基于改进LSTM网络的无人机MEMS-IMU零偏在线标定方法

针对在卫星信号拒止、视觉系统退化场景中无人机MEMS-IMU零偏无法准确估计并补偿导致导航误差迅速发散的问题,提出一种基于改进长短时记忆（LSTM）网络的零偏在线标定方法。首先,为解决MEMS-IMU零偏数据非线性强、传统循环时间网络训练效果差的问题,设计序列到序列的LSTM神经网络结构,引入教师强迫机制,提高了网络特征学习能力。然后,在导航过程中使用训练后的网络对MEMS-IMU零偏在线标定,补偿后的IMU量测与视觉信息联合优化,保证了导航定位精度。实验结果表明,在纯惯性导航实验中,所提方法的绝对位置误差比传统LSTM方法减小了6.5%;在EUROC数据集下进行的视觉惯性组合导航实验中,所提方法的平均绝对位置误差比传统LSTM方法减小了15%。     

交叉路段背景下改进的D-S证据理论地图匹配算法

针对传统D-S证据理论地图匹配算法中将交叉路段当成普通路段处理所造成的误匹配、不匹配、匹配精度低等问题,提出一种交叉路段背景下改进的D-S证据理论地图匹配算法。利用距离阈值剔除异常定位点,并用插值法补全被剔除异常定位点所产生的空缺,生成网格索引及简化误差椭圆公式确定候选路段以减少匹配时间。针对道路特点结合方向证据确定可信度函数,最后融合方向概率分配函数、距离概率分配函数和可信度函数来改进候选路段概率公式,确定匹配路段,提高匹配精度。实验表明,改进后算法的匹配准确率约97%,与现有地图匹配算法相比较,精度可提高4%左右,单点匹配时间可减少1 ms左右,算法性能得到提升。     

基于PSO-HJ算法的多无人机协同航迹规划方法

针对多无人机协同航迹求解计算量大、难以收敛等问题,提出了一种基于粒子群优化和Hook-Jeeves (PSO-HJ)搜索算法相融合的多无人机时间协同三维航迹规划方法。首先,建立了单无人机航迹规划求解模型。然后,通过对适应度评价函数值低的粒子引入Hooke-Jeeves搜索算法,提高了粒子多样性,改善了航迹规划算法收敛性;对不满足约束的粒子引入约束违反度函数,基于比较准则提出了一种新的粒子评价机制,促进粒子搜索位于约束边界的最优解,加快了航迹规划算法的计算效率。最后,设计了一种多无人机时间协同航迹规划求解算法,利用PSO-HJ算法先分别求解单无人机航迹信息,通过多无人机集中航迹规划层协调到达时间实现协同航迹规划。仿真结果表明,PSO-HJ算法的精度比量子粒子群(QPSO)算法精度提高了20.85%,比PSO算法精度提高了58.14%,更适用解决实际复杂的多机协同规划问题。     

基于支持向量机的围岩定性智能分级研究

本文将数据挖掘的新方法支持向量机应用于隧道围岩分级。支持向量机是一种基于统计学习理论的新的学习算法,比神经网络算法能更好地解决小样本问题。选用岩层厚度、岩体结构、嵌合程度、风化程度、地下水特征、节理发育程度、榔头敲击声和地应力等8个定性指标作为评判因子,用泥巴山隧道采集的实际数据作为样本对不同核函数的支持向量机进行训练,并得到评判因子与围岩级别的映射关系,从而可以对未知的围岩样本进行级别判别。判别结果表明: 采用多项式核的支持向量机对围岩级别进行判别有较高的准确率,是一种值得推广和应用的围岩智能分级方法。     

基于形体中轴的自适应有限元模糊控制算法

空间任意形体均可由形体中轴和中轴半径重构。本文在任意区域的形体中轴生成的基础上，应用中轴半径函数及其变化，建立了有限元网格生成的h型自适应模糊控制。应用结果表明，本算法可大大提高了自适应有限元计算效率和应用范围。     

