基于粒子群算法的总能量飞控系统优化设计

为了提高舰载飞机着舰时的操纵性能,并且解除低动压状态下航迹角和空速之间的强烈耦合,基于总能量控制理论设计了着舰飞行/推力综合控制系统。其基本思想是用发动机推力控制飞机总能量,用升降舵控制总能量的分配率。针对总能量飞控系统的参数难以整定的问题,采用粒子群优化算法对待调参数进行优化。建立了综合衡量航迹角的阶跃响应性能及其与空速之间耦合程度的适应度函数指标。在优化迭代中粒子群算法的惯性权重先线性减小,然后保持恒定不变。该方法既增强了算法对最优解的搜索能力,又加快了算法的收敛速度。最后,频域分析表明优化的参数使航迹角传递函数的带宽满足设计要求;仿真结果验证了该飞控系统的有效性。     

层状大理岩破裂过程力学特性与 能量演化各向异性研究

为了揭示互层状大理岩压缩过程中能量演化和破裂形态的各向异性,采用GCTS 2000岩石力学试验机,应用全应力应变分析、能量分析和CT扫描相结合的方法,对不同互层角度的大理岩试样开展了相关试验研究。结果表明:岩石的物理力学性状具有明显的各向异性,抗压强度随互层倾角变化呈U型分布,弹性模量随倾角增大逐渐减小;能量演化揭示出明显的储能与释能各向异性特征,30°倾角试样破坏所需能量最小,90°倾角试样破坏所需能量最大;提出了基于能量原理的特征起裂和扩展应力的确定方法,并证明了该方法的可靠性;岩样的宏观破裂形态表现为互层间的劈裂张拉破坏、弱面的剪切滑移破坏和贯穿基质与软夹层的张剪破坏,相应的细观CT图像表现为多条平直裂缝、单一贯穿裂缝和多条弯折裂缝。试验结果充分揭示了层状岩石破裂特征与储能释能特性的相关性,岩石的能量演化机制与其宏细观破裂形态受控于岩石的内部互层状结构,研究结果可为岩爆灾害的防控和深部资源安全开采提供必要的理论依据。     

快速滤除脉冲噪声的八向叠加算法

分析了当前脉冲噪声消噪的主要方法,提出了一种滤除脉冲噪声的快速算法。其主要思想是利用阈值检测法从输入图像中提取出信号点矩阵,然后对信号点矩阵进行八向叠加,最后对叠加后的信号点矩阵进行两步校正得到滤波结果。该算法的一个主要优势就是基于图像矩阵进行整体操作,利于数据的并行处理,编程简单,实时性强。实验结果表明该算法运行快,对普通密度的脉冲噪声滤除效果明显。     

高超声速乘波飞行器多学科设计优化研究进展

来波飞行器由于其具有高升阻比特性而成为国内外高超声速飞行器研究的热点.介绍了飞行器多学科设计优化(MDO)的发展概况,简述了乘波构形优化设计的研究进展.在此基础上对高超声速乘波飞行器MDO的理论基础进行了分析,阐述了应用MDO技术进行高超声速乘波飞行器设计的必要性和可行性.重点从气动和结构系统的协同优化设计、机体和推进系统的一体化优化设计以及气动和控制系统的综合优化设计等3个方面讨论了MDO在高超声速乘波飞行器设计中的应用现状.提出了今后应加大对MDO集成框架的开发力度,大力开展包含可靠性和经济性分析的高超声速乘波飞行器多目标MDO研究.     

基于分布式水文模型GBHM的河流闸坝调控研究

以秦岭北麓半干旱区城市河流为例,构建分布式水文模型与河段水量平衡模型,分析区域气候变化、河流上游水利工程蓄水运行及下游城市段橡胶坝蓄水调度对河流水量水质的影响,并依据不同水平年的水文模拟计算结果,制定变化环境下河流下游闸坝水量水质调控方案。研究结果表明:通过构建分布式水文模型,研究流域水文与气象要素、水库建设运行与灌溉取水等人类活动对河流水文过程的综合影响,是降低河流水资源管理风险及不确定性的有效途径之一;以下游河段水量、水质监测等数据为基础,开展变化环境下橡胶坝水量水质随机模拟与调控,制定的水量水质优化调控方案可以有效缓解河流水污染状况。     

基于关键区域特征匹配的视觉跟踪算法

针对视觉跟踪中目标表观的复杂变化问题,提出了一种基于关键区域特征匹配的鲁棒跟踪算法.首先对目标模板进行初始化并通过滤波预测得到目标候选;然后采用自适应标记分水岭算法对目标模板和目标候选进行分割以提取关键区域,并利用像素的空间和频率分布特性对关键区域进行多重特征描述;最后通过关键区域的特征匹配得到目标模板与目标候选的匹配关系,由此确定最终跟踪结果并进行模板更新.对目标发生尺度、遮挡、旋转、光照、姿态、复杂背景以及运动模糊等变化的视频序列进行了仿真测试.实验结果表明,所提算法能够有效处理目标表观的复杂变化问题,尤其对目标的部分遮挡、光照变化以及复杂背景等具有较强的鲁棒性.     

