结合社交媒体数据的城市交通事件可视分析方法

社交媒体中的文本内容可对交通量数据进行补充,为此提出一个交通事件可视分析方法。建立交通事件文本处理模型,提取事件的描述信息;基于图嵌入算法学习道路节点属性的向量表示,建立道路相似性模型;结合核密度模型建立交通事件发生概率预测模型;设计了一个交互式可视分析界面对于交通事件进行可视分析与探索。通过交通信息抽取、道路相似性度量以及交通事件交互预测等案例分析,验证了所提方法的有效性,可以辅助交通部门管理决策。     

一种用于图像融合的无监督深度神经网络

为解决相机动态范围较小，单次曝光的图像往往无法表达高动态场景的不同区域的问题，构建了一种无监督的深度神经网络，把多次曝光的图像融合成一幅高动态图像。以VGG-Net(visual geometry group-Net)为基础网络，设计编码子网络和解码子网络；以融合前后图像的结构相似度为目标导向，通过引入基于图像局部信息的权重因子，定制适用于图像融合的损失函数，融合图像可兼顾不同输入图像的有效信息。在基准数据集上与多种方法相比，融合图像在主观视觉体验和客观量化指标上均取得了明显提升。     

一种人体肌肉的参数化建模及变形方法研究

由于人体肌肉在变形过程中具有保体积的约束特性,且肌肉运动缺乏三维多角度呈现,为此,提出了一种人体肌肉的参数化建模及变形方法。基于MRI（magnetic resonance imaging）数据,利用其生成的切片图像提取外轮廓线进行构建三维肌肉模型;层次化定义肌肉特征,建立语义参数间的映射关系,实现肌肉的保体积变形;通过建立向量值动态四阶微分方程使特征曲线动态模拟肌肉的变形过程,并建立骨骼运动与肌肉变形之间的对应关系。以人体肱二头肌为例进行实验,验证了此方法的有效性。     

基于卷积神经网络的海面目标全极化高分辨距离像识别技术

针对雷达目标全极化高分辨距离像(high resolution range profile, HRRP)提取可分性特征时, 利用全部距离单元作为度量尺度无法保留各距离单元具体特征的问题, 在综合利用4个极化通道的舰船目标HRRP信息时选择单个距离单元作为度量尺度。在此基础上, 提出基于Pauli分解, H、α、A、α₁分解和结构相似性参数的特征提取方法对目标极化散射矩阵进行特征提取, 并将提取得到的特征与基于卷积神经网络(convolutional neural network, CNN)的舰船目标HRRP识别方法结合, 利用改进残差结构CNN从极化特征中进一步提取深层可分性特征进行目标识别。实验结果表明, 所提方法能够保留目标全极化HRRP更多特征, 提高目标识别的准确率。     

基于深度自编码器的电力能耗异常检测方法

针对电力能耗数据的非线性和不平稳特征,提出了一种基于深度自编码器的电力能耗异常检测模型。将深度学习的门控循环单元网络和自编码器结构相结合,通过传统自编码器的编码器和解码器部分采用门控循环单元网络来实现,充分发挥门控循环单元的数据特征提取能力和自编码器结构的数据重构功能。根据原始数据和重构数据之间的重构误差来检测电力能耗异常数据点。将所提方法应用于实际的车间电力能耗数据集,结果表明：所提方法能够对电力能耗数据进行异常点检测,检测效果良好。     

蒙卡渲染画面多特征非局部均值滤波降噪算法

针对蒙特卡罗渲染在低光线路径采样率下绘制的图像容易出现噪点的问题，提出一种蒙特卡罗渲染画面多特征非局部均值降噪算法。使用canny算法对场景反射率图进行梯度化，以反射率梯度图为引导图，利用引导滤波器对法向量图预滤波；求出预滤波后法向量图中图像块之间的结构相似性，利用结构相似性倒数的对数值对非局部均值滤波器权值进行改进；利用改进后的非局部均值滤波器对噪点图像进行滤波重构。实验结果表明：该算法能在典型场景中有效降低渲染画面的噪声，改善均方误差和峰值信噪比质量指标。     

