面向弹载图像的深度学习网络压缩方法研究

针对基于深度学习目标识别算法具有网络结构复杂、参数量大、计算延迟高等特点,难以直接应用于弹载任务的问题,对网络轻量化方法进行了归纳总结。介绍了已有的压缩方法和轻量化网络的优点及各自特点,并选择各个方面优秀的算法进行比较。最后,结合深度学习在目标检测领域中的发展,对轻量化弹载图像目标识别算法进行了展望。     

基于深度学习的红外图像遮挡干扰检测方法

红外成像体制进行目标探测和识别时,烟幕、云雾等遮挡类干扰会改变目标特征导致目标识别错误。通过对遮挡干扰区域进行定位和类型判断,在识别处理时进行针对性处理可大大降低识别虚警率,提高识别的抗干扰能力。为此,提出一种基于深度学习单通道检测器改进的红外图像厚云、烟幕遮挡干扰检测方法。该方法通过网络多层特征的复用和融合,实现了多尺度预测;利用动态锚框模块改进锚框机制,提高了检测精度;将网络中的卷积层与批归一化层合并,提高了检测速度;引入中心损失函数对分类函数进行优化,提高了网络对遮挡物的分类能力。在网络训练过程中,提出一种红外样本增广方法,对数据量进行有效扩充,解决了红外图像训练样本获取难的问题。实验结果表明,与未改进前的算法相比,在速度基本相同情况下改进的遮挡干扰检测方法检测精度提高3.7％,有效地解决了复杂环境下红外自动目标识别系统抗干扰能力较弱的问题。     

基于带权重的贝叶斯网络数据融合研究

目标识别是弹道导弹防御系统作战中的一个重要环节,作战指挥中心对不同传感器获得的目标信息进行特征提取,然后得出多个不同的目标识别结果。对于这些识别结果,给出了一个基于决策层融合的目标识别算法。通过专家测评的方法,对不同目标特征量得出的识别结果赋予不同的权重,然后通过贝叶斯网络的方法在决策层对目标识别结果进行融合。利用该方法进行了实例计算,计算结果比较准确合理。     

基于LM优化算法的BP神经网络目标识别方法

误差反向传播算法（Back-propagation简称BP算法）是当前前馈神经网络训练中应用最多的算法。针对BP算法存在局部极小点,收敛速度慢等缺点,通过采用基于优化理论的Levenberg-Marquardt（LM）算法来改进BP算法。对提取的目标瞬态特性特征归一化后作为BP神经网络的输入,通过Matlab仿真对网络进行调整,并将训练好的网络进行军事目标识别。结果表明,该方法合理可行,且收敛速度快,预测精度高,为目标识别提供了一种新方法。     

基于Hopfield神经网络的面目标特征识别方法研究

提出了一种基于Hopfield神经网络的面目标特征识别方法。介绍了网络结构、学习算法,编制了相应的计算程序,用该程序对6种不同模拟目标的样本数据进行识别,均被正确识别。结果初步表明,利用Hopfield神经网络进行面目标特征识别是基本可行的。     

红外运动小目标快速检测算法的实现研究

为了减少红外运动弱小目标的检测与识别算法计算量,以达到实时性的要求,提出了基于FPGA和多DSP的红外运动弱小目标的检测与识别的快速算法,包括改进的快速中值减法滤波算法,小结构元素腐蚀以及基于图像序列的二次开窗判决法,实验结果证明,该算法易于硬件实现,并且具有实时性。     

移动机器人目标识别与定位算法发展综述

通过对移动机器人目标识别与定位算法中传统的目标识别算法、基于深度学习的目标识别算法和基于各类传感器的目标定位算法的特点进行综合分析,得出了2点启示,也是以后有待解决的关键技术:1)减小算法计算量以降低对硬件性能的依耐性;2)将目标识别算法与定位算法相融合以实现实时的目标识别与定位.     

电视制导系统目标识别算法

提出了基于模板匹配的目标识别算法的改进算法,改进算法从2个方面提高制导系统所需的实时性指标.设计了基于改进算法的测试系统.测试结果表明,相同分辨率的视频帧和目标模板,匹配识别时间从12 s减少到小于0.5 s,解决了系统所需的实时性问题.同时改进算法及其思路也为相关问题提供了解决方案.     

