某型江河工程侦察车嵌入式训练系统

某型江河工程侦察车可以水陆两栖作业,由于环境条件限制和装备操作特点,实装组训困难,急需研制相应模拟训练系统。运用半实物仿真技术和虚拟现实技术,通过构建侦测训练的通信、数据、场地和设备仿真支撑环境,研制了该装备的附加嵌入式训练系统。研制的系统已应用于该型侦察车的院校教学训练,可依托实装在陆地上模拟水中侦测训练。实践表明,附加嵌入式训练技术可以有效提高现有装备的实战化实装模拟训练水平。     

基于Web的工程装备故障诊断系统的设计与实现

为解决部队在工程装备故障诊断方面的困难,利用先进的故障诊断技术、关系数据库原理和ASP技术,设计并开发了具有智能诊断功能、网络共享功能和教学功能的工程装备故障诊断系统.较好地解决了故障知识库设计、递归算法设计及动态插入多媒体资料等技术难题。给出了系统设计思路和部分关键技术实现方法。     

基于递归神经网络的视频多目标检测技术

针对现有基于大数据和深度学习的目标检测框架难以实现在低功耗移动和嵌入式设备上实时进行视频目标检测的问题,改进了基于深度学习的目标检测框架SSD,提出一种改进的多目标检测框架LSTM-SSD,将其专用于交通场景视频多目标检测。将单图像检测框架与递归神经网络-LSTM网络相结合,形成交织循环卷积结构,通过采用一种Bottleneck-LSTM层提炼传播帧间的特征映射实现了网络帧级信息的时序关联,极大降低了网络计算成本;将时间感知信息与改进的动态卡尔曼滤波算法结合起来,实现了对视频中受光照变化、大面积遮挡等强干扰影响目标的追踪识别。实验表明,改进后的LSTM-SSD在应对多目标、杂乱背景、光照变化、模糊、大面积遮挡等检测难度较大的情况时,均能获得较好的效果,相比于其他基于深度学习的目标检测框架,各类目标识别的平均准确率提高了5%~16%,平均准确率均值提高了约4%~10%,多目标检测率提高了4%~19%,检测帧率达到43 fps,基本满足实时性的要求。其实现了算法精度与运行速率的平衡,取得了较好的检测识别效果。     

基于图推模型与智能寻优的野外道路导向技术

为实现无人装备在野外环境下对非结构化道路进行自动、普适和精准的识别与导向,提出了一种基于图推模型与智能寻优的野外场景道路导向算法。首先将图像分割为同质超像素块,对超像素块的多特征进行融合,构造训练集;改进传统拉普拉斯支持向量机算法,结合超像素块位置信息动态选取道路区域超像素种子块,训练超像素块的多类别分类回归器和相邻超像素的一致性回归器;结合两种回归器的回归值构造马尔可夫随机场的能量函数,再利用标准图割算法迭代求取最小化能量函数,实现初始道路推理分割; 结合道路初分割结果,依据人对道路的直观感知,设定约束条件构造目标函数,利用差分免疫克隆进化算法智能寻优提取道路的导向线。在南京珠山采集的数据和DARPA Grand Challenge数据库上进行检测,并与经典算法的道路导向效果进行定性和定量比较,结果表明该算法在野外环境下对非结构化道路的导向线提取精度总体达91.79%以上,相比于经典算法,检测精准度分别提升48.1%和35.5%,算法处理效率分别提升98.6%和97.8%,在检测的实时性与精准度问题上实现了平衡,具有较强的应用前景。     

战场目标毁伤计算模型库系统设计与实现

针对大量战场目标毁伤计算模型缺乏维护管理,不能为相关军事训练系统提供有效计算分析服务支持的问题,设计实现了战场目标毁伤计算模型库系统;该模型库使用关系数据库模拟 XML 进行数据描述,避免了海量小文件问题;实现简单,易于管理大规模、复杂和灵活的模型体系;能够通过 UDP、RTI、软总线等方式为各种军事训练系统提供目标毁伤模型服务支持。     

复杂大交通场景弱小目标检测技术

针对现有基于大数据和深度学习的目标检测框架对于高分辨率复杂大场景中低分辨率小目标识别效果较差、多目标检测的精度和实时性难以平衡的问题,改进了基于深度学习的目标检测框架 SSD（single shot multibox detector）,提出一种改进的多目标检测框架DRZ-SSD,将其专用于复杂大交通场景多目标检测。检测以从粗到细的策略进行,分别训练一个低分辨率粗略检测器和一个高分辨率精细检测器,对高分辨率图像进行下采样获得低分辨率版本,设计了一种基于增强学习的动态区域放大网络框架（DRZN）,动态放大低分辨率弱小目标区域至高分辨率再使用精细检测器进行检测识别,剩余图像区域使用粗略检测器进行检测,对弱小目标的检测与识别精度以及运算效率的提高效果明显;采用模糊阈值法调整自适应阈值策略在避免适应数据集的同时提高模型的决策能力,显著降低了检测漏警率和虚警率。实验表明,改进后的DRZ-SSD在应对弱小目标、多目标、杂乱背景、遮挡等检测难度较大的情况时,均能获得较好的效果。通过在指定数据集上的测试,相比于其他基于深度学习的目标检测框架,各类目标识别的平均准确率提高了4%~15%,平均准确率均值提高了约9%~16%,多目标检测率提高了13%~34%,检测识别速率达到38 fps,实现了算法精度与运行速率的平衡。