基于妥协案例推理的作战仿真实验范围迁移

作战仿真实验范围通常依靠专家确定，耗费代价较大。为将作战仿真实验的历史数据中关于实验范围选择的知识迁移至新的作战仿真实验案例，提出一种基于妥协策略的案例推理方法。根据案例的数据特点，提出作战仿真实验案例的表示方法；根据案例的结构和属性特点，提出主客观综合赋权的混合相似度计算方法；针对案例检索时出现检索失败和检索结果包含信息量较少的问题，提出基于妥协策略的案例检索方法；根据检索结果的特点，提出实验范围的整合迁移方法。基于历史数据进行了实验分析，证明了方法的有效性。     

面向航天测发任务的动作识别与追踪研究

航天测发任务精度要求高、任务周期长,且长期暴露在阳光直射下。为提高测发任务的成功率,在虚拟工作环境中进行无接触式动作标定与矫正是一种高效的方式。针对航天工作人员动作的实时动作追踪问题,提出了一种关键帧优化的动作识别算法。依据深度图像中的骨骼数据,提取骨骼特征,使用特征阈值提取关键帧。将关键帧的特征数据输入双向长短期记忆网络,优化整体动作识别的精确度。数据驱动的骨骼识别与动作追踪,能有效识别航天工作人员的动作,辅助其更高效、安全地完成测发任务。     

基于卷积神经网络的陆战兵棋战术机动策略学习

针对从“人在回路”兵棋推演的复盘数据中提取推演者战术经验高价值知识的问题,提出一种基于深度神经网络从复盘数据中学习战术机动策略模型的方法。将战术机动策略建模为在当前态势特征影响下对目标候选位置进行优选的分类问题：梳理总结影响推演者决策的关键认知因素,定义了由机动范围和观察范围等7个属性构成的基础态势特征,建立了带有正负样本标注的态势特征数据集;设计了基于卷积神经网络的分类器,以分类概率实现了单个棋子战术机动终点位置的预测。实验结果表明：该模型的预测准确率可达到78.96%,相比其他模型提高至少4.59%。     

双层稀疏组Lasso高分辨SAR结构特征增强成像

针对合成孔径雷达(synthetic aperture radar, SAR)成像中,基于?₁正则化线性回归(简称为Lasso)的凸优化类算法在进行稀疏特征增强时会导致弱散射体结构特征丢失,进而影响稀疏信号恢复精度的问题,本文提出一种基于双层稀疏组Lasso罚高斯回归模型的交替方向多乘子算法。该算法以散射体的块结构(组)特征为先验,首先针对SAR数据分类特征引入?₁范数对应的近端算子,通过在交替方向多乘子方法框架中利用高斯-赛德尔思想对其近端算子进行对偶迭代运算,实现第一层和第二层SAR组间的稀疏特征增强。另外混合范数中的?_F范数为高斯惩罚项,可对SAR回波复数据整体进行平滑,实现SAR结构特征增强成像。因此,所提算法可在SAR回波复数据处理中同时实现稀疏特征和结构特征联合增强。实验选取SAR、SAR地面动目标成像(SAR ground moving target imaging, SAR-GMTIm)和逆SAR的仿真数据与实测数据,分别从定性和定量两种角度对所提算法和传统算法进行对比,其中定量分析时采用相变图(phase transition diagram, PTD)方法来验证所提算法的重建能力,从而验证了本文所提算法应用于SAR稀疏与结构特征增强的有效性与优越性。     

基于决策融合的多无人机协同目标检测识别算法

针对现阶段单无人机不能高效完成大区域巡视的问题,提出一种多无人机决策融合的目标检测识别算法.首先改进Retinanet算法进行单无人机的目标检测,根据航拍图像目标特性,调整anchor参数和训练策略.同时利用特征提取算子配准多无人机航拍图像,实现多机图像坐标一致,并进行图像拼接.然后综合目标的位置信息和属性信息对多机图...     

