基于灰色聚类的空袭目标威胁评估与排序

为了对空袭目标威胁进行有效评估与排序,以便合理地分配防空火力,提出了一种基于灰色聚类理论的空袭目标威胁评估与排序方法.首先分析空袭目标参数与目标威胁的关系,建立目标威胁评估指标体系,并确定指标量化处理的方法.然后通过灰色聚类理论中的灰色变权聚类方法,建立空袭目标威胁评估与排序模型.最后以一组具体空情数据为例,运用该模型实现了对空袭目标威胁的评估与排序.通过计算表明该模型具有一定的有效性和实用性.     

基于红外线目标跟踪与无线测温系统的研究

采用红外跟踪、射频识别技术和数字式温度传感器等,设计制作了一套集目标定位跟踪和温度无线传输为一体的综合系统.阐述了该系统的硬件组成和软件设计方法,最后通过系统测试给出了测试结果.     

一种新的动态视觉传感器网络目标覆盖率算法*

动态视觉传感器网络目标覆盖研究中把目标点看成一个质心,而实际中存在物体直径可能大于视频节点半径、质心模型不适用的情况,针对此提出了一种新的动态视觉传感器目标物体覆盖率问题。基于此问题同时结合有向感知模型,提出有向线性感知模型,并基于该模型使用改进的粒子群优化算法对物体覆盖率进行仿真优化。仿真结果表明了该模型的有效性。     

星际软着陆机动能力评估方法研究

针对软着陆过程中自主选取安全着陆点的需要,研究了探测器机动能力的评估方法.首先根据软着陆制导律,建立加速度模型积分结果与剩余燃料可生成速度增量之间的数学关系,推导出探测器机动能力的数值计算方法;其次,将软着陆过程中抵消重力作用与位置机动看作两个独立的过程,并假设位置机动过程为理想两脉冲机动,推导出解析的软着陆机动能力表达式;最后,通过数值仿真表明两种分析方法能够得到相近的结果,解析的机动能力分析方法可以实时的对探测器可能着陆区域进行预测,能够为探测器自主的选定着陆点提供重要依据.     

一种基于步幅长度及频域特征的步态识别方法

步态识别作为一种较新的生物认证技术有其独特优势,它旨在根据人行进过程中的行走步态模式来识别其身份.提出一种基于步幅长度及频域特征的步态识别方法:首先采用背景减除算法实现运动人体检测,并根据步幅长度变化特征进行周期分割.然后提取步幅长度极值结合关键帧的频幅均值构成五维特征向量,最后用标准模式分类器在中科院自动化所提供的CASIA步态数据库中进行实验,在降低了算法复杂度的同时,获得了令人鼓舞的实验结果.     

可判断火势大小的智能建筑火灾检测方法研究

当前智能建筑火灾状态检测方法是对火灾的单一特征进行自主检测,只能实现报警功能,无法对火焰的大小做出判断,不能指挥后续调度;设计了一种可判断火势大小的智能火灾检测方法,将建筑中前100帧的过火图像均值看成原始背景;按照不同的火焰燃烧程度采集背景图像进行及时的调整;对当前图像和背景图像进行差分分析,采集差分图像,并对其进行形态学操作;按照二值图中运动目标的特征,分析火灾处于哪种状态,及时有效的检测出烟雾状态、初始火场、大火事件等建筑火灾的火势大小;以大连消防中队提供的2010年火灾视频进行系统测试实验,结果表明,该方法可以实现实时检测,能够有效检测火焰的多种不同状态,准确度比传统方法提高65.4%,具有很强的实际应用价值。     

基于检测与跟踪相互迭代的极暗弱目标搜索算法

针对极低信噪比（LSNR）情况下暗弱运动目标和背景噪声的强度难以区分的问题,提出了一种基于检测与跟踪相互迭代的极暗弱目标搜索算法,总体上采用将时域检测与空域跟踪的过程联合、迭代进行的新型策略。首先,在检测过程中计算检测窗口内信号片段与已经提取的背景估计特征的差别;然后,在跟踪过程中运用动态规划算法保留使得轨迹能量累积最大的轨迹;最后,自适应地调整下一检测过程中被保留轨迹的检测器阈值参数,使该轨迹内的像素能以更宽容的策略被保留到下一检测跟踪阶段。实验测试结果表明,所提算法可以在1%~2%的虚警率和约70%的检测率下探测到低至0 dB的暗弱运动目标。可见该算法可有效改善对LSNR暗弱目标的检测能力。     

联合知识与CNN的遥感影像目标检测研究综述

目标检测是遥感影像智能解译的重要内容,是将影像转换为信息的关键环节。基于知识的方法是遥感影像目标检测的传统经典方法,而基于卷积神经网络的深度学习方法则是近年来逐步兴起并迅速大范围应用的主流方法。介绍了基于几何知识、上下文知识、辅助知识、综合知识的方法,以及一阶段、两阶段的卷积神经网络方法,重点论述了联合知识与卷积神经网络的新方法,并对改进遥感影像数据集、调整算法网络框架、实现目标上下文推理等三种具体应用形式进行了详细介绍。对联合知识与卷积神经网络方法的遥感影像目标检测方法进行了展望。     

基于深度学习的小样本声目标识别方法

声目标分类识别是声源识别领域的核心问题,然而,在应用深层神经网络进行声目标分类识别时,从少量样本中学习(样本复杂度较低)是一个具有挑战性的问题;针对此问题,提出了一种基于深度学习的小样本声目标识别方法,该方法将手工设计特征和对数梅尔声谱特征结合到一起,扩充了深度学习模型的可利用特征量,提高了声信号识别效率和精度;在实验验证中,该方法在测试集上实现了87.6%的识别精度;更进一步地,用较少量的训练样本对该方法和其它几种主流的深度学习模型的性能进行了比较验证,结果表明,该方法只需要更少量的数据即可实现同样的识别精度,在声源探测领域具有一定应用价值。     

无人机群目标搜索的主动感知方法

为提升蚁群搜索算法在规模大的栅格环境中对未知目标的搜索效率,提出基于蚁群算法的主动感知搜索框架。该框架通过应用历史环境信息来选择无人机的运动方式,并由无人机运动方式和感知域信息得到新的环境信息,从而实现无人机群的智能自动化搜索功能。新方法计算出一种具有探索偏好的未搜索概率,可使无人机搜索时偏向未搜索程度高的栅格,以此来提高算法的搜索能力。同时,以未搜索概率和信息素作为运动方式决策的依据来建立一种新的运动方式选择机制。该机制不仅考虑了目标可能出现的区域,又可兼顾未知区域,从而可实现无目标先验信息条件下的搜索过程。仿真结果表明,此算法在规模大的栅格环境中,与现有算法相比具有更高的搜索效率,并且得到的目标分布信息将更加全面。