科技项目申报（一）如何写好科技项目的技术路线？

齐鲁仁

技术路线章节，是科技项目申报材料中，必不可少的部分。来自企业的项目申报，往往不是一线理工科工程师在操刀撰写，而且就算是一线研发工程师参与撰写，对自己所处的技术环节十分精通，但是对上下游的全流程配套技术、产品、市场，并不熟悉。当然，最大的问题，是往往不熟悉项目申报材料的写作呈现样式。
本文，基于以往的项目申报经历，提供几个案例，供大家参考。
需要原始材料，或者需要协助写作项目申报材料的企业或者个人， 请点击‘专栏咨询’，联系博主。


技术路线写作方法

技术路线是研究主体对执行研究项目的过程规划，考察研究主体对项目相关的技术、产品、产业转化的全面理解。
由于项目研究主体，包含大量的文字，技术路线图，如果能够以更加直观的图片，作为阐释技术路线的载体，会让项目评审专家，更快了解研究主体的思路和能力。
那么怎么设计技术路线图呢？
（一）阅读相关文献，钻研研究技术流程
一张图示，很难将该领域的前沿课题，详细地表达清楚，但技术流程，确实可以呈现的。
技术流程，而不是技术细节，是技术路线图的主体内容，也就是技术路线图设计人员的重点关切。
要思考清楚这个问题，就要回答以下几个问题：
我要解决什么问题，技术应用场景是什么？
研究目标在哪里，把问题解决到什么程度？
实现这个目标，我分哪几个步骤，去执行？
每个步骤的执行结果，验收标准是什么？
从实验室的技术，到技术工程化，技术研发方面，要做哪些支持？
（二）技术路线的框架
在写作文时，经常提到一个说法，叫“凤头、猪肚、龙尾‘。就是说，开头，非常重要。
在写技术路线图时，路线图的框架非常重要。有几种基本架构，供参考：
人·规·事


适合大手笔的官方机构

信息系统集成项目类的技术框架


这类系统，遵循信息系统集成项目的项目管理流程，应用到具体领域应用，就可以了。技术路线成熟可靠。

具体工作程序的抽象


这是大多数技术研发类项目的常见路线框架。
每一个执行步骤的管理和验收，都可能形成该环节的标准规范。

（三）集思广益，聘请专家进行指导
专家的优势在于理论与经验，专家在于理论上、逻辑上的指导，可以使技术路线更加科学。当然不必为这一件事，可以在开题论证时一起解决。
欢迎大家，联系我，咨询技术路线图的设计。


案例一： 深度学习算法技术

深度学习是机器学习中一种基于对数据进行表征建模的算法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务（例如，人脸识别或面部表情识别）。深度学习的好处是用非监督式或半监督式的特征训练学习和分层特征提取高效算法，来替代传统基于逻辑推理的正向建模。
研究深度学习技术，适用于智能感知系统、战场态势监控系统、穿戴式夜视眼镜、枪械辅助瞄准系统等军用单兵装备和无人步兵车等无人作战系统。
1） 技术研发思路
深度学习技术的总体技术路线图，如下所示，主要包括：

• 结合场景的深度学习技术需求定义
  
• 面向目标的数据建设
  
• 数学建模与效果模拟
  
• 基于深度学习的兴趣目标检测与跟踪
  
• 技术的工程化部署及工程
  

以上每个环节，都有该阶段的阶段性验收检查方式和成果。



l 结合场景的深度学习技术需求定义
深度学习是一种衍生于神经网络的概率统计方法，包含了大量有监督和无监督的模型训练方法。它是利用深度神经网络来解决特征表达的一种学习过程，包含多个隐含层的神经网络结构。为了提高深层神经网络的训练效果，人们对神经元的连接方法和激活函数等方面做出相应的调整。
因此，深度学习技术的需求定义，首先要分析该技术的应用场景的数学特征。比如，船舰所在的海面环境，与陆军所处的陆地环境，差别很大；山地环境、平原地区以及城市地区，也有大量差异；其次，要预设产品的使用目标，及预期的效果，尤其是量化的、可以数学表达的性能设想；最后，是产品使用的其他因素，比如使用者的个人特征和习惯等。
l 面向目标的数据建设
数据建设，是信息化系统的必备工作，在深度学习中，也必不可少。
跟普通信息项目相比，深度学习的数据采集，尽可能来源丰富、视角多种多样，才能最大化提高数据在表达特征方面的能力。
l 数学建模与效果模拟
数学建模是深度学习所有工作中，最为重要、最具挑战的部分，主要包括分析兴趣目标与场景的特征，在深度学习模型的计算框架下，设计特征的表达模型，使之经过已有事实数据的训练下，与场景形成最大的对比。
特征训练的目标是寻求更直观的特征表示方法并创建更切合的模型，来从大规模未标记数据中学习这些表示方法。特征表达方法来自神经科学，并松散地创建在类似神经系统中的信息处理和对通信模式的理解上，如神经编码，试图定义拉动神经元的反应之间的关系以及大脑中的神经元的电活动之间的关系。
至今已有数种深度学习框架，如深度神经网络、卷积神经网络和深度置信网络和循环神经网络已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。
l 基于深度学习的兴趣目标检测与跟踪
基于深度学习的兴趣目标检测与跟踪，是系统的关键工作，主要包括：

