基于深度学习点过程的航空电子设备故障预测

作者： 汪韦怡   来源： 电子科技大学 年份： 2021 文献类型 ： 学位论文 关键词： 时间序列预测   点过程   深度学习   航空电子设备故障预测  

描述： 基于深度学习点过程的航空电子设备故障预测

基于机器视觉的舰载机位姿实时测量方法研究

作者： 郑天昊   来源： 哈尔滨工程大学 年份： 2021 文献类型 ： 学位论文 关键词： 机器视觉   舰载机位姿   深度学习   模板匹配  

描述： 基于机器视觉的舰载机位姿实时测量方法研究

航空发动机叶片称重排序系统

作者： 赵维松   来源： 西南交通大学 年份： 2021 文献类型 ： 学位论文 关键词： 图片预处理   深度学习   称重排序   航空发动机叶片  

描述： 航空发动机叶片称重排序系统

基于GRU的飞机总装生产线动态调度方法

作者： 王怡琳   刘鹃   乔非   来源： '21 全国仿真技术学术会议 年份： 2021 文献类型 ： 会议论文 关键词： 动态调度   飞机总装生产线   深度学习   门控循环神经网络  

描述： 基于GRU的飞机总装生产线动态调度方法

基于风险要素分析的民航安全管控研究

作者： 徐怡   来源： 南京航空航天大学 年份： 2021 文献类型 ： 学位论文 关键词： 主成分分析   深度学习   风险管控   民航风险  

描述： 基于风险要素分析的民航安全管控研究

基于深度学习的离场航空器滑行时间预测（英文）

作者： 李楠   焦庆宇   朱新华   王少聪   来源： Transactions of Nanjing University of Aeronautics and Astronautics 年份： 2021 文献类型 ： 期刊 关键词： 卷积神经网络   场面运行   滑行时间   深度学习   航空运输  

描述： 随着航班数量的不断增加,机场协同决策系统(Airport collaborative decision-making,A-CDM)的使用也越来越广泛。滑行时间预测的准确性对A-CDM计算离场航空器起飞排序队列和给出准确的撤轮挡时间具有重要的作用。本文提出一种基于时间-空间-环境数据的深度学习模型(Spatio-temporal-environment deep learning model,STEDL)来提高滑行时间预测的准确性。该模型由时间-流量变量(机场实际容量,场面航空器数量,时间段)、空间变量(滑行距离)、外部环境变量(天气,流控信息,跑道运行模式,机型)3部分组成。使用STEDL模型对香港机场离场航空器滑行时间进行预测验证。实验结果显示,STEDL模型预测准确率为95.4%,预测精度明显优于其他机器学习算法。

光学遥感图像中的飞机目标检测技术研究综述

作者： 祝文韬   谢宝蓉   王琰   沈霁   朱浩文   来源： 计算机科学 年份： 2021 文献类型 ： 期刊 关键词： 机器学习   光学遥感图像   深度学习   飞机目标检测   模板匹配  

描述： 光学遥感图像中的飞机目标检测技术已被广泛应用于城市规划、航空交通以及军事侦察领域。目前尽管已有大量研究,但仍然存在很多问题亟待解决。文中回顾了该技术研究现状,并从遥感图像目标检测思路出发,将飞机目标检测方法总结为3类,对这3类检测方法的概念和研究情况分别进行了阐述,并在此基础上进行了比较分析,重点研究了深度学习方法在该领域的研究情况并讨论了样本和数据集问题,最后讨论了飞机目标检测的关键技术难点,并对该领域的未来发展趋势做了展望。

光学遥感图像中的飞机目标检测技术研究综述

作者： 祝文韬   谢宝蓉   王琰   沈霁   朱浩文   来源： 计算机科学 年份： 2021 文献类型 ： 期刊 关键词： 机器学习   光学遥感图像   深度学习   飞机目标检测   模板匹配  

描述： 光学遥感图像中的飞机目标检测技术已被广泛应用于城市规划、航空交通以及军事侦察领域。目前尽管已有大量研究,但仍然存在很多问题亟待解决。文中回顾了该技术研究现状,并从遥感图像目标检测思路出发,将飞机目标检测方法总结为3类,对这3类检测方法的概念和研究情况分别进行了阐述,并在此基础上进行了比较分析,重点研究了深度学习方法在该领域的研究情况并讨论了样本和数据集问题,最后讨论了飞机目标检测的关键技术难点,并对该领域的未来发展趋势做了展望。

基于编解码网络的航空影像像素级建筑物提取

作者： 陈凯强   高鑫   闫梦龙   张跃   孙显   来源： 遥感学报 年份： 2021 文献类型 ： 期刊 关键词： 卷积神经网络   建筑物提取   深度学习   遥感   航空影像  

描述： 建筑物提取在城市规划等土地利用分析中发挥着重要作用。用于提取建筑物的传统方法通常基于手工特征和分类器,导致精度较低。本文基于编解码结构的卷积神经网络CNN (Convolutional Neural Networks),自主学习多级的和具有区分度的特征来更好地辨识建筑物和背景,实现航空影像中的像素级建筑物提取。该网络由编码子网络和解码子网络两部分组成,编码子网络对输入图像进行空间分辨率压缩,完成特征提取;解码子网络从特征中提升空间分辨率,完成像素级的建筑物提取。此外,本文使用视野增强FoVE (Field-of-View Enhancement)方法减轻边缘现象(切片边缘附近的建筑物提取精度通常低于中心区域附近的精度)的影响,并分别在两个建筑物提取标准数据集上的实验表明,编解码卷积神经网络能有效实现像素级建筑物提取,FoVE能有效提高建筑物提取准确率;通过改变预测时切片大小和重叠度,分析其对建筑物提取结果的影响,揭示了FoVE的饱和性。

基于编解码网络的航空影像像素级建筑物提取

作者： 陈凯强   高鑫   闫梦龙   张跃   孙显   来源： 遥感学报 年份： 2021 文献类型 ： 期刊 关键词： 卷积神经网络   建筑物提取   深度学习   遥感   航空影像  

描述： 建筑物提取在城市规划等土地利用分析中发挥着重要作用。用于提取建筑物的传统方法通常基于手工特征和分类器,导致精度较低。本文基于编解码结构的卷积神经网络CNN (Convolutional Neural Networks),自主学习多级的和具有区分度的特征来更好地辨识建筑物和背景,实现航空影像中的像素级建筑物提取。该网络由编码子网络和解码子网络两部分组成,编码子网络对输入图像进行空间分辨率压缩,完成特征提取;解码子网络从特征中提升空间分辨率,完成像素级的建筑物提取。此外,本文使用视野增强FoVE (Field-of-View Enhancement)方法减轻边缘现象(切片边缘附近的建筑物提取精度通常低于中心区域附近的精度)的影响,并分别在两个建筑物提取标准数据集上的实验表明,编解码卷积神经网络能有效实现像素级建筑物提取,FoVE能有效提高建筑物提取准确率;通过改变预测时切片大小和重叠度,分析其对建筑物提取结果的影响,揭示了FoVE的饱和性。