Data fusion control and guidance of surface-to-air missile under the complex circumstance based on neural-net technology

Under the complicated electromagnetism circumstance, the model of data fusion control and guidance of surface-to-air missile weapon systems is established. Such ways and theories as Elman-NN, radar tracking and filter＇s data fusion net based on the group method for data-processing （GMRDF） are applied to constructing the model of data fusion. The highly reliable state estimation of the tracking targets and the improvement in accuracy of control and guidance are obtained. The purpose is optimization design of data fusion control and guidance of surface-to-air missile weapon systems and improving the fighting effectiveness of surface-to-air missile weapon systems.

基于FMCW雷达的人体生命体征信号预测算法

将FMCW雷达检测到的人体生命体征信号,用于预测未来一段时间内人体生命体征信号是否异常,具有明显的应用价值。该方向当前研究主要针对如何进一步降低重构误差、提升生命体征信号的预测精度。为此,本文提出一种自适应变分模态分解-长短期记忆神经网络的生命体征信号预测方法。针对静止状态下的人体,通过雷达采集到的生命体征信号,采用粒子群算法优化变分模态分解VMD的模态分量个数K和惩罚系数α的值,实现自适应选取后用于VMD分解,再将分解后的模态分量进行叠加重构。采用粒子群算法优化长短期记忆网络模型中的网络层数、学习率、正则化系数等3个参数,自适应选取合适的参数组合,将重构后的信号通过优化后的LSTM网络进行预测。实验结果显示本文所提预测方法在10位志愿者的预测结果与原始数据的均方根误差平均值为0.017 188 9,平均绝对误差的平均值为0.007 158,相较于当前其他研究,预测精度上有明显提升。

基于边缘辅助和多尺度Transformer的无参考屏幕内容图像质量评估

与从现实场景中拍摄的自然图像不同,屏幕内容图像是一种合成图像,通常由计算机生成的文本、图形和动画等各种多媒体形式组合而成.现有评估方法通常未能充分考虑图像边缘结构信息和全局上下文信息对屏幕内容图像质量感知的影响.为解决上述问题,本文提出一种基于边缘辅助和多尺度Transformer的无参考屏幕内容图像质量评估模型.首先,使用高斯拉普拉斯算子构造由失真屏幕内容图像高频信息组成的边缘结构图,然后通过卷积神经网络(Convolutional Neural Network,CNN)对输入的失真屏幕内容图像和相应的边缘结构图进行多尺度的特征提取与融合,以图像的边缘结构信息为模型训练提供额外的信息增益.此外,本文进一步构建了基于Transformer的多尺度特征编码模块,从而在CNN获得的局部特征基础上更好地建模不同尺度图像和边缘特征的全局上下文信息.实验结果表明,本文提出的方法在指标上优于其他现有的无参考和全参考屏幕内容图像质量评估方法,能够取得更高的主客观视觉感知一致性.

联合图像层级特征的压缩感知迭代重构

基于卷积神经网络(Convolutional Neural Networks,CNN)的图像压缩感知重构算法难以捕捉高分辨率图像的长距离依赖关系,采用Transformer虽能解决该问题,但网络参数量和图像重构时间成倍增长。基于此,本文提出了一种联合图像层级特征的压缩感知迭代重构网络(Combining Image Hierarchical-Feature Network,CHFNet),在提高图像重构质量的同时减少重构时间。CHFNet由采样和重构两个子网络组成,采样子网络通过可学习的采样矩阵为重构过程提供更有效的测量值。在重构子网络中,设计了一种使用梯度下降操作和特征优化操作的迭代策略,同时提出一种轻量级CNN-Transformer混合架构,能够建模并优化高细粒度的图像层级特征,在增强网络感知能力的同时降低计算复杂度。此外,CHFNet通过联合优化学习采样重构,实现了完整的端到端训练。实验结果表明,所提算法在多个公共基准数据集上取得了良好的重构效果。在Urban100数据集上,相较于现有最优算法CSformer,平均PSNR,SSIM分别提升0.63 dB和0.0076;在0.10采样率下,相较CSformer在Set11,BSD68和Urban100数据集上的平均重构时间分别减少了2.7447 s,3.5510 s和4.7750 s。

