摘要：合成孔径雷达(Synthetic Aperture Radar,SAR)以其全天候、全天时、高分辨率、大幅宽的特点,成为对地观测的重要手段,图像分类是SAR图像解译的一个重要方向.和光学图像相比,SAR图像的成像机理较复杂,存在较多噪声干扰,导致图像清晰度较差、样本标注的难度大,无法保证深度学习算法对样本量的需求,因此,对小样本SAR图像进行图像分类成为当前SAR图像解译领域的重点研究问题之一.基于这一问题展开了基于元学习的SAR图像分类模型的研究,以实现小样本条件下SAR图像的高精度识别.构建基于注意力机制的原型网分类方法,设计了通道注意力模块来自动获取图像特征的重要程度,促进提取对图像分类更有判别力的特征;同时,对模型设计预训练网络,以充分利用已有数据的信息,学习更好的先验信息,提高分类的准确率.在自建的高分辨率SAR图像数据集上对该小样本分类模型进行了实验.消融实验表明,注意力模块和预训练模块对模型的性能均有一定的提升效果.通过对比实验,证明和当前常用的小样本学习方法相比,构建的分类方法能在SAR图像分类中获得较高的准确率,在第一组实验的5-way 1-shot实验中得到的分类精度提高了5.9%,在5-way 5-shot实验中提高了1.92%.

摘要：无人机在执行任务过程中需根据外界环境规划出满足约束条件的飞行路径。针对传统人工势场法(APF)规划的航路存在局部极小值、无法脱困和狭窄航路震荡等缺陷导致航路规划失败的问题,提出了一种基于随机树势场的复杂障碍物逃逸航路规划方法。首先,建立了无人机离散化环境地图模型,采用快速随机搜索树(RRT)的方式分别在各个环境地图中生成随机树路径,并设计了一种随机树势场函数,对路径节点构建势场;然后,通过合理的设计随机树势场的参数与引入时机,引导无人机逃逸出缺陷情况下的势场环境,解决了传统人工势场法的缺陷问题;最后,将文中算法与对比算法进行仿真和分析。结果显示,相比快速搜索随机树算法与传统人工势场法存在航路规划失败的情况,文中算法在各个障碍物情况下都完成了航路规划,并缩短了规划的航路长度,进一步提升了航路规划的安全性和有效性。

摘要：针对城市污水处理过程的非线性、不确定性以及非高斯等特点,提出一种数据驱动的溶解氧(Dissolved oxygen,DO)浓度在线自组织控制方法.首先,设计一种基于相关熵的自组织模糊神经网络控制器(Correntropy-based self-organizing fuzzy neural network,CSOFNN),采用相关熵与规则贡献度指标实现控制器结构与参数的自动构建或修剪.其次,设计基于相关熵诱导准则的补偿控制器及参数自适应律,充分利用相关熵抑制非高斯噪声的能力,能够有效地降低系统中的不确定性.然后,分析所提出的控制方法的稳定性,从而保证其在实际应用中的可靠性.最后,基于基准仿真1号模型(Benchmark simulation model No.1,BSM1)的实验验证了所提方法的有效性.

摘要：设计了一种基于事件的迭代自适应评判算法,用于解决一类非仿射系统的零和博弈最优跟踪控制问题.通过数值求解方法得到参考轨迹的稳定控制,进而将未知非线性系统的零和博弈最优跟踪控制问题转化为误差系统的最优调节问题.为了保证闭环系统在具有良好控制性能的基础上有效地提高资源利用率,引入一个合适的事件触发条件来获得阶段性更新的跟踪策略对.然后,根据设计的触发条件,采用Lyapunov方法证明误差系统的渐近稳定性.接着,通过构建四个神经网络,来促进所提算法的实现.为了提高目标轨迹对应稳定控制的精度,采用模型网络直接逼近未知系统函数而不是误差动态系统.构建评判网络、执行网络和扰动网络用于近似迭代代价函数和迭代跟踪策略对.最后,通过两个仿真实例,验证该控制方法的可行性和有效性.

摘要：为了在动态不确定环境下实现大规模无人机集群转弯的快速性和一致性,提出了一种仿欧椋鸟大规模超机动行为的无人机集群转弯控制方法.通过分析欧椋鸟大规模超机动行为,分别建立邻居选择、局部交互和信息传递机制,并将其映射到无人机集群转弯控制中.在这些机制的基础上,利用改进社会力模型进行无人机转弯控制,使无人机集群在没有外界刺激的情况下实现快速聚集和速度极化;而在有外界刺激的情况下,无人机切换模式,整个集群快速完成超机动转弯动作以避开危险.仿真实验结果表明,在该模型作用下无人机集群既能满足转弯曲率的要求,又能保持群集运动的一致性.

