基于深度学习的空中目标威胁评估方法

针对空中目标威胁评估因素多、现有评估方法缺乏自学习能力的问题，采用深度学习理论建立了空中目标威胁评估的深层神经网络模型。为了提升模型训练的拟合效果，提出采用对称式的预训练方法，逐层地对模型中的隐含层进行预训练，最后对模型进行整体训练。分别通过样本测试集和空空仿真场景进行验证测试，结果表明：采用对称预训练方法，模型的威胁评估准确率高于其他三种预初始化方法；模型具有较好的鲁棒性，在无噪声下准确率大于90%，10%的正态噪声下，准确率大于70%。     

红外成像制导半实物仿真系统研究

红外图像的生成是红外成像制导半实物仿真试验中的一个关键技术.设计了一个红外成像制导半实物仿真系统,利用Multigen Creator建立目标和背景的三维模型,利用Vega中基于大气传输模型的SensorVision模块建立目标与背景的红外模型,生成目标及场景的红外图像.并将该红外图像应用于实际的某红外成像半实物仿真试验系统中,试验效果良好,达到预期目标.     

基于序列复杂度的空中红外目标跟踪算法评估

近年来,基于深度学习的红外空中目标跟踪算法不断涌现,如何对其性能进行评估已经成为一个亟待解决的问题。利用单帧图像混淆度和遮隐度对图像复杂度进行计算,并结合目标运动复杂度,建立了融合图像复杂度和运动复杂度的序列复杂度计算模型。构建了包含420个序列的红外序列样本库,利用序列复杂度对样本库测试结果进行加权评分,提出了一种新的红外空中目标跟踪算法性能评估方法。实验结果表明,所提出的评估方法能全面评估算法在不同态势下的性能。     

基于分形理论和神经网络的红外图像分割算法

针对实现红外图像的分割,快速准确地检测出红外序列中的人造目标的需要,结合分形特征和Ko-honen神经网络的特点,提出了一种基于分形技术的图像分割算法。该算法利用自然背景和人造目标的不同分形特征检测目标,提出了包括分形维数在内的7个红外图像特征,结合神经网络的自组织学习能力来进行图像分割。给出了算法实现的具体步骤。仿真试验结果表明,该算法能有效地实现红外图像的分割。     

基于深度学习模型的SAR图像间歇采样转发干扰检测

间歇采样转发干扰(interrupted sampling repeater jamming, ISRJ)利用合成孔径雷达的匹配滤波特性，在其图像中产生间隔分布的假目标，对目标检测等造成欺骗效果，故针对ISRJ的检测与抑制具有重大意义，而现阶段相关研究主要集中在信号域。对此，在图像域中开展ISRJ检测研究。首先将实测数据与仿真干扰相结合，基于不同实测场景与仿真参数构建ISRJ样本；其次针对假目标间隔分布的特点，选用深度学习检测领域具有代表性的“两阶段”与“单阶段”模型；再次，使用单一场景的ISRJ样本对模型进行训练，再利用训练好的模型对其他场景的样本进行测试；最终，得到ISRJ检测结果。基于MiniSAR数据的实验表明，对于不同类别、不同场景以及不同参数的ISRJ样本，所用深度学习模型能够达到95.75%的平均总体检测精度，具有很强的泛化能力。此外，对于尺寸大小为501像素×501像素的样本，上述模型的最少检测用时为0.035 s。     

基于BP神经网络的超分辨率图像重建

针对卫星图像成像过程中成像装置存在极限,导致图像分辨率低的问题,提出了基于神经网络的图像超分辨率重建(neural networks super-resolution reconstruction,NNSR)方法。该方法利用误差反向传播神经网络(back propagation neural networks,BPNN)对样本图像进行学习和训练,利用图像退化模型获取学习样本,采用向量映射加速BP神经网络的收敛,充分融合了低分辨率序列图像中的冗余信息。通过对训练好的神经网络分别进行样本仿真实验和泛化实验,验证了这种图像超分辨率重建方法的有效性。     

基于BP神经网络的人脸识别

将BP神经网络用于人脸识别 ,建立了人脸识别模型 ,研究了样本采样训练、样本批量训练和样本完整训练三种训练策略对识别率的影响。所设计的识别模型包括图像压缩、图像抽样、输入矢量标准化、BP神经网络与竞争选择处理过程。利用ORL人脸图像数据库进行了仿真实验 ,结果表明 ,其识别模型在实际应用中是可行的。该模型简单 ,识别率较高。如将训练策略配合使用 ,则在提高训练速度和训练效率的同时 ,也使模型分类性能有了明显提高     

