基于全局感知机制的地面红外目标检测方法

针对地面场景下的红外目标检测易受复杂背景干扰、检测精度不高、易发生误检和漏检的问题, 以车辆红外特征为研究对象, 提出了基于全局感知机制的红外目标检测方法。在以Darknet-53为主干网络的基础上, 结合具有全局信息融合的空间金字塔池化机制, 在增大模型感受域的同时增强了模型的全局信息感知力和抗干扰能力; 设计了平滑焦点损失函数, 解决了图像内因目标相互影响而导致的检测精度不高、易出现误检、漏检等问题。实验表明, 在Infrared-VOC320数据集上, 该算法的平均检测精度为80.1%, 较YOLOv3提高了4.4%, 检测速度达到了56.4 FPS, 有效提高了复杂背景下红外目标的检测精度, 实现了对红外目标的实时检测。     

基于YOLOv5的光学遥感图像舰船目标检测算法

针对YOLO(you only look once)v5算法在应用于光学遥感图像舰船目标检测任务时所面临的小目标误检率、漏检率较高的情况，提出一种基于YOLOv5改进的光学遥感图像舰船目标检测方法。首先对路径聚合网络结构进行改进，设计语义信息增强模块提取更富语义信息的浅层特征，增强对小目标特征的表达能力；然后使用Swish函数作为激活函数，提高网络对数据非线性特征的表征能力，加快模型的收敛速度；最后针对舰船目标的尺寸特点优化检测端结构，移除大目标检测头以减少推理计算量。测试集上的实验表明，该方法相较改进前将检测精度提高了5.2%且推理时间有所减少，在保证检测实时性的同时增强了模型的小目标辨别能力。     

基于改进T-S模型的模糊辨识算法及其应用

热工过程往往具有非线性和不确定性,用传统的描述热工过程动态数学模型的方法(如传统函数等)难以建立非线性模型,从而难于精确表达热工过程及实施整体优化控制。该文提出了一种基于改进T-S模型的热工系统模糊辨识方法。采用启发性知识与复合非线性优化方法相结合的综合方法求解出模糊模型的结构,然后通过基于熵的聚类和竞争学习算法对热工过程的输入数据空间的划分,在此基础上利用加权递推最小二乘法(WRLSA)建立热工过程的T-S模型。仿真结果表明基于改进T-S模型的非线性模糊模型,不仅能精确地描述过程的非线性,而且算法简单、快速。     

基于迁移成分分析的发酵过程集成软测量建模

青霉素发酵过程具有不确定性和多阶段等特点，不同批次发酵过程间存在工况差异，过程数据的分布不一定相同，使传统软测量模型性能下降。结合迁移学习策略和高斯混合模型，提出一种基于迁移成分分析的多模型集成软测量建模方法。该方法使用迁移成分分析求解样本间共享特征映射矩阵，适配建模过程数据与待测数据的边缘概率分布；并基于高斯混合模型对建模数据进行聚类划分，与偏最小二乘算法结合建立子模型的集成模型，完成对主导变量的预测。基于青霉素平台数据的仿真结果表明，所提方法不仅能够有效提高青霉素发酵过程软测量模型的精度，而且适应于变工况下青霉素浓度的预测。     

线束端子压接后外观缺陷的视觉检测算法研究

针对线束端子的缺陷检测效率低、漏检率高等问题，提出一种基于机器视觉的图像检测方法：分析线束端子3个主要部位的5种典型缺陷模式，并定义了缺陷评价参数；设计了定位基准拟合算法、待检部位自适应分割算法和缺陷特征参数计算方法；给出了各类外观缺陷的判断准则。实验结果表明，检测算法适用于各单类、多类混合缺陷模式，综合漏检率和误检率较低，准确率和实时性较高，能够满足实际应用要求。     

基于约束正则化的生成聚类分析

基于现有的硬约束高斯混合模型不能处理约束违反情形,而软约束高斯混合模型又没有封闭的参数估计表达式,提出了一种基于约束正则化的生成聚类方法。该方法将约束一致正则化算子引入高斯混合模型,通过惩罚似然来处理约束违反,使满足正约束的成对样本的后验概率尽可能相似,满足负约束的成对样本的后验概率尽可能不相似;同时封闭的参数估计迭代公式降低了参数估计的计算复杂度。在一组真实数据集上的实验表明,与现有的相关方法相比,该方法能有效改善聚类性能,并对噪音约束有着更好的适应性。     

视频图像中运动目标的实时检测

提出了一种运动目标检测与跟踪算法。以每点色彩信息的混合高斯模型来实现对视频图像的背景估计,从而实现对运动目标的检测。利用模板匹配的方法实现对运动目标的跟踪,并对混合高斯模型的算法进行了改进,使其能更快、更有效地适应环境的变化。实验结果表明此方法具有较强的鲁棒性,能较好地适应各种气候和光照环境的变化。     