改进Yolov4的车辆弱目标检测算法

针对交通场景中存在的小目标和遮挡目标等弱目标漏检、错检、检测速度慢等问题，提出一种改进Yolov4的车辆弱目标检测算法。首先设计像素重组残差模块（PS-R），通过超分辨率的方式将多个目标的中心点分散到不同网格中，保留更多的遮挡目标；其次设计特征增强注意力模块（FEAB），充分利用高层特征的语义信息和浅层特征的细粒度信息，提升弱目标检测性能；然后根据道路车辆的目标特点，k-means++结合遗传算法对车辆数据集的真实标注框进行聚类，生成更符合车辆目标的先验框；最后使用深度可分离卷积替换网络特征融合模块（PANet）中的常规卷积，提升检测速度。在车辆数据集KITTI和UA-DETRAC上进行实验验证，改进后的Yolov4算法比原始Yolov4算法精度分别提高了1.9%和2.4%，检测速度达到了61.4 fps。     

量测野值与波束故障条件下SINS/DVL紧组合导航方法

针对传统捷联惯性导航系统（SINS）/声学多普勒测速仪（DVL）组合导航系统导航精度容易受量测信息质量影响的问题,提出了一种基于波束重构的SINS/DVL紧组合导航系统故障处理方案。以现有的紧组合模型为基础,根据四波束DVL结构特点,提出了新的故障波束速度信息重构方案。针对速度测量异常、量测模型误差及波束信息重构误差等综合引起的量测噪声特性变化问题,根据核函数思想,设计了一种改进Huber鲁棒滤波器。试验结果表明,在1 h波束故障情况下,采用所提出故障处理方案最大定位精度相对于纯惯性定位提高了80%以上。     

A NEW INTERFACE CAPTURING METHOD BASED ON DOUBLE INTERFACE FUNCTIONS

基于代数重构思想,发展了一种新的双界面函数重构方法,并采用双正弦函数构造了双正弦界面重构方法（double sine interface capturing,DSINC）.为验证不同界面函数对界面捕捉效果的影响,用数值方法求解了可压缩五方程模型,其中对流项的离散采用五阶WENO（weighted essentially non-oscillatory method）格式,时间积分采用三阶Runge——Kutta方法,通量计算分别考虑了HLL和HLLC方法,而状态方程采用Mie-Grüneisen状态方程.在数值计算中,在界面附近,采用DSINC来获得体积分数的重构,而在远离界面的区域采用WENO格式来获得高阶插值状态.相比采用单界面函数的方法,如双曲正切界面重构方法（tangent of hyperbola for interfacecapturing,THINC）,DSINC方法同样具有界面重构算法简单,在程序中添加方便等特点,两者区别在于,DSINC方法在重构过程中未知函数更易于求解,而无需求解复杂的非线性超越方程,这就使其具有易于向多维扩展的能力.一些典型的两相流动问题,如圆形水柱对流问题,两相三波点问题和激波——界面不稳定性问题等被用作不同界面函数对界面捕捉效果的影响对比.对比分析发现,DSINC与THINC在界面捕捉效果上大致保持一致,并在计算中表现出了较好的稳定性.双界面函数重构思想可以为多相流动界面的代数重构提供了一种新的思路.     

基于多层级LSTM的铝板缺陷检测

铝板因其优良的抗疲劳性和延展性广泛应用于航空航天和建筑等领域.然而在生产过程中,由于外部环境、操作工艺等的限制往往会产生各种各样的缺陷,从而影响其力学性能,例如会降低铝材料的强度、延展性和韧性等,导致其使用寿命的缩短.在单次发射和接收超声波的情况下,论文提出了多层级长短期记忆(long short-term memory, LSTM)神经网络的方法,用于辅助检测铝板的夹杂(气泡)缺陷.利用有限元软件COMSOL Multiphysics模拟含有夹杂缺陷的铝板中超声波的传播过程,导出含有缺陷信息的波形数据,通过训练波形数据,得到可以反映波形数据与夹杂缺陷大小和位置关系的网络模型.此外,该模型采用硬投票的方法以缓解网络训练过程中繁杂的参数调整问题,提高了检测结果的可靠性.结果表明:夹杂缺陷半径检测的准确率超过了98%,夹杂缺陷深度检测的准确率达到1,夹杂缺陷横坐标位置检测的准确率超过95%.为LSTM神经网络应用于超声无损检测提供了借鉴.     

