空间机器人捕获航天器后基于无源性理论的鲁棒镇定控制

研究了漂浮基空间机器人捕获非合作航天器过程对系统产生的冲击效应及其后联合体系统镇定运动的控制问题。为此,利用拉格朗日方法及牛顿-欧拉法分别获得了捕获前空间机器人及目标航天器的动力学模型;结合动量守恒定律、系统运动几何关系及力的传递规律,分析了捕获过程相互碰撞所产生的冲击效应,建立了捕获完成后两者联合体的系统动力学模型。在此基础上,针对同时存在不确定参数及外部扰动的联合体系统,设计了基于无源性理论的镇定运动神经网络H_∞鲁棒控制算法。本文提出的基于无源性理论设计的鲁棒控制算法具有良好的动态特性及较强的鲁棒性,可快速完成系统的镇定控制,实现轨迹的精确跟踪。系统数值模拟仿真验证了本文控制方案的正确性。     

基于荧光光谱技术的菜籽油氧化状态智能评价

菜籽油在加工及贮藏过程中，易受氧气、温度、光照等因素的影响，产生氧化酸败现象。为准确判断油脂氧化程度，实现不同氧化模式下菜籽油品质的快速判别，采用三维同步荧光光谱技术结合平行因子分析法及BP神经网络法建立菜籽油氧化状态的智能评价模型。以冷榨菜籽油为原料，将样品分别置于常温、Schaal烘箱、高温模式中氧化处理，期间采集菜籽油的三维同步荧光光谱数据及理化指标，当理化指标超出国标限定范围时，停止采集数据。结果表明，菜籽油中荧光物质在不同氧化模式中的演变规律呈显著差异，氧化温度对菜籽油荧光光谱有明显影响。常温氧化350 d与第1 d相比，菜籽油的特征荧光峰位置无变化，仅在激发波长Ex为620和660 nm附近荧光峰强度发生微弱变化；Schaal烘箱氧化26 d后，在激发波长Ex为620和660 nm附近荧光峰强度显著减弱，且在激发波长Ex为350～450 nm之间有新的荧光峰生成；高温氧化48 h后，Ex为620和660 nm处荧光峰消失，在Ex为400～550 nm处产生显著荧光峰，相对Schaal烘箱氧化，荧光波长发生一定程度红移，这是由于高温氧化过程中油脂氧化生成的物质稳定性较差引起的。利用平行因子分析法对三维同步荧光光谱数据进行分解获取有效的二维荧光光谱数据，当组分数为6，Δλ=60 nm时激发波长的载荷值最大，不同样品间差异最显著。选定Δλ=60 nm波段的二维荧光光谱数据用于智能评价，作为BP神经网络模型的输入值，以极性组分作为模型输出值，分别对菜籽油三种氧化模式数据建模训练。实验结果表明，三种氧化模式对应的训练集、验证集、测试集模型相关系数r均能达到0.9以上，其中常温氧化模式中验证集及测试集模型的相关系数r为1，输出值与目标值较接近，模型的预测效果较好；综合三种氧化模式数据建模，对应训练集、验证集、测试集模型的相关系数分别为0.999，0.913和0.988，均方误差均较小，说明该模型能准确判断菜籽油的不同氧化状态。因此，三维同步荧光光谱技术结合平行因子分析法、BP神经网络法建立快速检测模型能实现菜籽油不同氧化状态的判别，为菜籽油的氧化程度的评价提供新方法，同时为其他食用油的品质评价提供参考。     

基于级联卷积神经网络的前列腺磁共振图像分类

针对深度学习训练成本高，以及基于磁共振图像的前列腺癌临床诊断需要大量医学常识且极为耗时的问题，本文提出了一种基于级联卷积神经网络（Convolutional Neural Network，CNN）和磁共振图像的前列腺癌（Prostate Cancer，PCa）自动分类诊断方法，该网络以Faster-RCNN作为前网络，对前列腺区域进行提取分割，用于排除前列腺附近组织器官的干扰；以基于ResNet改进的网络结构CNN40_bottleneck作为后网络，用于对前列腺区域病变进行分类.后网络由瓶颈结构串联组成，其中使用批量标准化（Batch Normalization，BN）、全局平均池化（Global Average Pooling，GAP）进行优化.实验结果证明，本文方法对前列腺癌诊断结果较好，而且缩减了训练时间和参数量，有效降低了训练成本.     