基于SG-Alpha稳定分布模型的雷达目标Rao检测方法

非高斯相关杂波背景下的目标检测具有重要的实际意义,但在该背景下建立似然比检测模型非常困难。以SG-Alpha （subGaussian-Alpha）稳定分布作为非高斯相关杂波分布模型,导出了雷达目标的Rao检测模型。该模型适应于一般非高斯相关杂波下的目标检测,且易于实现。仿真及实测数据验证表明,在非高斯相关杂波条件下本文提出的方法明显优于传统的检测方法。     

交互式多模型算法过渡过程的仿真分析

交互式多模型(IMM)是混合估计理论中比较优越的算法。混合系统假设模式的切换能够瞬时完成。然而由于量测噪声和滤波系统惯性的作用，混合系统的模式切换具有过渡过程，对于实际运动模式切换存在漏检与误报。本文利用。Monte Carlo仿真分析了两模型IMM算法过渡过程的滤波残差的统计特性，研究结果对于分析和改进算法具有重要的意义。     

有色非高斯数据PSD/PDF建模的MLE/DC方法

AR模型、混合高斯模型分别可以很好地拟合样本的功率谱和概率密度。AR模型参数估计可以使用最大似然估计法(MLE);而在各高斯分量概率密度互不重叠的条件下,使用动态簇算法(DC)则可快速而精确地估计出混合高斯模型参数。使用MLE/DC参数估计方法,并在两种方法间建立一定耦合,即可对有色非高斯数据进行准确的功率谱和概率密度建模,进而实现数据的预白与高斯化。     

基于QMC采样的GMPHD分布式融合方法

针对高斯混合概率假设密度分布式融合过程中高斯分量数随时间急剧增长的问题,给出了一种适用于融合过程不同阶段的两级分量混合约简算法,最大程度地减少了信息的损失。针对高斯混合概率假设密度协方差交叉融合算法中高斯混合模型求幂运算后不再服从高斯混合分布的问题,提出了一种基于拟蒙特卡罗采样的等价求解方法。仿真实验表明,所提的改进算法在保证融合计算有效性和可行性的同时提高了融合精度。     

基于EMICA-KRR的长输管道压力监测与泄漏定位方法

为解决长输管道压力监测过程中泄漏突发,难以实时预警并精确定位的问题,提出一种基于集成改进独立分量分析(EMICA)和核岭回归(KRR)的管道泄漏故障检测与定位方法.首先,建立基于EMICA算法的故障检测模型,提取并分离压力数据中的高斯信号和非高斯信号并构造相关统计量,实现故障信号分离与主分量选择;然后,根据EMICA模型获得的故障信号,进一步构造基于KRR算法的故障诊断模型,拟合数据得出故障信号压力变化幅值,实现泄漏信号的选择与泄漏故障的定位;最后进行TE(田纳西-伊斯曼)过程的数值仿真实验以验证算法的性能.仿真结果表明:EMICA-KRR算法拥有更良好的信号分离能力,可以准确识别泄漏故障信号并精确定位管段失效位置,克服了传统方法的低效、延时等缺点.     

雷达与ESM综合多目标检测、跟踪与识别

为在预警监视系统中对多目标的检测、跟踪、识别过程进行统一处理,提出一种基于跳转马尔可夫系统模型高斯混合概率假设密度滤波(jump Markov system model Gaussian mixture probability hypothesis density filtering,JMS-GMPHDF)算法的雷达、电子支援措施（electronic support measures,ESM）综合多目标检测、跟踪与识别方法。该方法首先根据不同类别目标设计各自的多目标多模型高斯混合概率假设密度滤波器,并在各滤波器处理过程中同时对高斯项进行编号;然后,根据目标速度与加速度模型信息进行高斯项综合与类别判决,同时根据ESM测量信息进行型号判决;最后,通过航迹综合管理,形成具有运动状态信息以及类别、型号、航迹编号信息的确定航迹。仿真实验验证了该方法能够有效综合雷达、ESM测量数据,在进行多目标检测、跟踪的同时进行正确的类别、型号判决,并形成确定航迹。     

WSN中基于分布式机器学习的异常检测仿真研究

安全问题是无线传感器网络应用的关键问题之一。设计了一种基于分布式机器学习的异常检测方案。该方案利用K最近邻算法对传感器网络节点进行分簇,时簇内节点的异常检测采用贝叶斯分类算法,对簇头节点的异常检测采用基于平均概率的方法。利用网络仿真工具NS2构建了入侵检测规则、模拟了网络攻击场景,在此基础上,通过仿真评估了方案的检测率、平均检测率、误检率和平均误检率等性能。仿真实验结果表明,该方案与当前典型的无线传感器网络入侵检测方案相比具有较高的检测率和较低的误检率。     