一种基于"当前"统计模型的改进目标跟踪算法

分析了“当前”统计模型跟踪非机动及弱机动目标时精度较差的原因,提出了采用隶属函数调整加速度方差改进目标跟踪的算法。该算法根据目标当前的机动状况自动地调整方差。仿真表明,该算法能够有效地提高对非机动及弱机动目标的跟踪精度。     

基于导向重构与降噪稀疏自编码器的合成孔径雷达目标识别

为解决现有合成孔径雷达（SAR）目标识别算法泛化能力差和算法复杂度高等问题,提出一种基于导向重构与降噪稀疏自编码器的SAR目标识别分类算法。利用导向重构算法对SAR图像进行两尺度融合预处理,生成一维图像矢量并作归一化处理,以降低图像输出特征的维度,提高预处理的速度;采用减少降噪自编码器隐层神经元方式对图像进行低维特征抽取和识别;使用Softmax分类器进行分类处理。实验结果表明,通过导向重构与降噪稀疏自编码器的SAR目标识别算法,不仅提高了目标识别性能以及泛化能力,而且降低了自编码器的隐层神经元数量和计算复杂度,网络结构也得到改进和优化。     

基于BP神经网络的ARM目标识别模型研究

应用人工神经网络可以逼近任意非线性函数这一特性．从网络的逻辑结构、工作过程、学习方法等方面，构建与实现了基于BP神经网络的ARM目标识别方法。通过Matlab的Simlink进行仿真，仿真结果证明．模型能够比较准确地对ARM目标进行识别．符合防空作战的实际需要．同时也为防空指挥自动化提供支持。     

称重传感器精确标定研究

一种发射药自动称量机为使发射药称重输出值能精确地反映称重值,对称重传感器精确标定进行研究。采用函数链神经网络法对称重系统称重检测值与实际重量值之间的函数关系进行精确标定,通过标定的称重系统精度≤1%,满足实际生产需要。     

基于BP的地空导弹人-机-环系统作战效能评估

针对现代空袭兵器的特点,建立地空导弹人机环系统的作战效能评估指标体系,并采用BP神经网络方法对其作战效能进行分析评估.该神经网络输入层节点分别对应评估指标体系最底层的指标,隐层节点数在训练过程中可视网络的泛化能力调整,输出节点数则分别对应于效能评估等级.神经元输入与输出之间转移函数选取S型函数.评估步骤包括:训练样本的选取、样本的归一化处理、神经网络的训练、示例分析.     

基于小波网络观测器的飞控系统故障诊断

选择Mexican hat小波为神经元的作用函数构造了一个小波神经网络．用此网络对某型飞机飞控系统中的作动器进行系统辨识并对三种典型作动器故障进行诊断，仿真结果表明该小波神经网络对这三种诊断能力均强于传统的BP神经网络。     

基于多分类器组合的红外目标识别方法

针对以往的红外目标模式识别方法无法区分坦克与铁板假目标的缺点,提出了基于多分类器组合的红外目标模式识别方法.该方法对红外图像的每行像素使用线性分类器和BP神经网络分类器进行识别,用与规则对两分类器的识别结果进行决策融合,得到每行像素的识别结果,然后对多行像素的识别结果使用多数票规则及或规则进行决策融合,得到最终识别结果,完成对坦克、背景和铁板假目标的区分.仿真结果表明:组合使用BP神经网络分类器和线性分类器,可提高系统识别能力,能较好地完成目标识别.     

基于复合基神经网络的声目标分类识别

根据径向基函数(RBF)神经网络和前馈(BP)神经网络的特点，将BRF网络和BP网络结合起来构成复合基网络，并使用此网络进行声信号的分类识别。试验表明，该网络具有较好的综合分类识别性能，其分类能力优于RBF网络和BP网络。     

人工神经网络在运动控制中的应用

介绍了人工神经元模型与神经网络基本结构。阐述了多层前向网络的工作原理及误差反转（BP）算法,探讨了用于运动控制的单神经元PID控制器的结构与基于BP网络的模糊自适应PID控制,给出了由传统PID控制器,模糊量化处理,系统辨识神经网络NNM和系统控制网络NNC组成的基于BP网络的模糊自适应PID控制器结构,并讨论了人工神经网络在运动控制领域中应用的发展趋势。     

基于神经网络的预测控制

基于神经网络的预测控制器由神经单元自适应PID控制器和基于神经网络的Smith预估器组成.预估器对输出进行多步预测,使控制器超前动作以消除时滞对系统的影响.自适应PID控制器通过有监督的Hebb学习算法实现其权值调节,通过权系数的在线调整实现自适应控制.并以仿真试验给予了验证.     

分布异质传感器下的神经网络集成目标识别法

针对分布式信息融合结构、异质传感器条件下的目标识别问题,在以往采用单个神经网络进行目标识别的基础上,提出了基于神经网络集成的目标识别方法.给出了生成神经网络集成的具体方法,并构造了一个实际的空中目标识别系统.仿真结果表明,系统的目标识别性能明显优于单个神经网络的目标识别性能,具有较高的应用价值.