基于轻量级网络的装甲目标快速检测

针对战场环境下装甲目标的检测任务,提出一种基于轻量级网络的快速检测方法.首先以轻量级卷积神经网络MobileNet作为骨架网络,构建一个多尺度的单步检测网络;然后针对装甲目标的尺寸分布情况使用分辨率更高的卷积特征图,并在每个检测单元上新加入一个残差模块,增强了对小尺度目标的检测能力;最后引入focal-loss损失来替代传统的交叉熵损失函数,有效地克服了训练过程中存在的正负样本分布极度不平衡的问题.针对装甲目标构建了专用的目标检测数据集,并在该数据集上对几种目前主流的单步检测方法进行了训练和测试,实验结果表明,该方法在检测精度、模型容量以及运行速度上均取得了较好的效果,对于无人机等小型移动侦查平台具备良好的适用性.     

基于排序选择和精英引导的改进人工蜂群算法

针对人工蜂群算法收敛速度较慢、收敛精度不高的问题,提出一种基于排序选择和精英引导的改进人工蜂群算法.分析观察蜂概率选择方法在适应值变化时对于精英个体优选的不足,提出一种排序选择方法,用以替代概率选择方法,从而提高算法的收敛速度.利用精英个体对搜索的引导作用,分别提出针对采蜜蜂和观察蜂的改进邻域搜索方程,从而提高算法的搜索效率.与其他人工蜂群算法的对比结果表明,所提出的改进方法能够有效提升算法的收敛速度和收敛精度.     

一种基于分层多尺度卷积特征提取的坦克装甲目标图像检测方法

针对坦克装甲目标的图像检测任务,提出一种基于分层多尺度卷积特征提取的目标检测方法。采用迁移学习的设计思路,在VGG-16网络的基础上针对目标检测任务对网络的结构和参数进行修改和微调,结合建议区域提取网络和目标检测子网络来实现对目标的精确检测。对于建议区域提取网络,在多个不同分辨率的卷积特征图上分层提取多种尺度的建议区域,增强对弱小目标的检测能力;对于目标检测子网络,选用分辨率更高的卷积特征图来提取目标,并额外增加了一个上采样层来提升特征图的分辨率。通过结合多尺度训练、困难负样本挖掘等多种设计和训练方法,所提出的方法在构建的坦克装甲目标数据集上取得了优异的检测效果,目标检测的精度和速度均优于目前主流的检测方法。     

基于修正因子的模糊PID控制在装甲车辆稳瞄系统中的应用

简要分析了影响稳瞄系统稳定精度的因素以及系统的性能需求。针对经典PID控制算法在该系统上存在的缺点和不足,设计了一种基于量化因子和决策因子自修正的模糊PID控制器,利用子模糊系统自适应调整量化因子和决策因子。实验结果表明,该方法克服了经典控制算法存在的不足,能有效地隔离载体扰动,系统的稳定精度和动态性能都得到了显著提高。     

基于Top-down网络结构的坦克装甲目标检测

针对复杂场景下坦克装甲目标检测任务,提出了一种基于自顶向下聚合机制和分层尺度优化的目标检测方法。先基于ResNet-101骨架网络,提出一种自顶向下的聚合网络构架(TDA),克服了卷积神经网络在特征表达能力和细节捕获能力间存在的固有矛盾。在TDA网络的基础上,进一步探索了Faster R-CNN检测框架针对坦克装甲目标检测任务的优化方法,对于建议区域提取网络,提出了一种分层尺度优化的多路RPN网络,并根据感受野区域的大小设置合理的初始建议区域,有效提高了对建议区域的提取效率。对于目标检测子网络,构建了一个更加轻便快速的网络模型。针对坦克装甲目标构建了专用的目标检测数据集,并在该数据集上对几种目前主流的目标检测方法进行了训练和测试。实验结果表明,上述方法在坦克装甲目标数据集上取得了优异的检测效果,目标检测的精度和速度均优于目前主流的检测方法。     

基于目标作战意图信息融合的威胁评估方法

针对不确定信息条件下目标威胁评估缺乏融合作战意图信息的现状,提出一种基于IFIOWA算子并融合目标作战意图信息的目标威胁评估方法.首先,基于战场目标不确定信息,以直觉模糊集为基础,利用直觉模糊诱导有序加权平均算子(IFIOWA)进行信息集结;其次,利用灰色关联群决策方法将作战意图信息与指标值知识测度进行融合,作为IFIOWA算子诱导值;再次,通过最小二乘方法融合基于指标排序位置权重和基于评估信息权重,获得多类型融合的IFIOWA算子位置权重;最后,基于IFIOWA算子对指标信息进行集结,并利用理想解贴近度的方法计算目标威胁度.威胁评估算例表明,所提方法能够融合目标作战意图信息,评估结果合理有效.