计算视域下的中国特色社会主义经济运行机制

基于计算视域的角度,不同的经济运行机制的竞争就是不同的数据处理和算法系统的运行效率之争。本文研究表明,市场机制是采用竞争协同规则且有时滞的反馈神经网络系统,其以利润最大化为目标,具有分布存储、并行处理、数据驱动、非线性动态、自组织等特性和黑箱、马太效应、不稳定等缺陷;政府引导的市场机制是知识引导的采用竞争协同规则且有时滞的反馈神经网络,其将基于知识的逻辑推理和基于数据的神经网络相结合,有望既能发挥市场经济的优点,又能规避市场经济的弊端。本文给出了有为政府与有效市场有机结合的条件,基于此,分析指出坚持以人民为中心确保神经网络系统的目标、链接机制和反馈机制的统一性,改革开放扩大了市场网络规模和增加现有链接的流通自由度,通过知识、数据和检验的有机结合,保障了中国特色社会主义经济运行机制的试错、纠偏、迭代和优化,推动政府引导和市场经济共生协同进化,从而促进中国经济持续快速健康发展。

基于混合神经网络的多维视觉传感信号模式分类

传感器采集的数字信号分类精度差,导致关键信息的丢失。为了提高传感数据的可靠性和有效性,提出基于混合神经网络的多维视觉传感信号模式分类方法。结合卷积神经网络(CNN)、循环神经网络(RNN)构建混合神经网络,以更有效地表示多维视觉数据中的特征;其中,卷积神经网络负责对多维的空间信号进行去噪处理并提取特征;循环神经网络负责对时域和频域信号进行特征提取;混合神经网络通过联合训练CNN和RNN各自的参数,以调整其权重,并且结合两者从不同层级提取的特征来实现多维视觉传感信号模式的分类。仿真结果表明,使用所提方法进行分类时,信号光滑度保持在0.9以上,传感信号分类结果与实际结果拟合度较高,有效实现多维视觉传感信号模式分类。

融合信息瓶颈与图卷积的跨域推荐算法

基于迁移学习的跨域推荐可以有效地学习连接源域和目标域的映射函数,但其性能仍然受到表征质量不高和负迁移问题的影响,不能有效地为冷启动用户进行推荐,为此提出了一种融合信息瓶颈与图卷积网络的跨域推荐模型(IBGC)。利用图卷积神经网络聚合有关联的用户-用户和项目-项目信息;利用注意力机制学习用户和项目偏好,以提高节点特征表示质量;考虑到两个领域的信息交互,将重叠用户进行嵌入表示的同时限制特定信息的编码,利用信息瓶颈理论设计了三种正则化器,以捕获域内和跨域用户-项目的相关性,并将不同领域的重叠用户表征对齐以解决负迁移问题。在Amazon数据集中的四对公开数据集上进行实验,实验结果表明该模型在MRR、HR@K和NDCG@K三个推荐性能指标上的表现均优于基线模型,在四对数据集上与最优对比基线模型相比,MRR平均提升34.36%,HR@10平均提升34.94%,NDCG@10平均提升36.83%,证明了IBGC模型的有效性。

基于U-net神经网络的油浸式变压器绕组流-热耦合快速计算

该文针对采用传统数值方法进行大型油浸变压器绕组温升仿真时间较长的问题,提出一种基于U-net神经网络训练的快速计算方法,可以迅速地预测变压器绕组温升及热点。首先,根据流热耦合原理筛选输入变量,并运用流热耦合方法计算不同工况下的输出结果,并将之制作成训练集和测试集。同时,详细讨论3个对网络训练影响最显著的超参数;其次,将归一化后的训练集输入U-net神经网络进行训练,并设置超参数最佳组合;最后,将预测集输入训练好的模型进行预测计算及反归一化操作,预测绕组热点与Fluent仿真结果相差仅0.44 K,单次仿真时间从200 s缩短为0.07 s。预测结果与实验温度平均误差最大为2.31 K,最小为0.98 K,预测方差为0.31左右。结果表明:该方法可用于快速获得油浸式变压器绕组的温度及热点,可满足变压器温度热点数字孪生的实时性仿真要求。

改进注意力机制嵌入PR-Net模型的水稻病害识别仿真

针对现有的CNN模型在水稻叶部病害的识别中准确率较低的问题,提出了一种结合并行结构和残差结构的混合卷积神经网络模型PRC-Net(parallel residual with coordinate attention network)。引入并行结构,提高卷积的感受野;结合残差结构,使特征信息完整的连续传递;在骨干模型PR-Net中嵌入改进的空间注意力机制,增强对不同尺度病斑特征信息的凝聚程度;为进一步提升病害识别的准确率,并减少模型的训练时间和推理时间,通过改变加权方式对模型结构进行优化。仿真结果表明:与InceptionResNetV2等分类模型相比,PRC-Net具有更少的训练参数、更短的训练时间和更高的识别精度,性能优于其他作物病害识别模型。

