基于温度和发射率场的涂层损伤检测方法

在现代化国防和航空航天领域,目标表面涂覆具有热防护、电磁屏蔽、降低红外辐射等性能的材料,可有效保护目标,但其处于目标的表面,长期受到周围环境影响,易出现气泡、划痕、脱落等不同类型的损伤,造成涂层性能大幅度降低,无法有效保护目标。因此,需要定期对目标涂层进行检测和维护。通过研究涂层损伤与温度和发射率之间的关系,结合热辐射定律、比色测温技术、发射率测量方法,搭建一套红外热像仪的检测装置,提出一种基于涂层温度和发射率场的涂层损伤检测方法。将研制的检测装置应用于以铝为基底的氧化铝涂层,通过分析氧化铝的温度和发射率准确识别涂层内部和外部损伤,验证了基于温度和发射率场的涂层损伤检测方法的理论模型,以及检测装置的可行性与适用性。     

双层伞状开孔的微测辐射热计红外吸收分析

建立了具有伞状吸收层结构的微测辐射热计探测单元的红外吸收模型。基于光学导纳矩阵法和阻抗匹配理论,采用三维电磁仿真软件CST,对伞状结构不同开孔尺寸和形状下模型的红外吸收特性进行了分析。结果表明,双层伞状开孔微测辐射热计光学性能与伞状结构开孔大小有密切的关系。该伞状微测辐射热计中引入开孔后,在保持较高的红外吸收特性的基础上,减少了探测单元热容,从而提升了器件响应速度。最终所得探测单元在8~14μm红外波段内的平均吸收率为85%,满足超大规模小像元非致冷红外焦平面探测器的设计要求。     

基于机器学习的地基云图分类研究进展

基于机器学习的地基云图分类是光伏发电功率预测的关键技术。该技术主要通过传统机器学习和深度学习方法对地基云图特征提取提升地基云图分类准确率。全文归纳了地基云图分类标准和云图采集设备;简要介绍了地基云图分类数据集;从传统机器学习和深度学习两方面详细论述了典型的地基云图分类方法;比较了不同方法在Kiel F和MGCD地基云图分类数据集上的性能;最后对现有地基云图分类方法进行了总结,并针对目前地基云图分类面临的挑战进行了展望。     

基于场景的扫描线非均匀性校正算法

目前扫描红外热像仪有着广泛的应用,且一般采用基于定标的非均匀性校正方法;该类方法不能有效地校正图像中出现的扫描线。针对这一问题,本文对扫描线的表现进行分析,提出了一种基于场景的非均匀性校正算法,该算法采用图像像素点邻域标准差作为基础,通过类标准差对图像的差异信息进行计算,能够排除复杂场景的干扰,成功地识别扫描线,并对扫描线提取补偿。该算法计算简单,可以根据场景进行自适应校正,校正效果显著,具有一定的工程应用价值。     

一种信号调制识别网络的轻量化设计

神经网络在信号调制识别领域得到了广泛关注和研究。针对现有调制识别算法为提高识别准确率,导致模型尺寸过大、计算时间过长的问题,提出了一种调制识别神经网络的轻量化设计方案。该方案由信号失真校正模块和分类模块两部分组成。其中,信号失真校正模块通过参数估计器提取相位偏移信息,再经参数转换器对相位偏移进行参数校正,保证信号识别精度;分类模块由一维卷积神经网络(One-Dimensional Convolutional Neural Network, 1D-CNN)、选通递归单元(Gated Recurrent Unit, GRU)和高斯衰减层构成,从时间和空间的角度有效提取信号特征,并减少冗余参数量以缩减模型大小。仿真结果表明,所提方案与同精度网络相比,平均识别准确率提升0.21%,计算时间缩减到1/3.4,模型尺寸缩减到1/7.77。     

