划区域内,利用随机函数均匀地布撒足够多的搜索节点,从而构成搜索空间,可显著降低计算量,提高搜索效率;并进一步对所得路径进行通视性检查,有效地减少路径点个数和折点数,获得更优路径。仿真试验结果验证了该算法的正确性和有效性,表明该算法具有全局优化能力强、计算速度快的优点,具有一定的工程应用价值。

基于稀疏A*算法的无人机航路规划方法

针对多约束条件下三维空间航路规划问题,分析了三维规划空间的划分方法,综合考虑航程代价、爬升代价和威胁代价等因素,针对航路规划任务对各种指标的偏重程度,引入指标的权重系数,设计了代价函数,并编制了稀疏A*算法流程,对算法的有效性进行了仿真验证。验证结果表明:采用稀疏A*算法能够有效地解决多约束条件下的三维空间航路规划问题。

结合进化算法的稀疏A*算法对动态目标的无人机航迹规划研究

针对移动目标的无人机航迹规划问题,结合文化算法改进稀疏A*算法解决静态航迹的绕径问题,然后进一步使用混合算法解决目标跟随过程中动态航迹的规划速度和最优路径的平衡选择问题,最终实现不确定环境下跟随目标和威胁躲避的动态航迹实时规划。通过采用静态和动态两级分层规划结构,使用基于稀疏A*算法与文化算法的混合算法实现了动态目标和动态威胁的无人机航迹规划。

基于动态稀疏A*算法的广域无人机航路规划

本文针对无人机航路规划中的稀疏A*算法进行改进,提出基于分层动态稀疏A*算法。算法在存在可行航路的广阔空域中,通过动态稀疏A*算法在经威胁刷选后的广域范围进行全局粗航路规划,然后在规划的航路中选取中继航路点,通过选定的航路点对整个规划环境进行分区,在每个小区域内进行局部精航路规划,并对生成的航路实现二次优化,最后连接每段小区域规划的航路得到整个大范围的完整航路。仿真结果表明,广域环境下,分层动态稀疏A*算法收敛速度快,具有更强的鲁棒性、可行性,且生成航迹具有良好的飞行品质。

基于稀疏注意力卷积ViT模型的锌浮选工况识别

准确识别锌浮选工况并用于指导锌浮选操作,可以提高浮选效率、优化选矿过程.目前浮选现场主要通过人工肉眼观察泡沫并依据经验判断工况,这种方法主观性强,难以客观准确地评价锌浮选工况.针对该问题,本文通过研究锌浮选泡沫视觉特征和浮选工况的密切联系,提出基于稀疏注意力卷积ViT模型的锌浮选工况识别方法.首先,所提模型融合了卷积神经网络(Convolutional neural networks,CNN)和视觉Transformer(Vision transformer,ViT)的结构和优点,同时感知泡沫局部空间信息和全局信息,完备表征泡沫图像.其次,模型引入稀疏的多头注意力机制,每个注意力头以不同的稀疏程度处理特征,从不同尺度下感知全局信息,同时引入注意力门控单元优化特征传递,最终实现锌浮选工况识别.实验结果表明,本文所提工况识别方法在锌浮选泡沫图像数据集上的准确率达到88.62%,解决了传统CNN和ViT模型不能充分利用泡沫图像全局信息,且无法自适应捕捉泡沫图像重要特征的问题,为浮选流程优化提供有力支持.

基于非负稀疏编码的位置细胞反馈环路学习模型

为了探究大脑导航编码的神经机制,聚焦内嗅皮层与海马体之间的神经连接进行模型研究。生理学证据显示,内嗅皮层与海马体之间存在显著的反馈回路连接,两者的空间编码细胞在导航行为中表现出高度关联性。基于这一基础,建立了反馈循环网络模型,将内嗅皮层的栅格细胞与弱空间细胞作为网络输入,连接到海马体的位置细胞与颗粒细胞,并采用非负稀疏编码进行学习。实验结果表明:该反馈学习模型可以快速捕获细胞的空间调谐特性,仅使用弱空间细胞作为输入,也可以通过反馈环路学习到海马位置细胞对空间的单峰选择性,说明反馈编码机制在优化空间表示中发挥着关键作用。总之,该模型可能是大脑导航系统生成精确空间编码的重要细胞机制之一。