基于CNN‑LSTM‑SE的心电图分类算法研究

心血管疾病是我国死亡率较高的疾病之一,通过观察心电图来判断心电信号是否出现异常能够对心血管疾病进行预防和筛查。由于心电图数据规模大且繁杂,临床医护人员在心电图筛查时,工作负担大且容易出现误诊或漏诊的情况。为了提高心电图的筛查效率、减少医护人员的压力,提出了一种基于卷积神经网络、长短期记忆神经网络和SE网络的心电图分类算法模型(CNN-LSTM-SE),该模型将心电图分成5种不同的类别。主要研究内容包括:选用MIT-BIH心律失常数据集作为心电信号的数据来源,使用巴特沃斯带通滤波器对心电信号进行去噪处理,通过Z-score方法对心电信号进行标准化处理,利用独热编码方法对心电信号标签进行编码,最后使用处理后的心电数据对所提算法模型进行训练和测试。实验结果表明:所提模型相较于其它模型,能够有效提高心电图分类的准确性,在实验数据集上的分类准确率达到99.1%。

基于模糊神经网络的微电网荷储协调智能控制方法

针对传统比例-积分-微分(proportional integral derivative,PID)控制和模型论控制方法难以应对新型电力系统背景下微电网面临的运行场景复杂多变的问题,提出了基于模糊神经网络的微电网荷储协调智能控制方法。首先确定了微电网模糊控制输入及输出变量,以平抑净负荷波动及减少储能充放电频次为目的,将微电网控制经验总结成模糊规则表,采用神经网络深度学习算法修正模糊控制模型的隶属度函数中心、宽度和输出权重来提高模型的自适应能力,从而制定了可调控负荷和储能的功率控制系数;进而针对模糊神经网络控制输出的负荷调控需求量在各可调控负荷间分配的问题,提出了基于灵活性供给指标排序的负荷调控优先级选择方法,最终完成了微电网系统储能单元和可调控负荷控制策略的制定。某典型微电网系统算例仿真结果表明,所提方法制定的各可调控负荷与储能控制策略能在避免储能频繁和过度充放电的同时,在并网状态下有效减弱并网功率对上级电网造成的随机扰动,在孤岛状态下能够有效平抑系统功率波动,提升系统运行稳定性。

基于多神经网络的可展开网状天线型面调整方法

为在提高可展开网状天线型面精度的同时减少型面调整的工作量,提出了一种基于多神经网络的型面调整方法。通过分析新型张拉网状天线型面与调整索相关性与耦合机制,首次提出了型面调整策略。以10m口径的新型张拉网状天线为例进行了数值仿真研究,调整后型面的均方根值从5.4×10^(-3)m降低到1.1×10^(-3)m,从而验证了方法的有效性。

基于贝叶斯神经网络的相位梯度计算方法

应变重构是相衬光学相干层析力学性能表征中的关键步骤,其需要准确计算出差分包裹相位的梯度分布。为了能够解决强噪声干扰下的相位梯度重构信噪比低的难题,提出了一种基于贝叶斯神经网络的相位梯度计算方法。首先,通过计算机模拟不同散斑噪声等级下的包裹相位图,并生成相应的理想相位梯度,以构建网络的训练集。其次,基于网络训练集采用贝叶斯推断理论学习强噪声环境下的包裹相位与相位梯度的“端到端”映射关系。最后,将相衬光学相干层析测量的差分包裹相位结果送入贝叶斯神经网络进行处理,实现高信噪比相位梯度预测。此外,通过借助贝叶斯神经网络的统计特性,以模型不确定度来定量评估相位梯度预测结果的可靠性。通过数值实验和三点弯曲力学加载实验对比分析了本文方法和主流矢量方法的性能。实验结果表明:在噪声较小的条件下,本文方法重构的相位梯度信噪比可提升8%;在噪声较强条件下,本文方法能成功恢复因相位条纹难以分辨而无法计算的相位梯度。此外,模型不确定度能够定量分析网络的相位梯度预测误差。可以预见,在样品形变复杂且先验信息未知的条件下,本工作为相衬光学相干层析提供了一种有效的应变重构方法,从而能实现高质量和高可靠的内部力学性能表征。

