基于神经网络Q-learning算法的智能车路径规划

针对智能小车行走过程中的全局路径规划和路障规避问题,提出了一种基于神经网络Q-learning强化学习算法,采用RBF(Radial Basis Function)网络对Q学习算法的动作值函数进行逼近,基于MATLAB环境开发了智能小车全局路径规划和路障规避仿真系统。与传统的以及基于势场的Q学习算法相比,所采用的算法能更加有效地完成智能小车在行驶环境中的路径规划和路障规避。仿真结果表明:算法具有更好的收敛速度,可增强智能小车的自导航能力。     

图像超分辨率卷积神经网络加速算法

为了实现模型的实时和嵌入式运行,提出了一种轻量级的卷积神经网络结构。通过采用较小的滤波器尺寸和引入深度可分离卷积,可大量减少模型参数,提高模型非线性表达能力;在网络末端引入子像素卷积层,直接从原始低分辨率图像学习到高分辨率图像的映射,计算成本为原来的1/k²(k为放大因子)。在Set5数据集上的实验表明,所提模型的速度较经典的图像超分辨率重建算法速度提高了25.8倍,能够在通用GPU上实时运行,峰值信噪比平均提高了0.17 dB,并且参数只有它的35%。     

基于卷积神经网络的空中目标粗分类研究

空中目标的准确分类与识别是防空作战的关键环节。将卷积神经网络应用到空中目标粗分类任务。实验基于Alex Net卷积神经网络模型,并利用建立的小规模数据集进行微调训练,从而提取目标特征并进行分类识别。再和利用HOG特征的分类方法进行对比实验,发现前者具有较大准确率的提升。得出利用卷积神经网络提取的特征具有更强大的表示目标的能力,为进一步实现跟踪空中目标打下实践基础。     

基于BI-GRU-CRF模型的中文分词法

循环神经网络作为一种处理时序数据的有效模型,已在序列标注问题上得到了广泛应用。为解决序列标注中典型的中文分词任务,基于门限循环单元(Gated Recurrent Unit,GRU)神经网络,提出了一种改进的双向门限循环单元条件随机场(BI-GRU-CRF)模型,该模型不仅可以通过双向门限循环单元有效利用双向上下文信息,而且可以通过条件随机场层联合考虑相邻标签间的相关性,得到全局最优的标记序列结果。在常用的中文分词测评集(PKU、MSRA)以及由构建的军事领域分词语料上,分别采用四词位及六词位标注法进行了实验,结果表明BI-GRU-CRF模型具有良好的分词性能,且六词位标注法可以改进分词效果。     

基于AFSA-WNN的Sallen-Key滤波器电路软故障诊断

为提高对Sallen-Key滤波器的软故障诊断能力,提出一种基于多分辨率变换与小波神经网络(WNN)的软故障诊断方法。该方法先引入多分辨率变换提取Sallen-Key滤波器电路的软故障特征,在此基础上,采用人工鱼群算法优化的WNN构建电路软故障诊断模型。仿真结果表明,与单纯的WNN相比,所提出方法对电路软故障的诊断性能更好,总正确率达到94.1%。从而证明该方法用于Sallen-Key滤波器软故障诊断是可行的,也是有效的。     

基于多通道卷积神经网络的磁性舰船目标运动参数估计

传统磁性目标运动估计效果依赖于目标的初始状态信息,为克服这一缺陷,建立磁性运动目标三分量投影模型,并据此生成磁性舰船运动目标在运动速度、航向、信噪比等参数变化情况下的10类目标的训练数据集、验证数据集以及测试数据集。设计多通道卷积神经网络,对目标的正横距离和运动速度进行估计,并比较和分析了不同的学习方式和激活函数对网络性能的影响。结果表明:Adam+tanh组合方式的估计性能要优于其他组合方式,而且对磁性目标运动参数的估计效果比较精确,此方法相较于卡尔曼滤波、粒子滤波等估计算法的优越性在于运算复杂度低以及参数估计不需要目标初始状态信息。     

一种新的确定型有限自动机状态表示及压缩

针对传统DFA存在时间复杂度和空间复杂度高的问题,提出了一种新的DFA状态表示和字符-状态压缩方案。通过对传统DFA状态转换的观察发现,对于一个给定的输入来说,可以仅存储相邻状态之间的差异,从而得到一种新的DFA状态表示N-DFA;对每个大小不固定的状态设置一个状态指针来有效地减少每个指针所需要的比特数,从而得到一种基于输入字符的字符-状态压缩算法C-S;把N-DFA和C-S有效地集成在一起,进一步减少内存。实验结果表明,提出的N-DFA和C-S集成方案相比于传统的DFA和其他改进DFA方案,可以获得更好的内存压缩和加速性能。     

基于CNN-PCA-DT算法的合成孔径雷达目标识别

合成孔径雷达(Synthetic Aperture Radar,SAR)目标识别是SAR图像解译的重要环节,已广泛应用于国防和国民经济领域。在传统的卷积神经网络(Convolutional Neural Network,CNN)的基础上,提出了将CNN,主成分分析(Principle Component Analysis,PCA)和决策树(Decision Tree,DT)相结合的算法,记为CNN-PCA-DT:利用CNN提取出SAR图像的特征向量,再用PCA降维,最后用DT分类器取代CNN中的Softmax分类器实现SAR目标识别。实验结果表明,所提出的算法在MSTAR实测数据集上取得了较高的识别准确率,从而说明了实验的有效性。     

一种改进型PSO-BP算法在红外目标中的应用

为了降低伪目标引起的误检,提高系统在复杂环境中的目标识别能力,设计了一种改进型粒子群优化BP神经网络算法。改进型PSO-BP算法利用红外目标光谱特性设置粒子变异规则,从而调整粒子位置与速度,提高目标特征提取性能。同时,算法将权值变为权值可调函数,降低局部极值收敛的风险。实验采用Model-102F型成像光谱仪采集的目标区域图像作为样本与检测数据,与传统BP算法作对比,分别选取对不同特征波长位置及个数的形式对目标和伪目标进行识别分析。结果显示,改进型PSO-BP算法可以有效消除伪目标干扰,同时,其收敛速度明显优于传统算法。由此可见,该设计在复杂背景红外目标识别方面具有一定的应用价值。