基于卷积神经网络的SAR图像目标检测综述

针对合成孔径雷达(SAR)图像传统检测算法精度低、鲁棒性差等特点,对基于卷积神经网络的SAR图像目标检测算法进行归纳总结.归纳了基于CNN的目标检测框架的发展现状,并综述了其在SAR图像目标检测中的应用,分析了其应用难点与关键技术.最后结合深度学习方法在目标检测领域中的发展,对SAR图像目标检测算法的发展进行了展望.     

一种面向军事物联网的网络流量异常检测模型

针对军事物联网中网络流量数据日趋复杂,数据特征维度高等特点,将卷积神经网络算法应用到网络流量分析领域.根据数据特点,构建出一种基于无池化层改进型卷积神经网络(NPCNN,No Pooling CNN)的网络流量异常检测模型.采用Modbus、NSL-KDD和KDDCup99数据集对NPCNN网络流量异常检测模型进行验证,同时将NPCNN网络结构同传统的卷积神经网络对比,通过对实验结果的分析发现,该模型在军事物联网网络流量异常检测中具有可行性和可扩展性.同时NPCNN网络在准确率性能方面优于传统的卷积神经网络,为军事物联网网络流量分析提供一种可靠方法.     

基于GAN的入侵检测系统对抗样本生成模型

随着人工智能技术的兴起,基于深度学习的网络入侵检测系统已广泛应用,但神经网络模型很容易受到对抗扰动的影响。攻击者通过在网络流量中添加微小的扰动来构建对抗样本,使得入侵检测系统对其错误分类。论文基于GAN进行设计与改进,提出了一种对抗样本生成模型AdvWGAN,该模型针对恶意流量生成满足网络流量特性的对抗性恶意流量,并对黑盒入侵检测系统进行对抗攻击。实验表明：AdvWGAN能够在保证网络流量真实有效的前提下实现对深度学习入侵检测模型的有效黑盒攻击。     

基于域泛化的无监督机器设备异常声检测

在基于声信号的机器设备异常检测中，机器运行时发出的声音可能会因机器运转状态的改变而发生变化，环境噪声也会改变场景中的声学特征，而传统的机器异常声音检测系统会因为声学特征的改变导致正常的声音被错误地标记为异常。针对这一问题，提出了基于域泛化技术的无监督机器异常声音检测方法。首先，将声信号的对数梅尔谱图输入深度学习神经网络模型，结合域混合方法和坐标注意力机制模块，提高系统域泛化能力和异常识别性能；然后，在DCASE开源数据集上进行实验，与两种基线评估系统的A_UC和pA_UC得分进行对比。结果表明，所提出的方法在域泛化条件下的异常检测性能得到明显提升。     

基于神经网络的复杂导弹系统可靠性预测

介绍了如何利用神经网络对复杂导弹系统可靠性进行预测。对利用导弹地面测试数据和可靠性数据预测未来导弹可靠性问题进行了描述。给出了建模思路和方法框架。探讨了基于因子分析的可靠性数据特征选择方法、循环神经网络(RNN)、长短时记忆网络(LSTM)、门循环网络(GRU)以及输出数据融合方法。在实例中利用该方法对其飞行可靠性进行了预测,验证了方法的可行性与有效性。该方法可以充分利用复杂系统地面测试数据、可靠性数据中隐含的信息以及多种神经网络的优点,具有一定的通用性与实用性。     

基于双层长短时记忆网络的齿轮故障诊断方法

为了提高齿轮故障诊断准确率,解决齿轮故障诊断中数据量大、提取特征困难等问题,构建了齿轮故障诊断系统,采用深度学习方法建立了齿轮故障诊断模型,提出一种基于双层长短时记忆(Binary Long Short Term Memory,Bi LSTM)网络的故障诊断方法,并对该方法进行了性能分析和对比实验。结果表明:采用Bi LSTM网络方法进行齿轮故障诊断的准确率达到99.76%,分类效果优于支持向量机、Xg Boost、卷积神经网络和长短时记忆(LSTM)网络等方法,有效地提高了故障诊断精度。     

基于改进SSD框架的遥感影像飞机目标检测方法

针对深度学习在遥感影像飞机检测特征提取阶段未专门顾及特定目标的问题,基于单一目标多尺度检测(SSD)框架,提出飞机目标多尺度检测方法(AFSSD).通过分析使卷积神经网络的特征图得到最大响应的视觉模式,结合飞机目标几何特征,建立飞机目标特征提取网络;使用K-均值方法对飞机尺寸聚类,将聚类中心作为代表性的尺寸,构建飞机目...     