基于卷积神经网络的焊缝缺陷图像分类研究

为有效地对焊缝缺陷进行分类，从而判断焊接质量的等级，对传统卷积神经网络进行改进，提出一种多尺度压缩激励网络模型（SINet）。将4组两两串联的3×3卷积模块与Inception模块、压缩激励模块（SE block）相结合。通过多尺度压缩激励模块（SI module）将卷积层中的特征进行多尺度融合和特征重标定以提高分类准确率，并用全局平均池化层代替全连接层减少模型参数。此外考虑到焊接缺陷数量不平衡对准确率的影响，采用深度卷积对抗生成网络（DCGAN）进行数据集的平衡处理，并在该数据集上验证模型的有效性。与传统卷积神经网络相比，该模型具有良好的性能，在测试集上准确率达到96.77%，同时模型的参数个数也明显减少。结果表明该方法对焊缝缺陷图像能进行有效地分类。     

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据，随着高分辨率遥感图像数据的日益增多，迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分，在特征选择上存在一定的局限性。为此，提出一种基于多尺度学习与深度卷积神经网络（deep convolutional neural network，DCNN）的多尺度神经网络（multi-scale neural network，MSNet）模型，基于残差网络构建了100层编码网络，通过并行输入实现输入图像的多尺度学习，利用膨胀卷积实现特征图像的多尺度学习，设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验，总体分类精度达91.97%，并将其与传统全卷积网络（fully convolutional networks，FCN）方法和基于支持向量机（support vector machine，SVM）的面向对象方法进行了对比，结果表明，本文所提方法分类精度更高，分类结果整体性更强。     

Prediction of Concrete Meso-Model Stress-Strain Curves Based on GoogLeNet北大核心CSCD

非均质复合材料的宏观力学性能往往取决于细观组分的分布方式和力学性能，但是建立明确的关系表达式极其困难。为了应对这一挑战，以混凝土为研究对象，提出了一种基于深度学习的策略，能够高效、准确地通过细观模型图像信息获取应力-应变曲线。首先，使用基于卷积神经网络（convolutional neural network，CNN）的GoogLeNet模型进行图像信息识别和提取，并针对应力-应变曲线的复杂性特点，进行了数据预处理操作，并且设计了相应的多任务损失函数。数据集中的细观模型图像采用基于Monte-Carlo的随机骨料模型生成，并且使用数值模拟试验获取对应细观模型的单轴压缩应力-应变曲线。最后，通过对神经网络的训练和测试评估了所提出方法的可行性。结果表明，GoogLeNet模型训练效率和预测精度均优于AlexNet和ResNet模型，具有良好的泛化能力和鲁棒性。     

基于果蝇算法优化广义回归神经网络的矢量水听器的DOA估计

为了提高矢量水听器阵列对窄带信号的DOA估计精度,运用果蝇算法优化广义回归神经网络,通过对阵列协方差矩阵实值化,并提取信号子空间的基作为样本特征进行网络训练,构建了果蝇算法优化下的广义回归神经网络,实现了基于矢量水听器阵列的水下声源的DOA估计.仿真实验结果表明,方法泛化性能较好,能解决输入维数过大的问题,且运行时间短,DOA估计精度高,具有较强的工程应用价值.     

基于网络媒体信息的传染病传播模型及其仿真研究

当一种突发传染病开始流行时,政府、媒体会以各种形式告知民众,有防范意识的民众将采取一定的防范措施来降低感染率.考虑面对一种突发传染病,将易感群体划分为具有防范意识和不具有防范意识两种群体,利用生命周期理论,分析网络媒体信息报道对传染病传播的影响,以此为依据建立一种改进的传染病传播模型(MSI).利用网络大数据得到对传染病有防范意识群体的观测值信息,利用神经网络技术对模型MSI的参数进行反演.然后对模型MSI数值仿真得到传染病传播过程,提出了相应的控制措施.