基于多尺度双线性卷积神经网络的多角度下车型精细识别

针对多角度下车辆出现一定的尺度变化和形变导致很难被准确识别的问题，提出基于多尺度双线性卷积神经网络（MS-B-CNN）的车型精细识别模型。首先，对双线性卷积神经网络（B-CNN）算法进行改进，提出MS-B-CNN算法对不同卷积层的特征进行了多尺度融合，以提高特征表达能力；此外，还采用基于中心损失函数与Softmax损失函数联合学习的策略，在Softmax损失函数基础上分别对训练集每个类别在特征空间维护一个类中心，在训练过程中新增加样本时，网络会约束样本的分类中心距离，以提高多角度情况下的车型识别的能力。实验结果显示，该车型识别模型在CompCars数据集上的正确率达到了93.63%，验证了模型在多角度情况下的准确性和鲁棒性。     

基于词对建模的句子对齐研究

句子对齐是将源文本中的句子映射到目标文本中对应翻译的过程。在神经网络的框架下,基于相互对齐的源端和目标端句子中包含大量相互对齐的单词,提出一种句子对齐方法。使用门关联网络捕获源端句子和目标端句子词对之间的语义关系,并通过语义关系来确定源端句子和目标端句子是否对齐。对非单调文本进行对齐评估,结果表明,该方法F1值达到93.8%,有效提高了句子对齐的准确率。     

稀疏孔径和大转角下ISAR对目标转动的估计

逆合成孔径雷达（inverse synthetic aperture radar，ISAR）对非合作目标做成像时图像质量依赖于对目标运动参数的准确估计.针对在稀疏孔径和非均匀转动条件下现存的参数估计方法计算量过大或者方法适用条件不满足，提出了一种基于神经网络的参数估计方法.此方法以成像问题的模型知识指导数据的生成过程，然后训练通用的神经网络，最终实现将数据中隐含的知识转化为转动估计器.从仿真实验结果来看，所得到的网络对满足一定信噪比要求的回波数据可以提供较准确的估计，所得参数可以帮助成像算法提高聚焦效果，大量的样例表明网络可以部分学习到回波与转动之间的关系.