基于多尺度网格细胞的路径整合模型

针对类脑机制下空间位置自主推算问题, 提出一种基于新型叠加算法的路径整合模型, 通过引入多尺度网格细胞提高路径整合结果的准确性。在路径整合模型中, 基于吸引子网络构建网格细胞与头朝向细胞模型, 通过头朝向变化量来判断运行体的运行状态, 完成不同运动的整合过程; 采用动态权重值分别计算直线运动与曲线运动过程中多尺度网格细胞的位移变化量, 提高路径整合的精度。仿真结果表明, 单一尺度与多尺度网格细胞路径整合模型都能够完成路径整合, 且在3 000 m的距离内, 多尺度网格细胞模型误差不超过15 m, 证明了多尺度网格细胞模型能够提高路径整合的精度, 验证了该路径整合模型的有效性。     

基于人工物理的群机器人网格分布仿真

群机器人学是多机器人系统的一个重要研究方向,其主要特点是系统包含大量个体。如何控制不受数量限制的群机器人系统,是一个极具挑战性的问题。网格分布是指大量机器人按照一定的要求均匀分布在某一区域中。基于人工物理原理分析了群机器人网格分布控制原理和方法,制定了详细的系统性能评价指标(稳定时间、碰撞次数、覆盖率、连接数、簇数、分布密度等参数),提出了采用曲线拟合法构建虚拟力模型。通过在无障碍物和有障碍物环境中的网格分布仿真,显示出该方法可以鲁棒、有效的完成网格分布。最后指出了今后的研究方向。     

基于双向汇聚引导蚁群算法的机器人路径规划

路径规划是自主移动机器人技术的核心理论问题之一,论文采用网格法建立路径规划问题的环境模型,提出了基于先验知识的优势方位角,建立了主优势网格和次优网格的改进网格模型,并采用基于子路径认知方法的信息素释放策略,提出了起始点与目标点互换的交替双向引导策略,实现了一种汇聚融合的信息素结构,实现了基于改进网格模型的双向汇聚斑迹信息素蚁群算法。实验表明,该方法在求解具有复杂障碍物分布的大规模地图规划问题时,具有空间复杂度小和效率高的优点,大大提升了构建初始解及收敛的速度,具有很好的求解性能。     

基于多车信息的交通流跟驰模型与数值仿真

基于全速度差(full velocity difference,FVD)模型,考虑多车信息对跟驰车的影响,提出了一种改进的多期望速度与速度差(multi-anticipative velocity and velocity difference,MAVD)模型。通过线性稳定性分析,获得改进模型的稳定性条件,有效增加了交通流的稳定区域。改进模型的运动延迟时间和启动波速更接近实测值,也不产生过高加速度。数值模拟结果进一步表明,改进模型通过考虑多车信息,可以克服FVD模型中低反应系数时出现的负速度的缺陷。     

基于多尺度贝叶斯网络的SAR图像分割

提出了一种多尺度贝叶斯网络模型和相应推断算法,并将其应用于合成孔径雷达（synthetic aperture radar, SAR）图像分割。首先根据SAR图像的多尺度序列构建多尺度贝叶斯网络模型;然后设计了模型估计的置信传播（belief propagation, BP）算法,该算法包括同尺度结点之间的信息传播、细尺度到粗尺度的信息传播和粗尺度到细尺度的信息传播;最后计算出细尺度隐含结点的最大后验概率（maximum a posteriori probability, MAP）,实现SAR图像的分割。实验结果表明,与单尺度贝叶斯网络模型方法和基于条件迭代模式的Markov随机场模型方法相比,基于多尺度贝叶斯网络的SAR图像分割方法具有较好的分割效果。     

一种多无人机协同优先覆盖搜索算法

针对应急救援行动中存在的受灾区域大、重点区域分布不均匀、救援时间有限等问题,提出一种多UAV协同区域优先覆盖搜索算法。对搜索区域进行离散栅格化处理,根据灾情预估信息对搜索区域中的每个网格进行概率标记;通过K-means++聚类算法将搜索区域划分成大小相似、个数与UAV数量相等的子区域,依据聚类中心确定每个子区域的搜索起点,使多架UAV分区协同搜索整个区域;根据网格概率和当前距离之间的平衡关系计算出每个网格的分数,改进贪心算法,以此分数为基准在子区域中进行优先搜索和减少重复路径,引入A*算法解决网格分数冗余问题。仿真结果表明：所提算法在保证优先搜索的同时缩短了路径长度和搜索时间,为应急救援中的搜索难题提供了一种有效的解决办法。     

基于Faster R-CNN的航母舰面多尺度目标检测算法

针对航母舰面复杂的多尺度目标检测环境,且现有算法对牵引车、人员等小目标检测性能不佳的问题,提出一种改进快速区域卷积神经网络(faster region convolutional neural netuorks,Faster R-CNN)的舰面多尺度目标检测算法.基于多尺度特征层提取了不同尺度的区域建议网络,提高了算法...     