• 基于图像训练模型的数据处理
  

监督训练过程是面向全体数据特征的，用于探测具体数据时，需要对具体数据进行基础处理，使之符合探测器模型。

• 基于探测器的兴趣目标检测
  

基于前一步的工作，基于探测器的兴趣目标检测，就很简单了，主要解决探测粒度与计算时间的平衡，并且可以通过检测过程的性能参数统计，来实时优化检测过程。

• 统计目标探测的各项性能参数
  

探测性能统计，是局部和全局优化探测性能的重要手段。
l 技术的工程化部署及工程
深度学习技术的工程化部署，与大多数信息化集成系统的部署，流程比较相似。事先设计、验证部署流程，可以大大提高系统部署和维护效率。
2） 技术难点
l 难点1：深度学习框架下的数学建模与效果模拟
数学建模是深度学习所有工作中，最为重要、最具挑战的部分，主要包括分析兴趣目标与场景的特征，在深度学习模型的计算框架下，设计特征的表达模型，使之经过标定数据的训练下，与场景形成最大的对比。
l 难点2：基于深度学习的兴趣目标检测与跟踪
深度学习技术应用，往往需要实时探测多个目标。因此，在兴趣目标探测中，检测性能统计、计算时间与检测完备性的平衡，是实时目标探测的重难点任务。

案例二：智能感知与控制策略技术

智能感知与控制策略技术，主要研发系统感知方法，以及基于感知结果的移动机器人控制策略问题，适用于智能感知系统、发射装置辅助瞄准系统等军用单兵装备和无人机器人的全自主控制系统等无人作战系统。
1） 技术研发思路


l 传感器数据标定

• 单一传感器的独立标定
  

每个传感器在采购、使用环节中，都存在大量的误差来源，包括出厂安装调试、运输、安装使用等。在使用传感器前，需要对传感器进行独立标定，得到纠偏模型， 以便得到相对准确的数据。

• 多传感器的联合标定
  

多个传感器联合作业时，需要对多个传感器联合标定，得到多个传感器相对的转换模型，以便后续的数据融合。

• 数据规划化处理
  

由于多个传感器在时间、格式、数值单位、频率等方面，各有不同的特征，需要根据多个传感器的特征，设计数据统一规划， 并且安装同一规划，对数据进行预处理。
l 单一传感器数据的基础处理
单一传感器数据在进行目标感知时，效率高，可控性强。在进行多传感器数据融合前，需要对单源数据，进行独立的目标感知。
l 多传感器数据融合
多传感器数据融合，能够大幅提高感知可靠性和准确度。数据融合方法包括：基于时间同步的数据融合，基于感知结果相互校验的数据融合、基于贝叶斯模型的深度融合。
l 群目标协同测控
群目标感知与控制在复杂系统中，比较常见、且较具有挑战性的任务。主要分三个步骤：群目标观测结果的整体标定、基于群目标观测和感知结果的深度数据融合，以及基于数据融合的协同感知与控制。
l 工程化部署及维护
智能感知与控制策略技术的工程化部署，基础工作与大多数信息化集成系统的部署，流程比较相似。不同的是，需要对系统进行定期更新标定结果，以便维护保障智能感知与控制的稳定性和准确度。
2） 技术难点
难点1：多传感器数据融合
基于大量的历史数据和背景信息，单一数据源的信息提取，在深度学习技术中，已经取得相当高的可靠性和准确度。但是，多传感器数据融合，可以使得目标感知能力得到更大的提高，尤其是立体的感知层次、强大的抗环境干扰性、优异的系统响应速率。
因此，本技术的难点之一就是，多传感器数据融合，以便提高移动目标的感知检测性能。
难点2：基于多船舰主体的协同测控
由于海上风浪等气候条件的长期干扰，大型海上作业，如海上钻井平台、海上风电、卫星定位海上观测、海上火箭回收与搜寻、军事目标的精密定位与跟踪，容易受到持续的干扰。
因此，本技术的难点之二就是，基于群目标的感知结果深度融合，实现对兴趣目标进行高精度的实时感知与控制。

柒柒捌捌

[吃惊]

万嘉福朱砂饰品有限公司

蒸不错

乐高可可

能分享下课件吗[拜托]