深度神经网络的自适应联合压缩方法

现有模式单一且固定的深度神经网络压缩方法受限于精度损失,而难以对模型进行充分压缩,致使压缩后模型在实际部署时仍需消耗大量成本高昂且容量有限的存储资源,对其在边缘端的实际应用造成严峻挑战。针对该问题,本文提出一种可同时对模型连接结构和权重位宽进行自适应联合优化的压缩方法。与已有组合式压缩不同,本文充分融合稀疏化和量化方法进行联合压缩训练,从而全面降低模型规模;采用层级自适应的稀疏度和数据表征位宽,缓解因固定压缩比导致的精度次优化问题。通过使用本文提出方法对VGG、ResNet和MobileNet在CIFAR-10数据集上的实验表明,精度损失分别为1.3%、2.4%和0.9%时,参数压缩率达到了143.0×、151.6×和19.7×;与12种典型压缩方法相比,模型存储资源的消耗降低了15.3×~148.5×。此外,在自建的遥感图像数据集上,该方法仍能在达到最高284.2×压缩率的同时保证精度损失不超过1.2%。

面向飞机辅助动力装置在翼剩余寿命预测的性能参数扩增方法

为解决飞机辅助动力装置(APU)在翼性能参数维度低而无法获得较高准确故障预测结果的问题,提出了一种基于生成对抗网络(GAN)性能参数的扩增方法。首先,在研究GAN原理的基础上,通过网格搜索算法确定生成器与判别器的优化参数;其次,研究面向APU性能退化参数的扩增方法,为APU的剩余寿命预测提供输入参数;最后,基于中国南方航空股份有限公司机队的APU在翼监测参数,全面验证和评估所提方法的性能。基于GAN生成10维的排气温度参数通过欧几里得距离、皮尔森相关系数和KL散度度量方法进行处理,结果表明生成参数与原始参数具有较好的一致性。基于3种寿命预测方法开展的对比实验中,将生成的10维参数与原始参数共同用于APU剩余寿命预测,与仅将原始性能参数用于APU剩余寿命预测相比,平均绝对误差和均方根误差表征的预测结果准确性至少提升了8.55%和3.62%。

语义分割网络的FPGA加速计算方法综述

随着深度学习技术的发展和图像场景理解需求的提升,基于现场可编程门阵列(field programmable gate array,FPGA)部署语义分割网络,为用户提供低延迟、高能效的边缘端智能服务成为研究热点。针对语义分割网络结构中计算和存储密集型特点,构建基于FPGA的定制计算结构是研究的重点问题。鉴于此,本文在归纳总结语义分割网络基本原理和计算结构特点的基础上,分别从面向硬件资源约束的模型压缩方法和定制硬件架构设计两个角度阐述基于FPGA的语义分割网络加速计算方法,并重点对硬件架构设计中的计算结构设计和内存访问优化的典型方法进行总结。最后,展望了语义分割网络FPGA加速计算方法的发展趋势,以期为语义分割、边缘计算、定制高能效计算以及其他相关领域的研究者提供设计参考。

四旋翼无人机姿态异常感知数据生成方法

为解决四旋翼无人机飞控系统因缺少异常感知数据而难以评估其运行状态的问题,提出一种基于物理仿真模型生成异常姿态数据的方法。首先,通过定义四旋翼无人机的运动坐标系,结合牛顿-欧拉公式建立无人机运动方程,设计飞控系统控制回路,利用Simulink软件构建飞控系统物理仿真模型,为生成异常感知数据提供实验环境。其次,在利用实际姿态感知数据验证仿真模型可用的基础上,通过异常注入来生成姿态的异常数据。最后,以基于主成分分析的异常检测方法为例,评估生成异常感知数据的应用效果。实验结果表明,所提方法能够有效地生成恒偏差和漂移两种异常姿态感知数据,基于主成分分析方法开展的异常检测结果:误检率处于2%~74%,正确率处于73%~97%。因此,所提的感知数据生方法可为改进检测方法性能提供相应的数据支撑。