基于网络动力学特征信息融合系统抗毁性研究

从无尺度网络动力学特征的新角度,研究信息融合网络系统抗毁性问题。针对以往的抗毁性测度指标不适用于复杂信息融合网络抗毁性研究的现状,考虑信息融合系统的时延及战场感知覆盖率等因素,提出一种新的抗毁性测度指标:网络覆盖率。在该指标的基础上对无尺度网络模型的抗毁性进行研究,并分析不同的拓扑改进策略对网络抗毁性的影响。     

基于私有云和改进粒子群算法的约束优化求解

为提高约束优化模型的求解准确度和运算速度,针对粒子群算法及其计算方法进行了改进。引入多样化机制避免算法陷入局部最优的危险:创建多个子群将决策空间划分为多个搜索子空间,多子群独立搜索以保证群间解的多样化;用量子粒子代替普通粒子,为其添加服从球状分布的伴随粒子来提高群内解的多样化。多样化的引入增加了计算量和计算复杂度,利用并行计算提高算法运行速度:分析了改进粒子群算法并行计算的方法,在私有云计算平台上编写了基于MapReduce的并行求解流程。实验结果表明,本文方法具有较高准确度,算法的稳定性也较好,运算速度可成倍提高。     

最简多磁偶极子等效建模方法

针对磁体模拟法等效磁偶极子个数过多、磁矩方向不明确造成等效方程求解困难的问题, 研究了利用多磁偶极子模型等效模拟磁异常目标空间磁场分布时, 在不同空间尺度条件下的多磁偶极子磁矩、空间分布对等效效果的影响即多磁偶极子等效规律。建立了不同空间尺度条件下的多磁偶极子最简等效模型。通过COMSOL Multiphysics仿真软件完成潜艇空间磁场分布的仿真求解, 并将最简等效模型在测平面上的磁场分布与仿真结果对比, 验证了最简等效模型的有效性。     

类脑导航中基于差分Hebbian学习的网格细胞构建模型

网格细胞是动物大脑中与空间认知和导航有关的重要神经元,具有拓展至整个空间的六边形放电野。位置细胞是网格细胞重要的信息源,可以通过Hebbian学习生成网格细胞,但是现有模型对Hebbian学习的脉冲自适应函数或学习窗函数做了预先的墨西哥帽模型假设。针对该问题提出一种基于差分Hebbian学习的位置细胞至网格细胞模型,利用细胞放电率的变化自发产生墨西哥帽模型的输入关联,然后通过对位置细胞至网格细胞的突触权重进行竞争性非线性限制,生成具有六边形放电野分布的网格细胞。仿真结果表明,该模型可以为无人运行体类脑导航系统的构建提供借鉴。     

地下煤矿瓦斯渗出、运移与积聚过程仿真方法

提出了基于元胞自动机模型的地下煤矿生产过程中瓦斯渗出后在巷道网络系统中运移和积聚的可视化仿真方法。在该方法中,用元胞自动机模型描述地下矿巷道网络系统,用瓦斯元胞来描述从工作面煤壁、采落的煤堆、围岩和采空区渗出的瓦斯能量单元;用格子元胞描述巷道格子及其状态,这些格子元胞均用瓦斯运移速度和瓦斯含量等状态参数来描述。在仿真过程中,可以获得大量关于瓦斯渗出、运移、稀释、积聚和排放等动态信息以及瓦斯积聚区域形成及其严重程度的量化指标及其可行的调控方法。该方法将时间、空间和系统行为有机地结合起来,在形象、直观、真实的条件下完成积聚在巷道系统中渗出、运移和积聚的仿真。     

基于Gestalt优化的红外视频时空显著性检测

针对红外视频时空显著性检测问题,提出一种基于Gestalt 优化的方法。设计基于多尺度局部稀疏表示和局部对比度测量的方法计算红外视频的空间显著性;为提取视频中显著性目标的运动信息, 设计基于多帧对称差分的算法计算时间显著性;为得到初始时空显著图, 设计基于交互一致性的融合策略将空间显著图和时间显著图进行自适应融合; 提出基于Gestalt 优化的最终时空显著图计算方法。实验结果表明,提出算法能有效检测红外视频的时空显著性。     