一种新型模糊神经网络及其在故障诊断中的应用

提出了一种基于模块化模糊神经网络的非线性系统故障诊断新方法.该方法先使用模糊c-均值聚类算法(FCM)实现测量空间的模决分割以决定模糊规则的个数,再使用模糊IF-THEN规则对分割后的各区域分别采用局部BP模型去进行逼近,最后再通过离线学习以获得不同区域故障输出与测量输入的非线性动力学特性.应用表明,提出的模糊神经网络结构、原理及实现方法是合理可行的,经过离线学习后的网络可实现对非线性系统的在线实时状态跟踪和诊断,可提高故障检测的正确率和快速性,并具有较好的泛化性能.     

生成对抗网络及其在无人系统中的应用

生成对抗网络（GAN）在无人系统多个层次上的应用提高了其智能化、自主化水平,具有巨大的应用价值和发展潜力。对GAN在无人系统技术中的应用进行了综合评述并且进行了展望。首先介绍了GAN的基本概念、训练方式和传统GAN的模型结构,并且从模型结构的变动、目标损失的变化以及适用的领域等方面详细介绍了深度卷积生成对抗网络（DCGAN）、循环生成对抗网络（CylcleGAN）、生成对抗模仿学习（GAIL）、序列生成对抗网络（SeqGAN）等GAN的8种衍生模型。接着概述了与无人系统OODA回路相关的智能感知、智能判断、智能决策、人机交互等方向上GAN方法的实际应用。最后基于无人系统共性技术的发展趋势,对GAN在无人系统的单体智能、多体或群体智能以及人机混合智能等方向上的应用进行了展望。     

基于深度卷积神经网络的异常行为快速识别

针对异常行为快速识别问题,提出了一种基于深度卷积神经网络的视频检测和定位方法。该方法利用全卷积神经网络和时间数据,将一个预先经过训练和监督的全卷积神经网络转移到一个无监督的全卷积神经网络,确保能够检测全局场景中的异常,提出利用级联检测的方式来降低算法的计算复杂度,从而使其在速度和精度方面获得较高的性能。提出的基于全卷积神经网络的异常行为检测架构解决了两个主要任务,即特征表示和级联离群值检测。实验结果表明,所提方法在检测和定位精度上优于现有算法,且运行速度更快,从而表明所提算法的有效性和可行性。     

基于Elman网络的火控系统传感器故障诊断方法研究

Elman动态递归神经网络具有很强的记忆能力,特别适用于火控系统传感器的故障诊断.提出了一种收敛速度快、精度高、可靠性好的PRP(Polak-Ribiere-Polyak)网络训练方法,增强网络在线学习能力.将该方法运用于Elman动态递归神经网络,并运用该网络对火控系统传感器量测信号进行预测和故障诊断.仿真实验和实际应用表明,提出的Elman动态递归神经网络火控系统传感器系统故障诊断方法有效性好,故障诊断率高.     

联合生成对抗网络和检测网络的SAR图像目标检测

针对合成孔径雷达图像目标检测中存在的样本获取困难且数量有限问题,提出了联合生成对抗网络和检测网络的学习模型。利用原始训练集对特别设计的超快区域卷积神经网络进行预训练;再通过基于注意力机制的深度学习生成对抗网络生成高质量合成样本,并输入检测网络进行预测;依据预测信息和概率等价类属标签分配策略为新生样本提供注释信息,并以一定占比对原始训练集进行扩充;利用扩充数据集对检测网络进行再训练。多组仿真实验证明,所提框架能够有效提升网络检测效率和性能。     

基于深度卷积神经网络的多飞行器构型保持研究

基于深度卷积神经网络设计了"智能-校正"算法以快速生成制导指令;深度学习模型是由卷积层、全连接层、批量归一化层和残差网络(ResNet)组合成的一个19层深度神经网络,飞行器状态变量转化为类似于图像像素矩阵的二维矩阵,通过sgd优化和权重衰减正则项将神经网络的训练误差降低至约0.025°;之后针对飞行器运动存在制导指令...     

多模态图像智能目标识别对抗攻击

基于深度学习模型的新一代智能化多模态(可见光/红外/雷达)图像识别系统已逐步在航空航天情报侦察、人机交互增强作战系统、无人作战平台自动图像目标识别以及多模复合图像末制导等多个军事场景中得到广泛应用.然而,由于深度神经网络模型在理论上存在不完备性和对抗脆弱性、多模态图像目标识别深度网络结构设计与优化在工程上存在迁移性等因...     

