2022年3月29日上午，十大免费货源网站空天数据智能交叉创新中心召开了研究生学术报告会，60位师生在线参会。研究生学术报告会旨在培养学生分析讲解问题的能力，推动团队交流与融合。按照计划，该学术报告会每月召开一期，由学生自主担任程序委员会主席，轮流承办。本期报告会由洪文兴教授主持，航天航天学院王颖、余臻、曾念寅、刘利军、缪克华、周绮凤、杨帆、关锦婷和加拿大安大略理工大学朗豪翔等研究生导师出席，并总结点评。

报告会上，8位报告人按照学术会议礼仪依次汇报了最新的工作。简述如下。

1.基于数据跟踪的空间碎片智能定轨与全域报警技术

空间碎片数量庞大，且分散于不同的轨道，洪文兴教授的团队与中国空天技术研究院502所联合开展了“基于数据跟踪的空间碎片智能定轨与全域报警技术”研究，目的是融合已有的空间碎片环境数据，融合传统轨道传播理论和深度学习方法建立精确的空间碎片运行轨道传播模型，防止航天器与空间目标发生碰撞，为飞行器的运行提供监测预警，建立一套空间碎片轨道运行模型和碰撞预警系统以应对日益严重的碰撞威胁。该项目由2020级研究生洪端钦同学对当前的研究进展展开汇报。

2.航空发动机安全智能控制方法

航空发动机是一种强非线性的复杂控制系统，当前传统的控制方法很难只用一个控制器实现航空发动机稳态以及过渡态控制，频繁地切换控制器可能导致降低航空发动机的稳定性以及安全性。我们提出基于安全深度强化学习方法设计航空发动机智能控制器，引入控制屏障函数对发动机温度以及喘振裕度进行限制，另外通过多变量控制进一步优化控制效果，最终实现了航空发动机稳态以及过渡态的安全智能控制，而且相比传统控制方法，极大地优化了控制性能。2019级硕士林鹏飞同学对“航空发动机安全智能控制方法”进行交流汇报。

3.面向小型目标检测的多尺度特征融合方法及其在缺陷检测中的应用

2020级硕士吴佩树同学在汇报中，与大家分享交流了其近期在《IEEE Transactions on Instrumentation and Measurement》期刊上发表的一篇文章，主题为“面向小型目标检测的多尺度特征融合方法及其在缺陷检测中的应用”。他主要从背景介绍、方法设计、基本验证、实际应用和工作小结这几个方面展开系统化讲解。该项工作针对小目标检测难题，结合使用上下文信息、特征融合、生成增强特征的方式，提出了一种新颖的多尺度特征融合网络ABFPN；此外，将ABFPN连同多种策略应用至PCB表面微小缺陷检测中，通过在三个公共数据集以及缺陷检测实验，表明了所提出方法的有效性和优越性。

4.基于深度学习的车辆外观损伤识别算法研究

2021级硕士林炜伦同学对先是对智能定损的相关背景进行介绍，之后介绍了研究的目标为智能定损框架中的车辆损伤检测和车辆部件检测两个模块。接下来介绍了研究中的难点部分和所想到的一些解决方法，之后就是简要说明了一些有参考意义的论文和论文中采用的技术和其原理。最后介绍了一下对于整个研究的整体规划，从单一的损伤类别识别开始对模型进行优化，然后通过对数据集的扩展来达到最终目标。

5.基于关键信息指导的文本摘要生成技术

现阶段文本摘要模型缺少对关键词信息关注的问题，针对上述问题，2019级硕士林舟同学提出了关键词语义信息增强的指针生成网络KSIE-PGN。首先，利用关键词抽取模块KsBert进行关键词抽取，再使用两种方法融合关键词语义信息。第一种为基于关键词掩码的覆盖机制，在使用覆盖机制时，对于关键词的重复关注不做惩罚，保留解码过程对关键词的持续关注。另一种为融合关键词语义向量的策略，结合关键词语义向量初始化解码器隐状态向量，并在每一时刻解码时融合关键词上下文语义向量，从而缓解解码器丢失输入文本关键信息这一现象。该方法在CNN/Daily Mail和Newsroom数据集上进行了实验，实验结果表明KSIE-PGN模型能够很好地捕捉输入文本中的关键信息。

6.基于异构图神经网络的医保欺诈检测研究

2020级张建同学在交流会上报告了基于异构图神经网络的医疗保险欺诈检测研究。最近，异构图神经网络（GNN）在欺诈检测中引起了广泛关注。然而，当面对健康保险记录等纵向和多模态数据时，现有的基于GNN的欺诈检测器总是丢弃异类邻居的多模态信息（例如，药物和治疗），而忽略纵向记录中不一致的索赔人行为.为了充分利用信息，我们以动态异构图的形式表示记录，并提出了分层多模态融合图神经网络（HMF-GNN），它不仅可以学习拓扑信息，还可以学习纵向和多模态的嵌入实体以提高欺诈检测的性能。

7.单细胞转录组数据的填充方法

2020级硕士康玥同学针对RNA-seq数据的dropout现象,提出一种基于非负矩阵分解的算法对缺失的RNA-seq数据进行插补,算法包括对矩阵的四个不同约束,使用交叉验证调参的方法,并用梯度下降法进行迭代求解。与多种目前流行的插补方法比较，在用splatter生成的三组不同规模模拟数据，每种规模的一组数据都有20%、30%、40%、50%四种不同dropout率上测试的插补效果对下游分析的效果较佳。

8.基于无监督学习的单细胞染色质开放性测序(scATAC-seq)双细胞(doublet)检测

2021级博士章文浩同学主要针对单细胞染色质开放性测序(scATAC-seq)中，出现一个测序滴珠包裹两个或以上细胞核(doublet)的现象，利用基于迭代的无监督学习模型，检测测序数据中的doublets。在迭代模型中，每轮迭代根据聚类结果模拟高置信度的doublet表达，基于细胞间的Jaccard距离进行PCoA分析，以此构建带权重的KNN图并计算每个细胞的置信分数。本研究提出的方法在benchmark数据集上获得了相对其他方法更优的doublet检出率与准确率。

（图文：洪端钦，2020级研究生）

【延伸阅读】本期学术海报