NWHFS多扰动调度问题的干扰管理方法

针对多扰动并发工况下无等待混合流水线生产调度问题，构建了多重约束下兼顾初始调度目标（最小化工件完工时间加权和）和扰动修复目标（最小化工件完工滞后时间加权和）的干扰管理调度模型，设计了搜索方向动态可变的多目标随机加权处理策略。并将基于高斯变异的全局寻优改进策略与基于随机邻域结构的局部精细搜索策略相结合，提出了一种混合微粒群优化求解算法。数值算例仿真实验结果表明，包含高斯变异算子和随机邻域结构的混合微粒群优化算法求解本文干扰管理调度模型是有效的。     

基于高斯混合过程的空间机器人任务空间预测控制方法

针对空间机器人的精准操控需求和任务空间控制问题，提出了一种基于高斯混合过程的模型预测控制方法。在建立的空间机器人标称模型基础上，考虑实际工作过程中由于关节摩擦、参数测量误差导致的建模误差，利用高斯混合过程对标称模型的不确定性进行精确、高效的分析和修正。其次，基于修正后的模型提出了非线性模型预测控制方法，在考虑实际物理约束，如关节限位、输入饱和等的情况下，实现了空间机器人基座和机械臂末端位姿对期望轨迹的直接精准跟踪。最后，考虑航天器在轨操控中的推力器冗余配置问题，设计了推力分配方案，并通过仿真结果校验了所设计控制方法的有效性。     

基于ARSαS模型参数估计的雷达目标检测方法

由于杂波非高斯特性和相关特性的影响,传统的动目标检测(moving target detection,MTD)技术的检测性能严重下降,针对该问题,基于对称α稳定分布(symmetric α stable, SαS)杂波模型和自回归(auto regressive,AR)模型理论,提出了一种基于ARSαS模型参数估计的雷达目标检测方法。该方法基于SαS模型,通过幂变换抑制杂波的非高斯特性,以及通过基于广义尤拉〖CD*2〗沃克方程参数估计的AR模型白化杂波,应用快速傅里叶变换实现对目标信号的积累,以提高信杂比。仿真实验和实测数据验证表明,所提方法在非高斯相关杂波背景下的检测性能明显优于传统的MTD方法。     

不确定性建模在2D和3D目标检测中的应用

目标检测算法在自动驾驶领域有着不可或缺的地位，其检测精度和速度往往可以作为评判一个自动驾驶系统好坏的标准。如何提升目标检测精度和速度已成为当前目标检测算法的主要研究方向。对此，提出了一种基于不确定性建模的目标检测改进算法，在原有二维单次多柜检测器上通过对物体的边界框进行高斯建模并引入新的位置损失函数，实现对原有检测结果的微调。同时，在原有单阶单目三维检测器的基础上引入深度以及航向角的不确定性来调整目标在热力图中的高斯半径，并用马氏距离替代原有的L1距离以提升对较远目标和斜向目标的识别率。对比实验证明，改进后的2D和3D检测算法在KITTI自动驾驶数据集上对比原始2D和3D算法，检测精度分别提升了近5%和2%。     

大入射余角CFAR检测器

雷达在大入射余角高分辨率海杂波背景下检测时,等效后向散射面积增大,大部分海杂波能量投射到少数距离单元,能量分布不均,出现功率突然增大的杂波“异常单元”,导致检测器参考窗口所处的背景环境复杂多变,传统检测器检测概率降低,虚警率及误检率增加。为解决此问题,通过参考滑窗单元的协方差矩阵构造正定矩阵,求解其矩阵范数用以估计杂波功率水平,并采用支持向量机改进传统恒虚警率(constant false alarm rate,CFAR)检测器,得到基于正定矩阵杂波功率估计训练支持向量机的改进CFAR检测器。实验结果表明,新检测器在均匀杂波、多目标环境下检测性能稳定,在杂波边缘的虚警控制能力良好。     

基于改进鸽群层级的无人机集群视觉巡检模型

为解决无人机在执行输电线路巡检工作过程中易受环境干扰,以及传统单人单机工作模式巡检效率低下等问题,提出基于改进鸽群层级算法的无人机集群视觉巡检模型。根据载机车辆与待检塔位的GPS坐标计算出启航无人机的初始地标点,并规划运动轨迹;根据当前在巡无人机结束巡检点的位置更新待起飞无人机初始地标,实现启航与在巡无人机巡检地标的动态衔接,完成对地图指南针算子的改进;利用改进的自适应模板匹配算法优化在巡无人机的Adaboost视觉识别系统,通过自适应比对线路间距实现无人机与输电线路间相对位置的自主调整,在动态调节姿态的基础上提高检测质量。实验结果表明：相比于传统鸽群方法,该模型在巡检效率方面的在空巡检时间提高了12%、巡检距离提高了27.5%,风吹、地形变化的情况下巡线质量相比于常规识别模型分别提高了21%和15%。