基于卷积神经网络的小型建筑物检测算法

针对基于传统卷积神经网络的建筑物目标检测算法对于小型建筑物检测准确率低的问题, 提出一种基于Mask-区域卷积神经网络(Mask-region convoluional neural networks, Mask-RCNN)模型的小目标检测算法模型。该模型对Mask-RCNN模型中的特征提取网络进行了改进, 设计了一种带有注意力机制的多尺度组卷积神经网络, 有效解决了小目标有用特征较少且易被背景特征和噪声干扰的问题。航拍图像实验结果表明, 改进的检测模型使小型建筑物目标检测准确率较原始Mask-RCNN模型提升了28.9%, 达到了0.663。并且整体检测准确率达到了0.843, 有效提升了航拍建筑物检测准确性。     

基于RHTC网络的飞机目标检测与精细识别

飞机目标的方向检测和精细识别是高分辨率光学遥感图像解译领域的一个重要任务。针对遥感图像中多方向密集排布飞机的方向检测和识别困难问题, 提出一种基于旋转混合任务级联(rotated hybrid task cascade, RHTC)网络的飞机检测识别方法。首先, 基于混合任务级联(hybrid task cascade, HTC)网络, 扩展分割分支数量, 并将分割分支与包围框分支多层级联以不断加强语义特征。其次, 设计了一个新的斜框回归器, 将其添加在掩膜分支的最后一层以完成目标方向预测。最后, 增加一个新的方向损失函数以优化训练过程, 从而完成RHTC网络构建。在数据预处理阶段, 构建了每类型号飞机目标的精细掩膜以增强目标细节和提高掩膜预测精度。基于DOTA和公开Google图像构建的飞机数据集开展了多组实验。结果表明, 与其他多种先进的方法相比, 所提方法在飞机检测方向精准度和类别平均精准度上性能更优。此外, 所设计的斜框回归器和方向损失函数在嵌入到其他分割网络时也具有良好的性能。     

基于三维小波变换及运动补偿的视频图像压缩技术

视频图像压缩技术是多媒体信息存储和传输的关键。提出了一种结合运动补偿的三维小波视频图像编码压缩技术。该算法首先对视频图像进行三维小波分解 ,然后对分解后的不同频率的子图像进行量化编码 ,并结合运动补偿技术消除图像帧之间的冗余相关信息 ,实现视频图像的编码压缩。实验仿真结果证明了这一算法的可行性和有效性     

基于LSTM和残差网络的雷达有源干扰识别

针对目前雷达干扰识别方法存在人工特征提取难、强噪声环境下识别率不高的问题，提出了一种基于长短时记忆(long short-term memory, LSTM)网络和残差网络相结合的雷达有源干扰识别方法。输入有源压制干扰原始时域序列数据，搭建深度学习网络模型对不同干噪比下的干扰信号进行分类识别。仿真结果表明：在干噪比为0 dB的情况下，该方法对4类雷达有源干扰信号的识别准确率均高于98.3%,与单纯的残差网络和卷积神经网络(convolutional neural networks, CNN)等其他深度学习算法相比，具有更佳的网络性能，验证了该算法的有效性。     

基于注意力机制的堆叠LSTM网络雷达HRRP序列目标识别方法

传统的雷达高分辨距离像(high resolution range profile, HRRP)序列识别方法依赖于人工特征提取, 并且现有的深度学习方法存在梯度消失问题, 导致收敛速度慢, 识别精度低。针对上述问题, 提出一种基于注意力机制的堆叠长短时记忆(attention-based stacked long short-term memory, Attention-SLSTM)网络模型, 该模型通过堆叠多个长短时记忆(long short-term memory, LSTM)网络层, 实现了HRRP序列更深层次抽象特征的提取; 通过替换模型的激活函数, 减缓了堆叠LSTM(stacked LSTM, SLSTM)模型梯度消失问题; 引入注意力机制计算特征序列的分配权重并用于分类识别步骤, 增强了隐藏层特征的非线性表达能力。模型在雷达目标识别标准数据集MSTAR上多种不同目的的实验结果表明, 所提方法具有更快的收敛速度和更好的识别性能, 与多种现有方法对比具有更高的识别率, 证明了所提方法的正确性和有效性。     

