基于卷积神经网络的路面识别及半主动悬架控制

路面对车辆的平顺性、操纵稳定性有直接影响,实时获取路面信息对提升车辆性能具有重要意义。针对传统路面识别方法中难以精确识别多种路面类型的问题,采用卷积神经网络对路面类型进行识别,并根据不同路面输入下悬架系统的输出响应来调整控制器参数,使可控悬架在不同路面下均保持最优性能。建立车辆1/4半主动悬架模型;搭建卷积神经网络基本结构并通过所采集的4种典型城市和非城市路面图像对网络进行训练以及测试;采用遗传算法求取沥青路、弹石路、砂石路、水泥路4种不同路面激励下悬架的最优控制参数;根据路面识别结果及优化结果实现悬架控制参数的自适应调整。仿真结果表明：基于卷积神经网络的路面识别方法能够对多种路面进行准确识别;基于路面识别和遗传算法的半主动悬架控制系统可根据不同路面类型自适应调整悬架参数,有效提升车辆性能。     

基于双卷积链的双目人体姿态距离定位识别

现有的基于无人机的目标定位与判别方法往往达不到实用性要求,而采用无人机常用单摄像头采集的图像信息往往只能获取二维信息,无法获得摄像头基于目标的相对距离。常用的基于双摄像头的距离采集算法又过于复杂,不够稳定,且要求开发人员具有较高的知识水平,固件开发门槛高,应用困难。因此,提出了通过双摄像头下人体姿态识别图像数据集,训练基于双通道Darknet-53基本结构的特征提取网络,运用其参数初始化YOLO-V2网络,通过在训练用于识别人体姿态图像中的人体位置、相对距离以及所属类别。实验结果表明：利用该方法进行人体姿态的人体位置和类别识别,相比于单卷积链的YOLO-V2在识别准确度提高了3.85%、4.83%,且在基于目标的相对距离上精度高于65%;新算法能有效用于无人机远距离快速识别人体姿态并取得较好的识别效果,满足实时需求。     

基于卷积神经网络的交通路标识别

科技的发展,使得适合无人驾驶的交通路标识别变得越来越实际。而利用卷积神经网络进行的交通路标识别是目前最为流行的方法,本文基于该方法进行实验。在现实收集路标图像数据后,利用直方图均衡化等方法实现图片预处理,构成训练集和测试集。然后构建LeNet5结构的卷积神经网络对路标图片训练集进行训练,再利用测试集来检验模型的精准度。在第一次实验中,模型的识别准确率虽然已经高于其他传统识别方法,但是只有87.5%,经过对神经网络的批尺度和卷积核以及训练次数等方面调整后,识别率达到93.2%。     

基于涡旋电磁波雷达的人体目标步态精细识别

基于雷达的人体目标识别技术在诸多领域有着重要的应用。涡旋电磁波中携带有轨道角动量,在运动目标回波中会引起线多普勒和角多普勒效应,可为识别提供更丰富的信息。但与线多普勒相比,角多普勒较微弱,二者难以被分离。使用多发多收模型产生线性调频涡旋电磁波,通过双模态回波干涉抑制线多普勒。利用短时傅里叶变换,获得双模态回波的线多普勒和角多普勒时频图,将时频图的幅度值输入到双通道卷积神经网络模型中,获得分类结果。仿真实验结果表明,将线多普勒和角多普勒分离,同时输入到分类模型中可以提升人体步态精细识别能力。     

基于卷积神经网络和模糊函数主脊坐标变换的雷达辐射源信号识别

针对人工提取雷达辐射源信号特征耗时长、特征不明显等问题,提出一种基于深度学习卷积神经网络和模糊函数主脊坐标变换的雷达辐射源信号识别方法。该方法通过快速离散分数傅里叶变换提取信号的模糊函数主脊,并将模糊函数主脊极坐标域的二维时频图作为卷积神经网络的输入,实现对不同雷达信号的分选识别。仿真实验结果表明：新方法不仅在信噪比为0 dB以上保持100%的识别率,在-6 dB时识别准确率也稳定在90%以上;相对于传统的雷达信号识别方法和其他深度学习模型识别方法,在识别率和鲁棒性上均有较大提升,具有一定的工程应用价值。     

基于卷积神经网络的无人作战飞机飞行轨迹实时预测

飞行轨迹预测是空战技术的一部分,预测方结合轨迹预测结果可以选择出更有预见性的机动。为快速、准确地获得无人作战飞机在未来时刻的位置,提出了基于卷积神经网络的飞行轨迹预测方法。原始动力学模型不能正确仿真滚转角有偏差的筋斗机动,采取限制角速度的方式对该模型进行改进;使用改进后的模型在不同条件下进行飞行仿真,得到大量轨迹样本;训练并测试具有不同层数和卷积核数的网络,从中找出预测误差最小的网络;对比卷积神经网络与长短时记忆网络、循环神经网络、全连接网络的运算速度和误差,结果表明：卷积神经网络预测方法在没有增加运算用时情况下,0.25 s后的平均预测误差在x轴方向约为4.2 m,y轴方向约为8.0 m,z轴方向约为19.5 m,且误差均小于其他3种方法。