基于概率稀疏自注意力的航空发动机剩余寿命预测

航空发动机剩余寿命预测对其健康管理具有重要意义,针对长序列、多维度的航空发动机监测参数,提出一种基于概率稀疏自注意力(ProbSparse Self-Attention)的Transformer模型以实现航空发动机剩余寿命的准确预测。用ProbSparse Self-Attention取代原始Transformer中的常规自注意力机制,使得模型更关注时间序列中重要的时间节点,大幅缩减时间维度,减小了时间和空间复杂度;通过注意力层整合后的信息,进一步通过前馈神经网络层和卷积层,提取传感器的空间特征,编码层之间通过扩张因果卷积相连接,扩大了感受野,提高了模型对长序列信息的捕获能力。在新公开的N-CMAPSS数据集上验证算法,实验结果表明,相比于实验中的对比模型,所提模型的RMSE和Score值均有提升,推理速度也优于其他模型。

稀疏约束与时间一致的背景感知相关滤波目标跟踪

背景感知滤波算法通过循环移位采集真实负样本,有效解决了边界效应.但在复杂场景例如遮挡、快速移动、背景干扰等,其较大的采样区域导致过多背景在杂波干扰,从而影响跟踪效果.针对这一问题,本文首先提取灰度HOG特征与颜色CN特征来提高目标外观模型,在基准目标函数基础上引入L1稀疏正则约束形成弹性网络以自适应筛选关键特征,增强滤波器在复杂背景下的判别能力.同时针对BACF在跟踪过程中目标快速变化,本文引入时间正则项提高滤波器抑制畸变的能力.最后,本文提出了一种独立的尺度滤波器算法,准确提供目标尺度大小.实验仿真结果表明,在公开数据集OTB-2013和OTB-2015上,本文算法较基准算法有很大提升,能够较好应对不同复杂场景下的跟踪难题.

基于NSST与稀疏先验的遥感图像去模糊方法

针对遥感图像的模糊问题,设计一种基于非下采样剪切波变换与稀疏先验的图像复原算法.首先,利用遥感图像在非下采样剪切波分解下的高频图像的稀疏特性设置先验条件构造图像复原模型;其次,采用交替方向乘子法求解模型;再次,采用软阈值方法对高频图像进行约束处理,在低频图像进行导向滤波处理,以最大可能保留图像的细节信息;最后,将高频图像与低频图像进行重构,对重构后的图像采用卷积神经网络进行深度去噪,最终复原出清晰的图像.将该去模糊算法与H-PNP,GSR,L2TV算法进行实验对比.实验结果表明,该算法能有效去除遥感图像中的模糊和噪声,保留图像的边缘细节,客观评价指标均高于其他3种对比实验算法.

融合稀疏八叉树与卷积神经网络的汽车风阻系数预测

针对汽车风阻系数预测研究中参数化方法难以准确表征汽车外造型的难题,提出融合稀疏八叉树与卷积神经网络的汽车风阻系数预测方法。将汽车外造型按照八叉树结构离散,使用平均法向量对离散的复杂曲面进行简化,利用卷积神经网络对八叉树形式的汽车外造型进行特征提取,进而对汽车风阻系数进行快速预测。通过改变卷积层数与全连接层数,研究了不同卷积神经网络结构对风阻系数预测精度的影响。与参数化方法相比,本文提出的外造型表示方法能更好地描述模型细节,构建的卷积神经网络结构对风阻系数预测的最小相对误差为1.453%,且计算速度是CFD仿真的1620倍,具有较高的精度及计算效率。

一种自适应稀疏度的混合场信道估计算法

针对6G超大规模多输入多输出(Extremely Large-scale Multiple-Input Multiple-Output,XL-MIMO)系统信道特性变化造成现有的近场和远场信道估计方案不能准确估计XL-MIMO混合场信道的问题,同时考虑到实际系统中稀疏度难以获取,提出了一种基于分段弱正交匹配追踪的混合场信道估计(Hybrid-field Stagewise Weak Orthogonal Matching Pursuit,HF-SWOMP)算法。该算法利用XL-MIMO混合场中近场和远场区域不同的信道特性,分别对近场和远场信道分量进行估计,从而得到混合场信道。仿真结果表明,所提XL-MIMO混合场信道估计算法性能相对于仅考虑近场和远场信道估计方案分别提高了约3.5 dB和3 dB,更符合实际信道场景。