基于超球面对偶学习的双通道图异常检测方法

图异常检测作为一项重要的数据挖掘任务,专注于识别与大多数节点显著偏离的异常节点.随着无监督图神经网络技术的进步,现已开发出了基于密度估计、对抗生成网络等多种高效识别图数据中潜在异常的方法 .然而,这些方法更注重无监督图异常检测生成高质量的表征,而往往忽略了图异常的特性.因此,本文提出了一个双通道异构图异常检测模型(Dual-channel Heterogeneous Graph Anomaly Detection,HD-GAD).其模型基础架构包括双通道的图神经网络:全局子结构感知的图神经网络和局部子结构感知的图神经网络,用于图异常检测捕获全局和局部子结构属性.同时,基于对偶推断引入了多超球体学习目标(Multi-Hypersphere Learning,MHL),从宏观和介观超球体角度,分别测量在整个图/社区结构中偏离的异常节点. HD-GAD模型利用相似度函数EmbSim优化训练目标,以缓解多超球面学习中的模型坍问题.最后,在五种不同的数据集上进行了全面的实验.其AUC(Area Under Curve)值在大多数情况下均超过了0.9,达到了行业领先水平,进一步证明了HD-GAD模型在图异常检测任务上的高效性与性能优势.

基于误差补偿的多模态协同交通流预测模型

交通流量因受周期性特征、突发状况等多重因素影响,现有模型的预测精度无法满足实际要求.对此,本文提出了基于误差补偿的多模态协同交通流预测模型(Multimodal Collaborative traffic flow prediction model based on Error Compensation,MCEC).针对传统预测模型不能兼顾时间序列和协变量的问题,提出基于小波分析的特征拓展方法,该方法引入聚类算法得到节假日标签特征,将拥堵指数、交通事故图、天气信息作为拓展特征,对特征进行多尺度分解.在训练阶段,为达到充分学习各部分数据、最优匹配模型的效果,采用差分整合移动平均自回归模型(Autoreg Ressive Integrated Moving Average Model,ARIMA)、长短期记忆神经网络(Long Short-Term Memory network,LSTM)、限制动态时间规整技术(Dynamic Time Warping,DTW)以及自注意力机制(Self-Attention),设计了多模态协同模型训练.在误差补偿阶段,将得到的相应过程值输入基于支持向量机回归(Support Vector Regression,SVR)的误差补偿模块,对各分量的误差进行学习、补偿,并重构得到预测结果.使用公开的高速公路数据集对MCEC进行验证,在多个时间间隔下对比实验结果表明,MCEC在交通流量预测中的平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)达到17.02%,比LSTM-SVR、ConvLSTM(Convolutional Long Short-Term Memory network)、ST-GCN(Spatial Temporal Graph Convolutional Networks)、MFFB(Multi-stream Feature Fusion Block)、Transformer等预测模型具有更高的预测精度,MCEC模型具有较好的有效性与合理性.

基于GA-BP神经网络的月生活需水预测——以黄河流域为例

在水利高质量发展的背景下,为了更精准地反映未来需水情势,探索月尺度需水的预测方法十分必要,有利于有效规划和管理供水系统以解决水资源短缺问题。以黄河流域9个省区为例,对月生活用水规律进行分析,通过奇异谱分析(singular spectrum analysis,SSA)法对用水规律进行验证,引入遗传算法对BP神经网络预测模型进行改进,分别建立基于时间序列的单变量模型和基于影响因子的多变量模型,并将预测结果与BP神经网络模型预测结果进行比较。结果表明:改进预测模型对各省区2020年月生活需水量预测的平均相对误差基本在5%以内,精度优于BP神经网络模型,对水资源精细化管理具有一定的参考价值。

基于改进Faster R-CNN与U-Net算法的桥梁病害识别与量化方法

为实现桥梁病害检测的自动化,对基于图像处理技术的混凝土桥梁表观病害的智能识别和尺寸确定方法展开研究.提出基于改进Faster R-CNN算法的病害识别方法,利用K均值聚类和遗传算法对区域候选网络锚框进行优化设计;以裂缝预测区域为基础,提出ResNet34结合U-Net的裂缝形态提取方法,并结合裂缝形态学研究了裂缝像素宽度和长度的确定方法.结果表明:锚框优化设计可改进Faster R-CNN算法的表观病害识别效果,5类常见病害的预测准确率、召回率、平均精确率分别由68.40%、69.87%、74.64%提升到85.40%、83.59%、83.72%;利用病害预测框,结合改进U-Net算法的裂缝像素尺寸计算,可实现裂缝病害尺寸的自动测量;基于改进Faster R-CNN和改进U-Net的方法可实现混凝土桥梁常见病害的智能识别和尺寸量化,从而提高桥梁病害检测效率并促进桥梁技术状况评定的智能化.