基于双直方图自适应选择的目标跟踪算法*

针对传统的均值漂移算法,加入了梯度方向直方图及其与颜色直方图的自适应选择,提高了均值漂移算法在复杂场景中目标跟踪的鲁棒性。传统的均值漂移算法往往选择固定的一个颜色直方图对目标进行跟踪,当目标自身或者跟踪场景发生变化时,容易跟踪失败。通过分析被跟踪目标在当前场景中与目标模板在颜色以及梯度方向上的相似性并设定阈值,从而选择并使用当前有效的目标特征,实现复杂变化场景下的目标跟踪。一系列不同场景下的运动目标跟踪实验,证实了该算法的可靠性。     

采用核相关滤波的快速TLD视觉目标跟踪

目的 如何对目标进行快速鲁棒的跟踪一直是计算机视觉的重要研究方向之一,TLD（tracking-learning-detection）算法为这一问题提供了一种有效的解决方法,为了进一步提高TLD算法的跟踪性能,从两个方面对其进行了改进。方法 首先在跟踪模块采用尺度自适应的核相关滤波器（KCF）作为跟踪器,考虑到跟踪模块与检测模块相互独立,本文算法使用检测模块对跟踪模块结果的准确性进行判断,并根据判断结果对KCF滤波器模板进行有选择地更新;然后在检测模块,运用光流法对目标位置进行初步预测,依据预测结果动态调整目标检测区域后,再使用分类器对目标进行精确定位。结果 为了验证本文算法的优越性,对其进行了两组实验,实验1在OTB2013和Temple Color128这两个平台上对本文算法进行了跟踪性能的测试,其结果表明本文算法在OTB2013上的跟踪精度和成功率分别为0.761和0.559,在Temple Color128上的跟踪精度和成功率分别为0.678和0.481,且在所有测试视频上的平均跟踪速度达到了27.92帧/s;实验2将本文算法与其他3种改进算法在随机选取的8组视频上进行了跟踪测试与对比分析,实验结果表明,本文算法具有最小的中心位置误差14.01、最大的重叠率72.2%以及最快的跟踪速度26.23帧/s,展现出良好的跟踪性能。结论 本文算法使用KCF跟踪器,提高了算法对遮挡、光照变化和运动模糊等场景的适应能力,使用光流法缩小检测区域,提高了算法的跟踪速度。实验结果表明,本文算法在多数情况下均取得优于参考算法的跟踪性能,在对目标进行长时间跟踪时表现出良好的跟踪鲁棒性。     

YOLOv3和双线性特征融合的细粒度图像分类

目的 细粒度图像分类是计算机视觉领域具有挑战性的课题,目的是将一个大的类别分为更详细的子类别,在工业和学术方面都有着十分广泛的研究需求。为了改善细粒度图像分类过程中不相关背景干扰和类别差异特征难以提取的问题,提出了一种将目标检测方法YOLOv3（you only look once）和双线性融合网络相结合的细粒度分类优化算法,以此提高细粒度图像分类的性能。方法 利用重新训练过的目标检测算法YOLOv3粗略确定目标在图像中的位置;使用背景抑制方法消除目标以外的信息干扰;利用融合不同通道、不同层级卷积层特征的方法对经典的细粒度分类算法双线性卷积神经网络（bilinear convolutional neural network,B-CNN）进行改进,优化分类性能,通过融合双线性网络中不同卷积层的特征向量,得到更加丰富的互补信息,从而提高细粒度分类精度。结果 实验结果表明,在CUB-200-2011（Caltech-UCSD Birds-200-2011）、Cars196和Aircrafts100数据集中,本文算法的分类准确率分别为86.3%、92.8%和89.0%,比经典的B-CNN细粒度分类算法分别提高了2.2%、1.5%和4.9%,验证了本文算法的有效性。同时,与已有细粒度图像分类算法相比也表现出一定的优势。结论 改进算法使用YOLOv3有效滤除了大量无关背景,通过特征融合方法来改进双线性卷积神经分类网络,丰富特征信息,使分类的结果更加精准。     

视觉跟踪技术综述

视觉跟踪问题是当前计算机视觉领域中的热点问题,本文对这一问题进行了详细的介绍.首先,对视觉跟踪技术在视频监视、图像压缩和三维重构等三个主要方面的应用进行了论述.其次,详细阐述了该技术的研究现状,介绍了其中的一些常用方法,为清楚说明这些方法,先对视觉跟踪问题进行了分类,然后介绍了处理视觉跟踪问题的两种思路即自底向上和自顶向下的思路,最后将具体的视觉跟踪方法分为四类进行了介绍,这四类分别是基于区域的跟踪、基于特征的跟踪、基于变形模板的跟踪和基于模型的跟踪.最后,从控制论角度给出视觉跟踪算法所面临的难点,即算法要满足鲁棒性、准确性和快速性要求时所遇到的困难,并对视觉跟踪问题的研究前景进行了展望.