基于图结构的暴雨事件组织方法研究

在高时空分辨率的降雨数据支持下,分析和追踪暴雨事件的精细结构和动态行为成为可能,但存在数据量大、数据组织结构复杂的特点,对暴雨事件的时空组织与存储提出了巨大挑战.本文基于暴雨事件的演化过程,设计了一种"顶点-边界"的图结构表达模型,并构建基于Neo4j的图数据库,实现暴雨事件的组织与存储.图数据结构中的顶点描述暴雨事件对象,记录暴雨事件空间位置、降雨数据等状态信息;图有向边对暴雨顶点进行关联,记录暴雨状态之间的关系、变化速度、方向等动态信息.最后,综合时间序列模型和空间拓扑关系,设计基于图的暴雨事件组织模型,基于Neo4j图存储方式R-Tree空间索引存储暴雨矢量数据集,并构建暴雨事件库.基于Neo4j和Oracle Spatial的暴雨事件库的对比分析结果表明,Neo4j事件库在数据入库和时空查询性能方面具有优势.     

非全测状态下的机动目标跟踪

针对空空导弹制导过程中可能出现测量信息不全的情况,以机动目标的“当前”统计模型为基础,在螺旋机动目标模型下对机动目标进行了跟踪滤波。在深入研究了扩展卡尔曼滤波算法、衰减记忆扩展卡尔曼滤波算法的基础上,利用改进的强跟踪滤波算法进行了非全测状态下的机动目标运动信息估计。仿真实验表明:改进的强跟踪滤波算法不仅能很好地完成速度和距离跟踪;如果加上多普勒速度测量,改进的强跟踪滤波算法还可跟踪上加速度。仿真结果表明了改进的强跟踪滤波算法的有效性。     

采用信号子空间稀疏表示的DOA估计方法

利用目标辐射源空间分布的稀疏性,提出了一种基于稀疏表示的多快拍联合波达方向(direction of arrival, DOA)估计方法。该方法首先利用采样数据矩阵大奇异值对应的左奇异向量估计信号子空间,然后采用加权迭代最小方差方法对信号空间进行稀疏表示。与传统的角度高分辨估计方法不同,该方法没有利用样本的统计信息,因而对具有任意相关性的信号源能进行有效的波达方向估计,不需要进行去相关处理,且具有很高的分辨力及估计精度。实验表明在该方法能准确的对目标源方位进行估计,且极大地降低了稀疏表示的计算量。     

基于改进Deeplabv3+的烟雾区域分割识别算法

烟雾遮挡使基于图像的寻的制导系统目标识别困难,如何提高该类区域分割识别准确性、降低虚警率是一个亟待解决的课题。现有Deeplabv3+算法对烟雾分割时存在漏分割、错分割等问题,细节损失严重,整体分割精度低。本文提出基于改进Deeplabv3+模型的烟雾区域分割算法,创新异感受野融合的基于空洞卷积的金字塔构型(atrous spatial pyramid pooling, ASPP)结构,进一步扩大空洞卷积感受野,降低信息损失带来的不良影响;优化骨干网络,加入多尺度融合模块,降低网络参数量和计算量;引入通道注意力模块,强化对重点通道的特征学习能力,提高模型训练速度和分割精度。实验结果表明,改进Deeplabv3+模型在测试集中平均交并比为91.03%,分割效率为12.64帧/秒,分割效果远远优于传统模式识别算法;与Deeplabv3+基础模型相比,以较小的检测效率损失为代价取得了更高的分割精度,全场景理解和细节处理能力均有明显提升。     

Ensemble of multiple kNN classifiers for societal risk classification

Societal risk classification is a fundamental and complex issue for societal risk perception. To conduct societal risk classification, Tianya Forum posts are selected as the data source, and four kinds of representations: string representation, term-frequency representation, TF-IDF representation and the distributed representation of BBS posts are applied. Using edit distance or cosine similarity as distance metric, four k-Nearest Neighbor (kNN) classifiers based on different representations are developed and compared. Owing to the priority of word order and semantic extraction of the neural network model Paragraph Vector, kNN based on the distributed representation generated by Paragraph Vector (kNN-PV) shows effectiveness for societal risk classification. Furthermore, to improve the performance of societal risk classification, through different weights, kNN-PV is combined with other three kNN classifiers as an ensemble model. Through brute force grid search method, the optimal weights are assigned to different kNN classifiers. Compared with kNN-PV, the experimental results reveal that Macro-F of the ensemble method is significantly improved for societal risk classification.