基于模糊神经网络的陀螺温控系统故障诊断

针对故障诊断知识具有模糊性的特点,在基本前向神经网络的基础上,提出了一种适用于挠性陀螺温控系统的串形结构多层前向模糊神经网络(FNN)的故障诊断方法,并给出了网络的结构和学习方法。仿真结果表明,将模糊理论和神经网络方法结合在一起,可以准确地对陀螺温控系统进行故障诊断,证明了该方法行之有效。     

基于深度神经网络的OFDM系统IQ不平衡补偿技术

正交频分复用(OFDM)是现代移动通信中一项重要的物理层通信技术,并且OFDM系统要求子载波间严格正交。然而在实际系统中,振荡器和滤波器等器件的非理想特性会导致同相正交(In-phase and Quadrature-phase,IQ)不平衡,从而破坏子载波的正交性,严重影响OFDM系统的性能。本文研究了IQ不平衡对OFDM系统的影响,提出了基于并联深度神经网络的IQ不平衡补偿技术。该算法利用了深度神经网络不依赖于模型的特点,直接从接收到的频域信号恢复原输入信号的二进制序列,并利用IQ不平衡的干扰信号来自镜像子载波的先验知识来初始化神经网络,加快其网络优化的收敛速度。仿真结果表明,该算法能有效地补偿IQ不平衡失真,并且在幅度和相位失真的补偿上,其性能都优于传统的导频的最小二乘（LS）估计补偿IQ不平衡的算法,证明了深度学习方法解决物理层问题的优越性。     

基于CNN的三相逆变器开路故障诊断及其样本条件分析

为了合理选择样本条件以实现高效的智能化诊断,以及克服智能化方法中传统反向传播(back propagation, BP)网络权值较多、局部信息提取能力不足的问题,对基于卷积神经网络(convolutional neural network, CNN)的开路故障诊断方法进行研究,并以典型的三相两电平逆变器为具体对象,着重分析样本时长、样本数量变化时,CNN方法相较于BP网络方法在网络权值数量、训练稳定性、诊断准确率上的量化优势。结果表明,基于CNN的方法可在权值数量远少于BP网络方法的情况下构建深度更深的诊断模型,并在更短样本时长、更少训练样本数量下实现高效、准确的开路故障诊断。     

某扫雷犁电液伺服系统的模糊神经网络控制

针对某扫雷犁电液伺服系统这一典型的非线性系统,使用基于减法聚类的模糊神经网络(FNN)自学习算法设计了控制器,其中减法聚类用于确定模糊神经网络的初始结构。在网络的学习过程中,对结论参数采用最小二乘法进行辨识,对前提参数采用误差反传算法进行调整;并使用AMESim软件搭建了扫雷犁的液压系统模型,利用其接口技术实现了与Simulink的联合仿真。实验结果表明模糊神经网络控制器的控制效果要优于传统的PID控制器。     

OFDM系统中深度神经网络指导的IQ不平衡补偿算法

正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)是现代移动通信中一项重要的物理层通信技术,并且OFDM系统要求子载波间严格正交。然而,在实际系统中,振荡器和滤波器等器件的非理想特性会导致同相正交(In-phase and Quadrature-phase,IQ)不平衡,从而破坏子载波的正交性,严重影响OFDM系统的性能。通过研究IQ不平衡对OFDM系统的影响,提出了一种并联深度神经网络架构下的IQ不平衡补偿算法。该算法利用了深度神经网络不依赖于模型的特点,直接从接收到的频域信号恢复原输入信号的二进制序列,并利用干扰信号来自镜像子载波的先验知识来初始化模型驱动的神经网络,加快其网络优化的收敛速度。仿真结果表明,该算法能有效地补偿IQ不平衡失真,并且在幅度和相位失真的补偿上,其性能都优于传统的基于导频的最小二乘补偿算法,证明了深度学习方法解决物理层问题的优越性。     

镜头表面附着雨滴的检测和去除方法综述

视觉系统是自主无人系统的重要组成部分,附着在相机镜头表面的雨滴会在图像中产生伪影,造成图像质量退化,进而显著影响视觉系统的性能。为此全面深入地调研了近年来附着雨滴的检测和去除方法,凝练了附着雨滴检测和去除问题的本质,并总结了现有方法中使用的雨滴成像模型;从基于模型、基于数据驱动和基于摄像系统三个方向分类梳理了不同的技术方法;从网络架构和损失函数两个方面详细概述了深度网络模型的发展;汇总了现有文献中公开的附着雨滴数据集,并通过实验结果对部分算法的性能进行比较;讨论了检测和去除附着雨滴任务中存在的主要问题,并对该领域未来可能的发展方向进行了展望。