针对图像分类的鲁棒物理域对抗伪装

深度学习模型对对抗样本表现出脆弱性.作为一种对现实世界深度系统更具威胁性的攻击形式,物理域对抗样本近年来受到了广泛的研究关注.现有方法大多利用局部对抗贴片噪声在物理域实现对图像分类模型的攻击,然而二维贴片在三维空间的攻击效果将由于视角变化而不可避免地下降.为了解决这一问题,所提Adv-Camou方法利用空间组合变换来实时生成任意视角及变换背景的训练样本,并最小化预测类与目标类交叉熵损失,使模型输出指定错误类别.此外,所建立的仿真三维场景能公平且可重复地评估不同的攻击.实验结果表明,Adv-Camou生成的一体式对抗伪装可在全视角欺骗智能图像分类器,在三维仿真场景比多贴片拼接纹理平均有目标攻击成功率高出25%以上,对Clarifai商用分类系统黑盒有目标攻击成功率达42%,此外3D打印模型实验在现实世界平均攻击成功率约为66%,展现出先进的攻击性能.

基于CNN计算局部复杂度的可逆信息隐藏算法

在可逆信息隐藏领域,选择较小的预测误差有助于减少信息嵌入过程引起的失真.现有选择方法主要计算预测误差的局部复杂度,将信息嵌入到局部复杂度小的预测误差中.这些局部复杂度计算方法只使用部分相邻像素计算局部复杂度,且计算方法与预测部分使用的预测器无关,因此其选择性能有待提高.本文提出了一种基于CNN的局部复杂度计算方法LCCN,该方法与预测部分的预测器相关,可以使用更多的相邻像素计算局部复杂度,提高局部复杂度与预测误差的相似性.与现有的局部复杂度计算方法相比,所提LCCN利用了CNN的多感受野特性和深度学习的全局优化能力,能使用更多相邻像素计算局部复杂度,从而选择更多数值较小的预测误差,提高嵌入算法性能.此外,我们还提出了一种适用于LCCN的两阶段RDH方案,该方案可以将LCCN应用于多种嵌入方法.实验结果表明,与现有的几种局部复杂度计算方法相比,本文所提方法在标准测试图像和Kodak数据集上嵌入性能更好,在基于LPVO的嵌入技术中,本文所提LCCN模型嵌入10000bits后图像Lena的PSNR为62.09dB,分别高于LV、FV、EE和LAE算法1.05dB、1.02dB、0.78dB和0.90dB.与现有的先进RDH算法比较,本文所提LCCN模型在不同图像上均取得较好效果.

基于深度卷积判别网络的人脸比对方法

针对实际应用中人脸比对面临着场景复杂性高、光照、遮挡等问题,为了提高人脸比对准确率,本文提出了一种基于深度卷积判别网络的人脸比对算法MTC-FaceNetSDM。建立了MTC-FaceNetSDM的深度卷积神经网络,在FaceNet网络前端中融合多任务级联卷积神经网络得到MTC-FaceNet网络,实现实际场景中的人脸检测提取目标人脸;利用深度卷积神经网络获取高维人脸深度特征,并将FaceNet网络的欧氏距离模块替换为所提出的相似度判别模块SDM,用于高维人脸特征向量比对;最终,利用自制的人脸数据集C-facev1,结合CASIA-WebFace人脸数据集对本文人脸比对算法进行训练,使用人脸数据集LFW和CASIA-FaceV5对训练后的模型进行性能评估。实验结果表明:本文所设计的MTC-FaceNetSDM的人脸比对准确率比MTC-FaceNet整体提高1.48%,对中国人脸比对准确率提高3.80%,可实现多人种的人脸比对,同时该算法具备良好的鲁棒性和泛化能力,达到优良的人脸比对效果,可实际应用于人脸验证系统。