摘要：传统机器人控制方法仅限于固定种类和较为规则的来料,通过位置关系完成装配。由于排线的形态变异较大,很难实现抓取和自动化组装,排线的组装成功率和良率较低。针对宽度小于2 mm微小排线装配难题,通过机器3D视觉传感、力觉传感、触觉传感和本体觉传感等多模态融合技术,设计一套基于深度强化学习的微小软排线装配智能控制算法。在此基础上搭建了一组由协作机器人、六维力传感器、3D机器视觉系统组成的实验设备,并在多环境、不确定因素下验证了此方法装配的可行性。基于高精度微小排线的装配要求,通过深度强化学习多模态控制方法大幅提升了可靠性和装配的成功率,相比传统控制方法装配效率提升15%以上。此测试系统的装配精度可达±0.1 mm,装配成功率到达98%以上。

摘要：伪装物体检测通过模仿人类的视觉检测机理,实现在复杂场景下对伪装物体的定位与识别.然而,多数伪装物体检测方法在遇到相似外形目标干扰时,仅通过目标的局部表观特征无法准确识别伪装目标.为此,本文提出一种渐进聚合多尺度场景上下文特征的伪装物体检测网络,通过聚合多阶段语义增强的场景上下文特征来实现准确的伪装物体判别.具体来说,所提网络主要包含两个创新设计:U型上下文感知模块和跨级特征聚合模块.前者旨在感知复杂场景中物体的细节轮廓、纹理特征和颜色变化等丰富的局部-全局场景上下文信息.后者则结合坐标方向的注意力和多层级残差渐进特征聚合机制,逐级渐进聚合相邻层级之间的互补特征,实现对伪装物体全局语义的强化和局部细节的补充.本文方法在CHAMELEON、CAMO-Test、COD10K-Test和NC4K等4个非常具有挑战性的基准数据集上进行了评测.评测结果表明,本文方法相比于最新方法达到了领先的性能.

摘要：深度学习的快速发展带动着自动驾驶技术的迅速进步.深度学习感知模型在识别准确率逐步提升的同时,也存在鲁棒性和可靠性不足等隐患,需要在大量场景下进行充分测试以确保达到可接受的安全标准.基于场景的仿真测试是自动驾驶技术的核心和关键,如何描述和生成多样化仿真测试场景是需要解决的关键问题之一.场景描述语言能够描述自动驾驶场景并在虚拟环境中实例化场景获取仿真数据,但现有的场景描述语言大都缺少对于场景道路结构的高层抽象和描述.提出路网属性图来表示路网中抽象出的实体及他们的关系,并设计能简洁描述场景路网结构的语言SceneRoad. SceneRoad可以基于描述的场景道路结构特征构建路网特征查询图.这样,在路网中搜索符合描述的场景道路特征的问题被抽象为路网图上的子图匹配问题,该问题可用VF2算法求解.进一步地,将SceneRoad作为扩展集成到Scenic场景描述语言中.使用拓展后的语言随机生成大量多样的静态场景并构建仿真数据集.仿真数据集的统计信息表明生成的场景具有丰富的场景多样性.不同感知模型在真实和仿真数据集上的训练测试结果表明,模型在两个数据集上的表现呈正相关,意味着模型在仿真数据集上的评估结果与真实情况下的表现具有一致性,这对于感知模型的评估以及提升模型鲁棒性和安全性相关研究有重要意义.

摘要：透明度规则是可信人工智能的基本准则,透明度义务是人工智能的设计者、开发者、使用者通过技术性正当程序和法律正当程序实现可视正义的责任机制。作为弱人工智能向强人工智能过渡的ChatGPT具有生成类似于人类创作的结构化内容的能力,其在提高学术能力的同时也会对学术诚信带来风险。ChatGPT介入学术论文创作涉及到著作权的底层逻辑、学术诚信的本位逻辑、可信人工智能的顶层逻辑,三重逻辑都要求作者履行透明度义务。透明度义务是数字义务履行的证明方式、数字公平的展示方式、数字责任的表达方式,具有学术诚信、学术责任和学术公平的保证功能。

摘要：引导群体中智能行为的产生与传播是群体智能领域的重要研究方向.相互合作是自然界中常见的群体智能行为.本文建立了一种基于特殊个体的网络进化博弈模型,分析了群体激发合作水平的进化特性以及调控手段.首先通过在规则网络进化博弈模型中建立有效的干预控制体系结构,实现对群集系统的调控作用;然后通过设计基于群体智能的特殊个体控制规则,特殊个体能起到促进合作行为涌现的群智激发作用;最后利用蒙特卡罗仿真方法分析了特殊个体对群体进化特性的影响,并讨论了不同参数条件对合作水平的影响.