基于DK-SVD的深度学习电阻抗块稀疏成像方法研究

针对电阻抗层析成像逆问题的病态性和非线性,提出一种基于DK-SVD的电阻抗块稀疏图像重建方法。该算法通过多层感知器为每组测量数据提供最优的模型参数,以适应数据集的多样性,进一步提高成像质量,并在稀疏编码阶段采用迭代收缩阈值算法加快收敛速度。仿真实验结果表明DK-SVD算法重建图像的结构相似性可达到0.95以上,误差可控制在0.1左右,平均重建速度为0.034 s,有效地提高了电阻抗层析成像的质量和效率,且经进一步实验证明了该算法具有良好的噪声鲁棒性和实际应用价值。

稀疏奖励场景下基于状态空间探索的多智能体强化学习算法

多智能体的任务场景往往伴随着庞大、多样的状态空间,而且在某些情况下,外部环境提供的奖励信息可能非常有限,呈现出稀疏奖励的特征.现有的大部分多智能体强化学习算法在此类稀疏奖励场景下效果有限,因为算法仅依赖于偶然发现的奖励序列,会导致学习过程缓慢和低效.为了解决这一问题,文中提出基于状态空间探索的多智能体强化学习算法,构建状态子集空间,从中映射出一个状态,并将其作为内在目标,使智能体更充分利用状态空间并减少不必要的探索.将智能体状态分解成自身状态与环境状态,结合这两类状态与内在目标,生成基于互信息的内在奖励.构建状态子集空间和基于互信息的内在奖励,对接近目标状态的状态与理解环境的状态给予适当的奖励,以激励智能体更积极地朝着目标前进,同时增强对环境的理解,从而引导其灵活适应稀疏奖励场景.在稀疏程度不同的多智能体协作场景中的实验验证文中算法性能较优.

面向稀疏奖励的机器人操作技能学习

基于深度强化学习的机器人操作技能学习成为研究热点,但由于任务的稀疏奖励性质,学习效率较低.本文提出了基于元学习的双经验池自适应软更新事后经验回放方法,并将其应用于稀疏奖励的机器人操作技能学习问题求解.首先,在软更新事后经验回放算法的基础上推导出可以提高算法效率的精简值函数,并加入温度自适应调整策略,动态调整温度参数以适应不同的任务环境;其次,结合元学习思想对经验回放进行分割,训练时动态调整选取真实采样数据和构建虚拟数的比例,提出了DAS-HER方法;然后,将DAS-HER算法应用到机器人操作技能学习中,构建了一个稀疏奖励环境下具有通用性的机器人操作技能学习框架;最后,在Mujoco下的Fetch和Hand环境中,进行了8项任务的对比实验,实验结果表明,无论是在训练效率还是在成功率方面,本文算法表现均优于其他算法.

基于空间稀疏先验的冲击载荷识别频域非凸稀疏正则化方法

复合材料因其强度高、刚度高、密度小等优点而广泛应用于航空、航天等领域。但由于其抗冲击性差,监测作用于复合材料结构上的冲击载荷对于结构快速检测损伤十分重要。经典的Tikhonov正则化方法在欠定情况下求解载荷识别问题时容易在载荷非加载区识别出虚假力;近年来兴起的L1范数稀疏正则化方法在识别冲击载荷时常低估载荷的幅值。为了突破这些方法的局限以实现更高精度的冲击载荷识别,该研究基于冲击载荷的空间稀疏先验,提出一种新的冲击载荷识别频域非凸稀疏正则化方法。所提出的方法结合了广义极小极大凹惩罚项的非凸优势以及非凸保凸的特性,利用向前向后分裂算法进行凸优化求解,既避免了非凸优化容易收敛到局部最优解的问题,又促进了解的稀疏。分别在复合材料梁和复合材料层合板上开展了冲击载荷试验验证,试验结果表明,无论在正定还是欠定的情况下,所提出方法能在精准定位冲击位置的同时重构冲击载荷的时间历程,且该方法在促进解稀疏和识别载荷幅值方面的表现都优于L1正则化方法,其中幅值识别精度能比L1正则化提升50%以上。

