自然界中岩石一般是由多种矿物集合而成的紧致混合物, 由于高光谱传感器低空间分辨率的特征, 获得的高光谱数据多为矿物组分的综合反映。 受噪声干扰以及矿物复杂的混合机理等因素影响, 高光谱端元识别和定量分析成为目前研究的热点与难点。 基于深度学习理论, 对原始自编码结构进行改进, 提出了一种改进的堆栈稀疏自编码的矿物高光谱端元识别方法（stacked sparse autoencoders, SSAE）, 为高光谱解混提供新的思路。 首先, 根据矿物混合光谱的特点, 对原始自编码结构进行三点改进: 第一, 去掉自编码神经网络的偏置项（bias）; 第二, 在隐藏层激活函数之前添加批归一化（batch normalization, BN）层, 最后一层输出层使用Relu激活函数; 第三, 用光谱角函数（ＬSAD）代替均方误差（ＬMSE）作为目标函数。 SSAE法通过梯度下降方式对目标函数进行优化求解获取神经网络参数。 然后, 利用Hapke模型建立不同矿物组合和不同质量分数的两个模拟数据集, 数据集共包括高岭石、 叶腊石、 蒙脱石、 绿泥石、 白云母、 方解石、 赤铁矿、 白云石、 钾长石和褐铁矿10种常见矿物光谱。 最后, 利用SSAE方法对模拟数据集进行端元提取测试, 测试结果与网络结构改进过程中产生的6种情况以及顶点成分分析法（VCA）和基于最小体积的变元切分增量拉格朗日单形体识别算法（SISAL）提取结果进行比较。 实验证明, 本研究提供的是一种盲端元识别方法, 改进后的SSAE神经网络端元提取精度比未完成改进前有明显提升。 SSAE法可以成功识别两个模拟数据集所有的端元, 光谱角距离（spectral angle distance, SAD）的平均误差分别为0.0597和0.0344, 与VCA法提取精度差异较小, 均优于SISAL法的识别结果。 SSAE法为矿物高光谱解混提供了新的方向, 对高光谱遥感的地质应用和高光谱遥感定量分析研究具有较好的促进作用。

肺炎检测在医学图像处理中具有重要的研究意义,针对当前经典检测算法对肺炎病灶检测精度较低的问题,本文提出一种基于多尺度卷积神经网络的X光图像中肺炎病灶检测算法。在基础特征提取网络中加入特征通道注意力模块,突出特征图中含有大量肺炎病灶信息的特征通道,抑制不含病灶信息或者含有大量无用信息的特征通道,形成高质量特征图;然后通过统计分析,使用聚类算法设计了一系列不同宽高比以及缩放尺度的候选框以适用于肺炎病灶检测。同时,在含有肺炎病灶的胸部X光图像数据集上进行了单模型和多模型检测实验,其中单模型下检测精度为82.52%,多模型融合下检测精度为89.08%。通过对比实验与结果分析,验证了本文算法在检测精度方面优于当前其他检测算法,适用于X光图像中肺炎病灶检测。

基于机器视觉的疲劳检测方法具有非侵入性、快速、准确、全天候可操作等特点, 逐步成为国内外研究热点, 但该方法容易受复杂光照、驾驶员位姿变化的影响。针对此问题, 对复杂光照和位姿变化对驾驶员疲劳检测的影响进行了深入研究, 提出基于实时增强约束局部模型的多信息疲劳检测方法。对采集得到的图像进行实时高动态范围增强处理; 对增强后的图像进行驾驶员人脸建模, 提取驾驶员的视线、眼部PERCLOS特征; 最后建立基于贝叶斯置信网络的多信息融合的疲劳状态检测识别方法。实验结果表明, 该方法对于复杂光照和位姿变化情况下的驾驶员疲劳状态检测具有较强的稳健性。

根据日益复杂的空战格局以及基于微分对策理论设计的空空导弹导引律所存在的缺陷与不足,提出了基于预见学习算法的微分对策导引律改进方案。首先讨论了微分对策导引律的缺陷,并针对其不足研究了基于最优控制理论的预见学习方法;其次设计了基于CMAC(小脑关节模型)的预见学习运算过程,将其应用于空空导弹预见逃逸目标的未来逃逸轨迹,并令导弹据此进行最优决策实现预见学习制导;最后根据逃逸目标飞行轨迹的恶意性突防程度,总结专家经验,将预见学习与微分对策相结合实现优势互补,形成了基于预见学习的微分对策导引律。其仿真结果较经典导引律有明显的优势,能以较小的控制量、较短的拦截时间获得很小的脱靶量,尤其适合拦截具有大机动恶意突防行为的目标。