天基信息支援体系离散事件仿真与效能评估

针对天基信息支援体系效能评估中存在的准确性与实时性无法兼顾的问题,以体系仿真为基础,提出一种基于离散事件仿真的效能评估模型构建方法。首先,基于仿真工具建立离散事件仿真模型,对体系的结构与运作流程进行模拟,并基于仿真模型构建评估指标体系,生成效能评估数据样本。之后,利用深度学习对复杂映射的强大表现能力基于深度置信网络构建效能评估代理模型,结合无监督预训练和有监督调优实现网络的训练和参数优化。最后,对仿真生成的测试集样本进行评估模型验证实验。结果表明,所提方法在计算快速的同时对原评估模型有很高的还原度。     

基于空间信息的DBN图像分类快速训练模型

数据的指数级增长及算法本身的复杂性使深度信念网络(DBN)面临着学习效率问题。根据DBN的样本图像与空间信息无关的特点,建立了DBN图像分类快速训练模型,提出了基于多幅样本图像线性叠加合成思想的DBN图像分类算法—LSMI算法。利用信息熵理论,证明了样本图像与空间信息无关的特点,并以ORL库为依据进行了验证。根据正态历经性,提出了LSMI算法,并以COREL库和MIT库为仿真对象,与其他改进算法进行对比,从正确识别率和算法时间复杂度等指标,判断该算法的有效性。仿真结果表明LSMI算法在保证识别率不变的同时,大幅度降低了算法的训练时间,达到快速学习的目的。     

一种新的红外与可见光图像融合评价方法

在对源图像进行区域划分与关联的基础上,结合红外与可见光图像的成像特点和图像融合任务需求,定义了两个图像区域特征,基于该特征和融合图像与源图像的信息熵及互信息（mutual information, MI）,构造了融合图像区域相似度评价指标,提出了一种新的无参红外与可见光融合图像质量评价方法。实验表明,本文所建立的融合图像质量评价指标,比目前常用的几种评价指标更接近人的视觉观感。     

基于背景还原的红外伪装效果评价方法

针对复杂环境背景下目标红外伪装效果评价问题, 提出了一种基于背景还原的红外伪装效果评价方法。首先利用改进的Criminisi算法对目标遮蔽下的背景区域进行修复, 得到背景还原图像, 然后与原图进行相似性度量; 考虑到实际还原背景与理想还原背景之间因图像修复算法局限性而引起的偏差, 使用IL-NIQE模型对背景还原图像的修复质量和还原效果进行评价; 最后将相似性度量值与还原效果度量值进行非线性融合, 完成目标红外伪装效果的综合评价。实验表明, 该评价方法符合人眼视觉特性, 能够对复杂环境背景下目标的红外伪装效果进行较好的客观评价。     

基于迁移学习和注意力机制的伪装图像分割

不同于常规目标,伪装目标特征模糊、尺度信息复杂多变、检测和分割难度更高.在现有伪装数据集基础上,提出了一种结合迁移学习和有效通道注意力的UNet网络伪装图像分割方法.首先,针对伪装目标特征模糊难以有效提取的问题,在UNet的下采样和上采样过程中,引入一种有效通道注意力机制,在不增加网络参数的同时,提高有效区域的特征权重...     

自适应在线增量ELM的故障诊断模型研究

为满足现役装备根据故障样本数据集积累的特点进行自适应故障诊断的需求, 本文将极限学习机(extreme learning machine, ELM) 的数据增量学习、隐藏层增量学习和输出层增量学习(类增量学习)3种增量学习模式, 融合到一个统一的学习框架内, 提出一种凸最优自适应增量在线顺序ELM(convex optimal adaptive incremental online sequential ELM, COAIOS-ELM)。模型能够根据增量学习中误差的变化情况, 自适应地增加隐藏层神经元, 减小分类误差; 并可根据增量数据集中新出现的故障类别, 进行相应的类增量学习, 增加故障诊断的范围。有效解决了ELM增量学习过程中模型自适应动态选择最佳网络结构的问题, 提高模型的故障诊断的精度和故障诊断的范围。本文选择UCI数据集中公共数据集和Biquad低通滤波电路故障诊断数据集, 通过与类增量ELM (class incremental ELM, CI-ELM)模型对比实验, 验证了所提方法的有效性。     

红外隐身涂料涂敷效果仿真

通过涂料的涂敷实现隐身是装备隐身的主要手段之一。针对涂敷过程的特点,提出了一种涂敷效果的红外仿真模型。首先,根据海上目标的特定环境,基于目标面元的计算,建立了海上目标的红外隐身涂料辐射模型;其次,根据探测器目标检测特点,给出了相应的红外检测模型;最后,综合目标的辐射与探测器的接收效果,给出了整体的涂敷仿真方法,建立了相应的涂敷效果仿真平台。多种实验证明,本文的算法速度快,红外仿真效果与实际接近,并且可以通过参数方便地进行调整,以显示不同涂敷方法和不同环境下的影响效果。     