基于transformer自适应特征向量融合的图像分类

针对目前基于transformer的图像分类模型直接应用在小数据集上性能较差的问题,本文提出了transformer自适应特征向量融合网络,该网络在特征提取器中将不同阶段的特征进行融合,减少特征信息丢失的同时获得更多不同感受野下的信息,同时利用最大池化来去除特征中的冗余信息,从而使提取的特征更具有判别性。此外,为了充分利用图像的各级特征信息来进行分类预测,本文将网络各阶段产生的特征向量进行融合,使融合后的特征向量更具有表征能力,从而减少网络对大数据集的依赖,使网络在小数据集中也能获得很好的性能。实验表明,本文提出的 算法在数据集Mini-ImageNet-100、CIFAR-100和ImageNet-1k上的TOP-1准确率分别达到了74.22%、85.86%和81.4%。在没有增加计算量的情况下,在baseline上分别提高了6.0%、3.0%和0.1%,且参数量减少了18.3%。本文代码开源在“https://github.com/xhutongxue/afvf”。     

基于变分主题模型的半监督文本分类

为解决实际应用场景中常面临的数据标注不足的问题,提出一种基于变分主题模型的半监督文本分类模型。首先使用无监督变分主题模型挖掘出语义信息集中的文档-主题分布,作为有效的文档特征表示,再通过半监督方式训练分类器。基于神经网络的变分主题模型相较传统的主题模型,不仅可以得到合理的主题,而且推断速度更快。在20NewsGroup等数据集上的实验结果表明,所提出的模型仅使用30%的训练数据就可以取得与使用90%训练数据的半监督基线模型相当甚至更好的结果,证明了所提出模型的正确性和实用性。     

基于FMCW雷达的呼吸模式分类技术研究

针对当前使用调频连续波雷达的呼吸模式分类算法准确度不高的问题,本文提出一种基于一维卷积神经网络（1DCNN）结合长短时记忆（LSTM）网络的多呼吸模式分类方法。方法共分为四步：第一步,对雷达提取的呼吸信号进行预处理;第二步,使用快速傅里叶变换（FFT）与连续小波变换（CWT）提取呼吸信号特征;第三步,根据呼吸特征对五种呼吸模式信号（正常呼吸、呼吸过速、呼吸过缓、呼吸深大、呼吸暂停）打标签制作数据集;第四步,使用数据集训练网络得到模型,并使用新数据测试模型。实验结果表明,此方法分类准确度要比现有使用CNN网络方法高5%左右。     

基于多域特征融合的旋翼无人机分类识别

为提高雷达旋翼无人机的识别效果,本文提出一种基于多域特征融合的旋翼无人机分类方法。首先利用K波段连续波（Continuous Wave,CW）雷达观测多旋翼无人机,对采集到的雷达回波信号进行信号处理依次得到时频图、节奏速度图（Cadence?Velocity Diagram, CVD）和节奏频谱图（Cadence Frequency Spectrum,CFS）,然后将时频图和CVD图分别输入SqueezeNet网络,CFS数据输入一维卷积神经网络（1?D?CNN）提取回波信号在时频域、节奏速度域和节奏频率域的特征,最后将特征融合输入支持向量机（Support Vector Machine, SVM）进行分类。实测雷达数据处理的结果表明基于多域特征融合的旋翼无人机分类识别方法对三类旋翼无人机的分类准确率达到99.14%。     

基于对比层级相关性传播的由粗到细的类激活映射算法研究

以卷积神经网络为代表的深度学习算法高度依赖于模型的非线性和调试技术,在实际应用过程中普遍存在黑箱属性,严重限制了其在安全敏感领域的进一步发展。为此,该文提出一种由粗到细的类激活映射算法(CF-CAM),用于对深度神经网络的决策行为进行诊断。该算法重新建立了特征图和模型决策之间的关系,利用对比层级相关性传播理论获取特征图中每个位置对网络决策的贡献生成空间级的相关性掩码,找到影响模型决策的重要性区域,再与经过模糊化操作的输入图像进行线性加权重新输入到网络中得到特征图的目标分数,从空间域和通道域实现对深度神经网络进行由粗到细的解释。实验结果表明,相较于其他方法该文提出的CF-CAM在忠实度和定位性能上具有显著提升。此外,该文将CF-CAM作为一种数据增强策略应用于鸟类细粒度分类任务,对困难样本进行学习,可以有效提高网络识别的准确率,进一步验证了CF-CAM算法的有效性和优越性。