遥感图像云检测的多尺度融合分割网络方法

在进行可见光遥感图像高精度云检测时,云自身特征的多变性,以及地物与云之间的特征相似性,会降低检测精度。因此,提出一种带权重的多尺度融合分割网络云检测方法。首先,通过有云区域和无云区域的特征学习,降低对云状的敏感性,同时利用全卷积网络进行端到端训练,实现对每个像素点分类。该方法能够自动提取深层特征,并可将云的深层语义特征与浅层细节特征结合,不但有利于区分下垫面中与云特征相似的地物,还可提高云边缘检测效果,从而提升云量值的检测精度。与其他深度学习分割网络的实验比较分析表明,所提方法可以实现95. 39%的像素分类准确度,云量值检测误差优于1%,为解决遥感图像云污染问题提供了新的思路。

可见光遥感图像船舶目标数据增强方法研究

可见光遥感图像中缺乏船舶目标样本导致正负样本类不平衡,训练得到的轻量级神经网络稀疏MobileNetV2船舶目标检测模型易陷入过拟合,基于生成对抗网络和样本空间中图像操作,提出一种样本空间与特征空间联合的数据增强方法(SADA),以实现船舶目标的补充。根据遥感图像中目标尺寸、灰度分布等特点,构建深度卷积船舶目标生成对抗网络,并在数据集层面融合样本数据变换和特征空间拟合两种方法实现训练集的扩充。利用Google Earth中的0.5 m分辨率图像数据集开展的实验结果表明,基于扩充数据集训练得到的稀疏MobileNetV2网络,船舶目标检测召回率可提升68.5%,验证了所提方法对于提升轻量级深度学习模型在小样本可见光遥感图像船舶目标检测应用中精度的可行性。

基于状态空间模型的飞机APU在翼RUL预测方法

为解决利用飞机辅助动力装置(APU)在翼监测数据难以表征其性能状态而造成的性能评估以及剩余使用寿命预测(RUL)难的问题,本文提出一种基于状态空间模型(SSM)与卡尔曼滤波融合的APU在翼RUL预测方法。首先,通过在翼监测数据构造含噪声的性能指标(PI)来表征APU的性能状态,借助维纳过程与建立的含噪声的PI构建状态方程,来描述APU性能衰退过程。然后,将卡尔曼滤波状态估计和预测方法应用于SSM,通过对APU在翼性能状态的估计,达到预测其RUL的目的。最后,采用国内航空公司运营的APU在翼监测数据进行方法的综合验证和评估。实验结果表明,与ELM和Optimized ELM相比,本文方法的预测绝对百分比误差分别减少了72.1%和67.9%。此外,与其它3类方法的实验结果对比,本文方法的预测绝对百分比误差至少减少了69.2%。该方法可以有效地实现在翼APU的RUL预测,可为运维人员合理规划维护维修提供参考,更为重要的是在一定程度上可以提高旅客的舒适性和飞机的安全性。

基于FPGA并行计算的多阈值分级海陆分割方法

由于微纳卫星在体积、重量以及功耗等方面的限制,星载宽幅遥感图像海陆分割需要现场可编程门阵列(FPGA)提供高能效计算能力。在保证分割精度前提下,利用FPGA有限片上资源实现低复杂度算法的并行计算是关键。因此,本文提出一种基于FPGA并行计算的多阈值分级海陆分割方法。该方法以OTSU法为核心,利用基于多特征联合阈值的子图分类构成分级海陆分割,以抑制海面中干扰点的影响。此外,设计新颖的并行迭代计算结构,在提升OTSU计算效率的同时实现对片上缓存占用的平衡性调整。实验结果表明,本文方法可达到98%以上的整体检测精度。同时,对于一幅8192×2048 pixels的遥感图像,本文方法处理时间仅为0.16 s,较其它基于FPGA的方法的处理时间至少减少了23.81%。