全局感知与稀疏特征关联图像级弱监督病理图像分割

弱监督语义分割方法可以节省大量的人工标注成本,在病理全切片图像(WSI)的分析中有着广泛应用。针对弱监督多实例学习(MIL)方法在病理图像分析中存在的像素实例相互独立缺乏依赖关系,分割结果局部不一致和图像级标签监督信息不充分的问题,该文提出一种全局感知与稀疏特征关联图像级弱监督的端到端多实例学习方法(DASMob-MIL)。首先,为克服像素实例之间的独立性,使用局部感知网络提取特征以建立局部像素依赖,并级联交叉注意力模块构建全局信息感知分支(GIPB)以建立全局像素依赖关系。其次,引入像素自适应细化模块(PAR),通过多尺度邻域局部稀疏特征之间的相似性构建亲和核,解决了弱监督语义分割结果局部不一致的问题。最后,设计深度关联监督模块(DAS),通过对多阶段特征图生成的分割图进行加权融合,并使用权重因子关联损失函数以优化训练过程,以降低弱监督图像级标签监督信息不充分的影响。DASMob-MIL模型在自建的结直肠癌数据集YN-CRC和公共弱监督组织病理学图像数据集LUAD-HistoSeg-BC上与其他模型相比展示出了先进的分割性能,模型权重仅为14 MB,在YN-CRC数据集上F1 Score达到了89.5%,比先进的多层伪监督(MLPS)模型提高了3%。实验结果表明,DASMob-MIL仅使用图像级标签实现了像素级的分割,有效改善了弱监督组织病理学图像的分割性能。

基于自适应字典校正的稀疏恢复STAP算法

空时自适应处理(Space-Time Adaptive Processing,STAP)技术在时间维(脉冲维)和空间维(阵元维)联合进行信号处理,以实现动目标检测功能。但是,传统STAP技术的计算复杂度非常高,而且在优化处理信号过程中需要大样本的支撑,在实际的工作场景中,杂波环境复杂易变,不易获取足够多的独立同分布样本,因此杂波抑制效果较差。稀疏恢复空时自适应处理(Sparse Recovery Space-Time Adaptive Processing,SR-STAP)算法可以利用很少的训练样本实现杂波抑制,但大多数SR-STAP算法的计算量巨大,运行速度慢,算法实时性不高。此外,SRSTAP算法需要对连续空时二维平面进行离散化处理,将空时二维平面划分为很多细小的网格,由于真实的杂波在空时平面上是连续分布的,同时考虑雷达接收信号中噪声、系统参数误差等因素的影响,真实杂波点与离散化网格点之间一定存在着偏差,会造成网格失配现象,导致SR-STAP算法杂波抑制性能下降。针对此问题,本文提出了基于自适应字典校正的稀疏恢复STAP算法。该算法首先通过子空间投影法筛选出与杂波最相关的原子;然后围绕选定原子由粗到细进行自适应局部网格划分,按照局部网格迭代选优准则,不断调整选择局域内的最优原子,直到满足迭代终止条件,以匹配真实的杂波点;最后利用选定的最优原子对应的空时导向矢量构造杂波子空间,更新噪声子空间上与杂波子空间正交的投影矩阵得到STAP权值。仿真实验表明,所提算法与传统SR-STAP算法相比,具有更高的稀疏恢复精度,更快的运行速度,改善了STAP性能。

面向外辐射源雷达目标探测的非时变稀疏模型和深度展开网络实现方法

近年来,基于稀疏特征提取的目标探测方法成为了雷达领域的研究热点。基于正交频分复用调制的外辐射源雷达(简称“外源雷达”)由于发射波形不受控,一方面构建的稀疏模型会随未知发射波形时变,导致相应的目标探测方法计算量大;另一方面目标回波常常因被直达波等强杂波掩盖而面临探测困难。在此背景下,利用外源雷达的正交频分复用波形特点,使用导频位置处频域信道响应提出一种非时变稀疏模型。通过将稀疏模型求解的每一次迭代过程替代为一层神经网络,首次研究了基于深度展开网络的智能化外源雷达目标探测实现方法。仿真和实测数据结果表明:所提方法与传统杂波抑制方法在目标探测上性能相近,但有着更低的计算复杂度,且无需人工设计稀疏矩阵等稀疏模型求解参数。