基于拓扑优化和深度学习的新型结构生成方法

计算机辅助设计已广泛应用于结构计算和分析,但如何利用计算机智能生成最佳的新型结构还面临巨大挑战。针对这一问题,提出了一种基于拓扑优化和深度学习的新型结构智能生成方法。该方法首先通过结构拓扑优化分析获得不同参数下的优化结果制作训练集图片,并将训练集标签定义为相应的工况类型,然后应用最小二乘生成对抗网络(LSGAN)深度学习算法进行训练并生成大量的新型结构,最后建立评价指标和评估体系对生成的模型进行评价比较,根据需求选择最佳结构设计方案。结合一个铸钢支座节点底板设计的工程案例,详细阐述了上述方法的应用过程,并借助三维重构技术和增材制造技术实现结构模型的一体化制造。研究结果表明,基于拓扑优化和深度学习的新型结构智能生成方法不仅可以自动生成新的结构,而且可以进一步优化结构的材料用量和力学性能。     

基于深度卷积神经网络的SAR图像舰船小目标检测

针对合成孔径雷达(SAR)图像舰船目标背景复杂的特点,提出一种基于改进YOLOv3的SAR图像舰船小目标检测算法。首先,通过分析残差网络的设计原理,针对不同场景下舰船目标的特点,重新设计底层残差单元;其次,改进特征金字塔的网络结构,解决感受野与定位之间的矛盾问题,提高了小尺度舰船的检测效果;最后,通过引入平衡因子,优化损失函数中的小目标权重。实验结果显示,相比原始YOLOv3方法,所提方法在舰船目标公开数据集上F1值提高6.3%,同时,较快的检测速度使得所提算法可用于实时目标检测。     

基于监督字典学习的核稀疏表示的目标识别算法（英文）

针对图像数据高度非线性可分情况下的目标分类问题,在稀疏表示分类框架的基础上,提出了一种基于监督字典学习的核稀疏表示的目标识别算法。采用融合了多特征信息的协方差描述子作为图像的描述符;通过引入核技巧,使非线性的图像数据在高维空间变得线性可分;并把分类误差与重构误差同时引入目标函数,在监督字典学习框架下,使学习得到的字典判别性更强。利用加州大学默塞德分校提供的UCMerced遥感数据集以及自测的红外车辆数据集做了实验验证,在这两个数据集上算法的平均识别率分别达到了89.46%和93.98%,实现了对非线性可分目标的高精度分类。     

INS/GNSS/VO组合导航系统复合型异常检测与容错算法

INS/GNSS/VO导航系统的异常输出常由外部扰动引起,表现为幅值较小的突变信号或者增长速率较慢的斜坡信号。为了增强异常检测算法的检测能力,提高组合导航系统在外部干扰情况下的导航精度,提出一种INS/GNSS/VO组合导航系统复合型异常检测与容错算法。在非全局融合阶段使用状态卡方检测法对量测信息进行异常检测与隔离;在全局融合阶段,构建检测统计量的归一化阈值比,作为量测噪声方差阵的权重系数,对子滤波器进行加权量测更新。街道场景中的离线测试结果表明,所提算法的导航误差均值与标准差相对于其他的异常检测与容错算法分别减小了9.6%与2.7%,提高了组合导航系统的异常检测能力和容错性能。     

基于通用生成函数的惯导部件可靠性建模

惯性导航系统是飞机、导弹等复杂装备的重要部件。准确评估其可靠性是装备使用、保障和遂行作战任务的基础。在分析基于通用生成函数方法构建多状态可靠性模型研究的基础上,设计了一种基于通用生成函数方法的性能相依多状态系统可靠性建模的仿真算法,以某型飞机的惯性导航计算部件为研究对象对模型的正确性进行了验证,并且和基于贝叶斯网络可靠性建模方法进行了比较,结果表明:①设计方法可行与贝叶斯方法可靠性结果一致且计算速度快,其中贝叶斯算法过程约需3.72e-02 s,而基于UGF的算法需要1.8810e-03 s左右;②所建模型可以获得多状态系统性能状态的分布特性。     

基于DFI一体化网络的水下抗干扰目标跟踪方法

由于水下环境的特殊性，水下机器人容易受水流、可见光反射、遮挡等复杂水下环境影响，从而干扰目标检测器的性能，进而使跟踪算法效果下降，影响跟踪效果。针对这一问题，提出了一种基于目标检测特征提取一体化网络（DFI Network）的水下抗干扰目标跟踪方法。在传统YOLOv3检测网络基础上，设计了特征提取网络，通过卷积和最大池化运算，输出目标特征信息，并将状态向量维度扩充为10维，同时针对扩维状态向量，构造了扩维滤波器，进而通过后续匹配、跟踪控制等步骤，实现了水下机器人在干扰环境下的目标跟踪。使用标注的水下目标跟踪数据集对所提算法进行测试，并与YOLOv3算法进行对比验证。测试结果表明，与原版YOLOv3算法对比，所提出的算法以2FPS的较小帧率损失，将跟踪精度提高了30%以上。     

