空间目标特性数据挖掘的可微分编程方法研究

结题报告
项目介绍
AI项目解读

基本信息

项目摘要

The research of space target characteristics and development of novel characteristics representation learning framework can effectively promote the development of space target detection, recognition techniques and equipment. This project focuses on learning representation for space target characteristics. In the framework of differential programming, this project studies on design of differential calculation graph structure, optimization method and interaction system. This project features in its utility of multi-disciplinary and multi-subject advantage. By combining and expanding the framework of deep representation learning, this project studies on the key issues of space target characteristics and representation learning and proposes corresponding solutions. This project has a strong theoretical significance and application value, and it will play an important role in promoting technical process in the field of space situational awareness.
研究空间目标特性数据挖掘和发展全新的目标特性表示学习理论框架，可以有效地促进太空目标探测、识别技术和装备的发展。本项重点研究目标特性数据的表征学习新方法，在可微分编程理论框架下，研究不同形态目标特性数据表征的序列性、对称性及逆图形学可微分计算图结构设计、算子设计和可视化编程构架。本项目的特色在于充分利用多学科多领域交叉的优势，拓展深度表示学习方法的理论框架，针对空间目标特性数据表示学习中的关键问题展开研究和提出解决方案。本项目的研究具有较强的理论意义和应用价值，并且对于推动太空态势感知领域的技术进步具有重要的意义。

结项摘要

空间目标感知能力和开展空间目标特性分析是应对空间威胁、保护国家空间资产和保证空间活动安全的重要基础。本项目研究探索空间目标特性数据分析的机器学习新理论，结合空间目标特性分析具体任务，开展序列特性数据、成像特性数据的表示学习理论研究，并从可微分计算图的角度实现特性数据智能处理的系统应用。在空间目标特性的表示学习方面，针对序列、对称和一致性等三个方面约束开展网络结构模型的设计，针对序列特性分析提出了空间目标光度序列分析的小样本学习模型、一种TV-L1模型求解的LSTM结构计算图表达和面向电磁特性序列表示学习的自动结构搜索方法；在实现对称性约束方面，提出了一种空间目标ISAR像识别的极坐标形变鲁棒网络和一种旋转目标检测的高斯分布建模距离度量结构；在一致性约束方面，提出了基于一致性约束的空间目标ISAR像部件识别方法。同时，开展了可微分计算图的编译优化和部署研究，基于TVM开发相关软件和国产硬件端推理部署。相关成果已应用于空间目标安全分析领域，具备较好的国防应用前景。.项目研究共发表相关学术论文10篇，其中SCI检索8篇，申请国家发明专利3项，获批软著1项。项目负责人在空间目标特性领域相关研究成果获得军队级竞赛一等奖1项、成果奖一等奖1项。

项目成果

期刊论文数量（10）
专著数量（0）
科研奖励数量（0）
会议论文数量（0）
专利数量（3）
Alternating Direction Method of Multipliers for Convolutive Non-Negative Matrix Factorization
卷积非负矩阵分解的乘法器交替方向法
  • DOI：
    10.1109/tcyb.2022.3204723
  • 发表时间：
    2022-09
  • 期刊：
    IEEE Transactions on Cybernetics
  • 影响因子：
    11.8
  • 作者：
    Yinan Li;Ruili Wang;Yuqiang Fang;Meng Sun;Zhangkai Luo
  • 通讯作者：
    Zhangkai Luo
单幅图像刚体目标姿态估计方法综述
  • DOI：
    10.11834/jig.200037
  • 发表时间：
    2021
  • 期刊：
    中国图象图形学报
  • 影响因子：
    --
  • 作者：
    杨步一;杜小平;方宇强;李佩阳;王阳
  • 通讯作者：
    王阳
BDR-Net: Bhattacharyya Distance-Based Distribution Metric Modeling for Rotating Object Detection in Remote Sensing
BDR-Net：用于遥感中旋转物体检测的基于 Bhattacharyya 距离的分布度量建模
  • DOI：
    10.1109/tim.2022.3221101
  • 发表时间：
    2023
  • 期刊：
    IEEE Transactions on Instrumentation and Measurement
  • 影响因子：
    5.6
  • 作者：
    Haining Wang;Yurong Liao;Yang Li;Yuqiang Fang;Shuyan Ni;Yalun Luo;Bitao Jiang
  • 通讯作者：
    Bitao Jiang
基于深度学习的光学遥感图像目标检测研究进展
  • DOI：
    10.16383/j.aas.c190455
  • 发表时间：
    --
  • 期刊：
    自动化学报
  • 影响因子：
    --
  • 作者：
    刘小波;刘鹏;蔡之华;乔禹霖;王凌;汪敏
  • 通讯作者：
    汪敏
基于超限学习机算法的空间目标材质多色测光识别研究
  • DOI：
    10.3964/j.issn.1000-0593(2019)02-0363-07
  • 发表时间：
    2019
  • 期刊：
    光谱学与光谱分析
  • 影响因子：
    --
  • 作者：
    李鹏;李智;徐灿;方宇强;张峰
  • 通讯作者：
    张峰

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--"}}
  • 发表时间：
    {{ item.publish_year || "--" }}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--"}}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ monograph.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ patent.updateTime }}

其他文献

基于字典学习与稀疏表示的非结构化道路分割方法研究
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    吉林大学学报（工学版）
  • 影响因子：
    --
  • 作者：
    肖良;戴斌;吴涛;方宇强
  • 通讯作者：
    方宇强

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--" }}
  • 发表时间：
    {{ item.publish_year || "--"}}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--" }}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}
empty
内容获取失败，请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题，我已根据课题信息分析并撰写以下内容，帮您拓宽课题思路：

AI项目思路

AI技术路线图

相似国自然基金

{{ item.name }}
  • 批准号：
    {{ item.ratify_no }}
  • 批准年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号：
    {{ item.ratify_no }}
  • 财政年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者：{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目：调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要：

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题，其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子，其表达水平对抗病毒防御至关重要。然而，TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用，影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法，探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用，为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义，并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路：

科学问题：TRIM2如何调控A型流感病毒诱导的IFN-β表达？
前期研究：已有研究表明TRIM2参与抗病毒反应，但其具体机制尚不明确。
研究创新点：本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线：包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术：TRIM2与病毒RNA的相互作用分析，IFN-β启动子活性检测。
实验模型：使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
关闭
close
客服二维码