新型的基于堆栈式ELM的时变信道预测方法

针对高速移动场景正交频分复用(orthogonal frequency division multiplexing, OFDM)系统, 提出了一种新的基于堆栈式极限学习机(extreme learning machine, ELM)的时变信道预测方法。为了捕获输入数据的深层信息, 基于单隐藏层神经网络, 首先利用堆栈式ELM方法从历史信道中提取信道的深层特征, 并获得网络的初始输出权值。然后, 为了适应信道的变化, 新方法基于新构造的历史信道样本与初始的输出权值来实时更新网络的输出权值, 并基于更新后的输出权值预测得到未来时刻的信道。最后,仿真结果表明, 新方法较现有方法具有更高预测精度, 适用于高速移动场景。     

基于BSO-ELM的涡轴发动机加速过程性能参数预测

建立精度和实时性均满足要求的航空发动机性能参数预测模型是实现发动机性能优化和实时监控的基础。极限学习机(extreme learning machine, ELM)对复杂的非线性航空发动机系统具有良好的适应性, 本文提出了利用头脑风暴优化算法(brain storm optimization, BSO)优化ELM的网络参数以提高其性能。并提出以发动机的台架试车加速过程数据为训练和验证样本, 利用BSO-ELM算法回归辨识得到涡轴发动机加速过程性能参数预测模型。结果表明预测参数燃气发生器转速n_g、燃气发生器出口温度T₄和增压比π_c的两项精度指标均优于BSO算法优化的反向传播神经网络和粒子群优化算法优化的ELM方法得到的预测模型, 表明了BSO-ELM预测模型的可行性与优越性; 在相同仿真环境下, BSO-ELM算法可大幅提高计算效率使预测模型的实时性更优。     

基于ELM_AdaBoost强预测器的空战目标威胁评估

目标威胁评估是空战态势感知中的关键问题。针对传统评估方法难以兼具准确性和实时性的缺陷,提出了一种基于自适应推进极限学习机(extreme learning machine_ adaptive boosting, ELM_AdaBoost)强预测器的新方法。结合AdaBoost分类算法对ELM算法进行改进,提出了ELM_AdaBoost算法,构造了ELM_AdaBoost强预测器。在空战训练测量仪中选取空战数据,利用威胁指数法构造了目标威胁评估样本数据。构建了基于ELM_AdaBoost强预测器的空战目标威胁评估模型,在一定范围内确定了使算法预测精度相对较好的ELM网络隐含层节点数和弱预测器个数。通过仿真实验分析了评估的精度和实时性,结果表明该方法在保证较高评估精度的同时减少了评估所用时间,可以准确、快速地进行空战目标威胁评估     

VDAS中基于单目红外图像的深度估计方法

针对视觉辅助驾驶系统(vision-based driving assistance system, VDAS)对夜间等低能见度场景下的车辆前视深度感知需求, 提出一种基于深度学习的单目红外图像深度估计方法。该方法采用端对端的多任务自监督学习框架, 利用单目红外视频帧之间的立体几何约束构建损失函数, 无须场景的真实深度信息。取前后两帧重投影误差的最小值, 解决了单目视频帧之间的遮挡问题, 同时削弱了红外图像噪点多的影响。网络解码器将多尺度深度图统一上采样到较高分辨率并计算重投影误差, 改善了深度图中的空洞现象。在FLIR车载红外数据集上的定性实验表明, 所提方法能利用单目红外图像得到对应的像素级稠密深度; 真实道路上的分析试验表明, 所提方法能够在夜间情况下利用红外图像有效感知目标物的深度信息, 15 m以内的相对误差为13.2%, 可以满足多数突发情况下情况下的避撞要求。     

基于聚类字典学习和稀疏表示的SAR图像抑斑方法

针对合成孔径雷达(synthetic aperture radar, SAR)图像相干斑抑制问题,提出一种基于聚类字典学习和稀疏表示的SAR图像抑斑方法。本方法以相干斑噪声的非对数加性模型为基础,通过改进相似度测度的K-means聚类和主成分分析方法进行字典学习,克服了相干斑噪声非高斯性带来的影响,形成具有结构性聚类的字典原子;在稀疏分解方面,通过引入方差稳定因子,建立了适用于抑制SAR相干斑噪声的稀疏表示模型,并通过交替迭代算法进行代价方程求解;同时算法还增加了点目标保护措施,避免了对图像点目标“过滤波”。通过卫星、无人机SAR图像的抑斑实验证明,相比经典的SAR图像抑斑方法,所提的方法在抑斑的视觉效果上和客观评价指标上都有较大的提升。