哈密顿系统正则变换在时变最优控制中的应用

利用哈密顿系统正则变换和生成函数理论求解线性时变最优控制问题,构造了新的最优控制律形式并提出了控制增益计算的保结构算法. 利用生成函数求解最优控制导出的哈密顿系统两端边值问题,并构造线性时变系统的最优控制律,由第2类生成函数所构造的最优控制律避免了末端时刻出现无穷大反馈增益. 控制系统设计中需求解生成函数满足的时变矩阵微分方程组. 根据生成函数与哈密顿系统状态转移矩阵之间的关系,从正则变换的辛矩阵描述出发,导出了求解这组微分方程组的保结构递推算法.为了保持递推计算中的辛矩阵结构,哈密顿系统状态转移矩阵的计算中利用了Magnus级数.      

基于并行反向注意网络的跑道线检测

针对无人机远距离跑道线检测时有效信息少且定位困难的问题，提出了一种基于并行反向注意网络的跑道线检测方法。并行反向注意网络采用Res2Net作为主干网络，首先采用并行融合编码器将低级特征与高级特征融合从而获取跑道线的初始轮廓图。在此基础上，融合通道特征金字塔和轴向反向注意力机制来增强图像中的全局和局部特征信息的表达能力。基于无人机着陆图像数据集的仿真试验结果表明所提出的算法有效地检测出跑道线，图像语义分割平均交并比达到86.3%，单帧处理时间25 ms，对于远距离小目标检测有明显的优势。     

基于改进遗传算法的多无人机协同侦察航迹规划

针对多无人机在复杂的战场环境中如何高效侦察多种类型目标的问题,提出了一种基于改进遗传算法的多无人机协同侦察航迹规划算法。首先,根据战场环境中不同类型目标的侦察要求,建立了以整体时间代价最小为目标函数的航迹规划模型。然后,改进了遗传算法的编码、交叉和变异等操作,来实现异质型目标分配与航迹规划的集中一体化求解。最后,为了提高算法的收敛速度,在交叉和变异操作过程中,加入了适应度更新策略。仿真结果验证了该算法的可行性,而且在4架无人机观测3种类型共10个目标的仿真条件下,相较于使用双染色体编码和多重变异算子的基于对立的遗传算法,时间代价降低了5.79%,收敛速度提高近12倍,有效提高了航迹规划的精度及效率。     

基于灰色模型和改进粒子滤波的无人机视觉/INS导航算法

为了提高无人机视觉/INS组合导航系统的位姿估计精度,提出了一种基于灰色模型和改进粒子滤波的无人机视觉/INS导航算法。首先,针对视觉传感器数据易受外界因素干扰的问题,利用灰色预测理论建立基于视觉的位姿解算数据灰色模型,减小视觉解算数据误差对导航精度的不利影响;然后,引入萤火虫算法改进粒子滤波的重采样过程,并采用改进后的粒子滤波算法实现并提升视觉/INS组合导航系统的位姿解算精度。最后,自主搭建了四旋翼无人机实验平台。实验结果表明,采用扩展KF滤波的无人机组合导航算法将位姿估计的误差控制在3.2 cm内,所设计算法可以将误差控制在2.3 cm内,无人机位姿估计精度水平提高了39%。     

通信受限条件下多无人机协同环境覆盖路径规划

多无人机协同覆盖旨在有效分配多个无人机任务,实现给定区域的快速、高效全覆盖。然而,在现实应用场景中常常因为无人机之间距离超出通信范围,信号传输受阻,导致无人机之间的协作和信息交互面临极大挑战。为此,提出一种基于Deep Q Networks(DQN)的多无人机路径规划方法。采用通信中断率和最大通信中断时间两个指标来评价路径质量,通过构建与指标相关的奖励函数,实现了无人机团队的自主路径决策。仿真实验表明,所提方法在最短路径上可以与传统优化算法效果保持一致,权衡路径下在增加20%路径长度的情况下可以降低80%通信中断率,在全通信路径下则可以实现100%的全过程连接通信,因此可以根据不同的通信环境生成高效覆盖所有环境节点的路径。