排序方式: 共有17条查询结果,搜索用时 13 毫秒
1.
2.
航天发射作为人类太空活动最为基础和最为重要的环节之一,是评判一个国家综合国力的重要指标,而航天发射系统运行安全性评估作为现代航天发射控制指挥与决策系统的核心,是保证航天发射安全运行的基础.首先,本文概述了现代航天发射系统,简要回顾了系统安全性研究发展历程,阐述了航天发射系统运行安全性评估的内涵.其次,通过综述航天发射系统运行故障检测与诊断、异常运行工况识别、运行过程安全分析与预测、安全性动态评估技术等方面的研究现状的基础上,总结出了航天发射系统运行安全性评估面临着系统极度复杂、决策风险性极大、先验信息少以及评估结果要求高准确性与实时性等方面的挑战.最后,本文对航天发射系统运行安全性评估有待研究的基础前沿问题进行了思考. 相似文献
3.
尹宏鹏 《上海电力学院学报》2010,(6)
针对复杂背景下的运动目标跟踪问题,提出了一种基于多特征自适应融合的运动目标跟踪算法。通过构建目标与背景的图像特征分布方差的比值函数来衡量目标与背景间的区分度,采用各特征的区分度对特征集进行线性加权自适应表示运动目标并集成在基于核的跟踪方法中。为了克服模板更新过程中的漂移,通过计算前后相邻两帧间目标模型的相似度函数,对跟踪模板进行自适应更新。基于生物视觉认知理论,目标的颜色、边缘特征以及纹理特征被用来实现基于多特征自适应融合的运动目标跟踪算法。仿真实验表明:采用本文算法能有效地对复杂背景下的运动目标进行跟踪。 相似文献
4.
基于视觉的目标检测与跟踪综述 总被引:5,自引:0,他引:5
基于视觉的目标检测与跟踪是图像处理、计算机视觉、模式识别等众多学科的交叉研究课题,在视频监控、虚拟现实、人机交互、自主导航等领域,具有重要的理论研究意义和实际应用价值.本文对目标检测与跟踪的发展历史、研究现状以及典型方法给出了较为全面的梳理和总结.首先,根据所处理的数据对象的不同,将目标检测分为基于背景建模和基于前景建模的方法,并分别对背景建模与特征表达方法进行了归纳总结.其次,根据跟踪过程有无目标检测的参与,将跟踪方法分为生成式与判别式,对基于统计的表观建模方法进行了归纳总结.然后,对典型算法的优缺点进行了梳理与分析,并给出了其在标准数据集上的性能对比.最后,总结了该领域待解决的难点问题,对其未来的发展趋势进行了展望. 相似文献
5.
一种基于多特征自适应融合的运动目标跟踪算法 总被引:3,自引:0,他引:3
针对复杂背景下的运动目标跟踪问题,提出了一种基于多特征自适应融合的运动目标跟踪算法。通过构建目标与背景的图像特征分布方差的比值函数来衡量目标与背景间的区分度,采用各特征的区分度对特征集进行线性加权自适应表示运动目标并集成在基于核的跟踪方法中。为了克服模板更新过程中的漂移,通过计算前后相邻两帧间目标模型的相似度函数,对跟踪模板进行自适应更新。基于生物视觉认知理论,目标的颜色、边缘特征以及纹理特征被用来实现基于多特征自适应融合的运动目标跟踪算法。仿真实验表明:采用本文算法能有效地对复杂背景下的运动目标进行跟踪。 相似文献
6.
针对复杂背景下的运动目标跟踪特征选择问题,提出了一种基于粒子群优化的目标跟踪特征选择算法。假设具有目标与背景间最好可分离性的特征为最好的跟踪特征。通过构建目标与背景的图像特征分布方差的比值函数作为衡量目标与背景间的可分离性判据。使用粒子群优化算法优化不同的特征组合实时获取最优的目标跟踪特征。为验证该算法的有效性,将选择的最优特征与一种基于核的跟踪算法相结合进行跟踪实验。实验结果表明,算法能有效提高传统基于核的跟踪算法对于复杂场景下的运动目标跟踪的鲁棒性与准确性。 相似文献
7.
蚁群算法是近几年优化领域中新出现的一种仿生进化算法,该算法采用的分布式并行计算机制特别适用于组合优化问题(COP)的求解。在简要介绍蚁群算法的基础上,针对PID控制参数整定问题提出了一种基于蚁群算法的PID参数优化策略,并给出了该算法的具体实现步骤。仿真试验结果表明同传统的Ziegler-Nichols(ZN)法、遗传算法优化整定的结果进行比较,系统单位阶跃响应的超调量σ分别减少了51.5%和22%和调整时间ts分别减少了61.4%和67.5%,动态和稳态性能进一步改善,进而验证了该方法的可行性和有效性。 相似文献
8.
9.
不平衡数据分类方法综述 总被引:1,自引:0,他引:1
随着信息技术的快速发展,各领域的数据正以前所未有的速度产生并被广泛收集和存储,如何实现数据的智能化处理从而利用数据中蕴含的有价值信息已成为理论和应用的研究热点.数据分类作为一种基础的数据处理方法,已广泛应用于数据的智能化处理.传统分类方法通常假设数据类别分布均衡且错分代价相等,然而,现实中的数据通常具有不平衡特性,即某一类的样本数量要小于其他类的样本数量,且少数类具有更高错分代价.当利用传统的分类算法处理不平衡数据时,由于多数类和少数类在数量上的倾斜,以总体分类精度最大为目标会使得分类模型偏向于多数类而忽略少数类,造成少数类的分类精度较低.如何针对不平衡数据分类问题设计分类算法,同时保证不平衡数据中多数类与少数类的分类精度,已成为机器学习领域的研究热点,并相继出现了一系列优秀的不平衡数据分类方法.鉴于此,对现有的不平衡数据分类方法给出较为全面的梳理,从数据预处理层面、特征层面和分类算法层面总结和比较现有的不平衡数据分类方法,并结合当下机器学习的研究热点,探讨不平衡数据分类方法存在的挑战.最后展望不平衡数据分类未来的研究方向. 相似文献