基于DCNN的弹道中段目标HRRP图像识别

针对弹道中段目标识别问题,现有的基于高分辨距离像(high resolution range profile, HRRP)的识别方法直接提取一维HRRP(1-dimension HRRP, 1D-HRRP)的整体特征,对局部特征提取能力较弱,且由1D-HRRP数据提取的特征的表达能力有限,为此提出了一种基于深度卷积神经网络(deep convolutional neural network, DCNN)的弹道中段目标HRRP图像识别方法。首先,将1D-HRRP转化为0-1二值图像,从而把数值变化特征转化为图像结构特征;然后,构建DCNN逐层提取图像的局部特征和共性特征并进行识别;最后,结合Dropout和L2正则化双重机制缓解DCNN过拟合问题,利用AdaBound算法提高DCNN训练收敛速度和识别正确率。实验结果表明,所提出的基于HRRP图像的弹道中段目标识别方法比其他12种基于1D-HRRP或二维HRRP(2-dimension HRRP, 2D-HRRP)的识别方法正确率更高,在测试数据集上达到了96.28%,实验结果验证了该方法的有效性。     

基于DCNN的弹道中段目标HRRP图像识别

针对弹道中段目标识别问题,现有的基于高分辨距离像(high resolution range profile, HRRP)的识别方法直接提取一维HRRP(1-dimension HRRP, 1D-HRRP)的整体特征,对局部特征提取能力较弱,且由1D-HRRP数据提取的特征的表达能力有限,为此提出了一种基于深度卷积神经网络(deep convolutional neural network, DCNN)的弹道中段目标HRRP图像识别方法。首先,将1D-HRRP转化为0-1二值图像,从而把数值变化特征转化为图像结构特征;然后,构建DCNN逐层提取图像的局部特征和共性特征并进行识别;最后,结合Dropout和L2正则化双重机制缓解DCNN过拟合问题,利用AdaBound算法提高DCNN训练收敛速度和识别正确率。实验结果表明,所提出的基于HRRP图像的弹道中段目标识别方法比其他12种基于1D-HRRP或二维HRRP(2-dimension HRRP, 2D-HRRP)的识别方法正确率更高,在测试数据集上达到了96.28%,实验结果验证了该方法的有效性。     

基于改进的CNN和数据增强的SAR目标识别

针对合成孔径雷达(synthetic aperture radar, SAR)图像目标识别问题, 提出了基于改进的卷积神经网络和数据增强的SAR目标识别方法。首先在训练阶段引入Dropout, 随机删除部分神经元, 增强网络的泛化能力。其次, 在网络中引入L2正则化, 简化模型的同时降低结构风险, 并且能有效地抑制过拟合。然后, 采用Adam优化网络, 提高模型的收敛效率。最后, 采用优选的数据增强方法, 扩充SAR目标数据集, 为网络训练提供更为充足的样本, 进一步提高识别的准确率和模型的泛化性。在运动和静止目标获取与识别(moving and stationary target acquisition and recognition, MSTAR)数据集上进行了实验, 结果表明设计的卷积神经网络识别准确率高, 且具有更好的泛化性。     

基于稀疏性深度学习的航拍图像超分辨重构

为降低无人机硬件设备升级成本, 研究利用深度学习技术进行航拍图像超分辨(super-resolution, SR)。针对神经网络训练参数量大的特点, 提出了一种稀疏卷积神经网络SR(SR based on sparse convolutional neural network, SRSCNN)重构方法, 对神经网络连接权值进行选择性筛选达到压缩网络结构并减少训练时间的目的。实验结果表明, 该方法在缩短网络学习时间, 图像重构效果和计算时间上具有一定优越性。同时, 设计了一种基于显著性区域的图像质量评价方式, 更适应航拍图像后续处理工作。