一种元卷积网络和持续学习融合的洞库类目标识别方法

洞库类目标是高价值识别目标,针对洞库类目标样本数据难以获得、样本内部数据相似度较高、人工设计识别特征方法局限性较大、普通深度网络需要海量数据等问题,提出了结合元学习和深度卷积网络的元-卷积网络（MCNN）,并融合持续学习理论的洞库类目标识别方法（MCNN-LLS）.首先结合深度卷积网络、元学习的理论建立元-卷积网络,该网络可利用旧知识指导新知识的训练,利用小样本数据即可训练得到识别能力较高的深度洞库模型;然后融合持续学习理论,建立持续学习系统（LLS）,设计专家审核模型判别深度洞库模型的识别结果,并引入潜在任务、模型异步更新等方法,达到模型持续学习、持续更新的效果.实验表明,本文方法所需样本数量少,对洞库类目标识别准确率高,且识别能力可随识别过程中新数据的积累逐步提高.      

应用于二进制除法位数扩展Ⅳ阶预测-校正迭代算法

提出了一种扩展二进制除法位数的Ⅳ阶预测．校正迭代算法．该算法每次迭代将除数位长一分为二，直到除数位长与基本除法位长相同．相应地商分前后两步求出，每步中除数高半数位作为除法运算的除数预测商值，低半数位和部分余数形成部分积校正预测值．理论分析并论证了调整值集合为[0，-1，-2]，给出了32位以内的各次校正概率曲线图．实验结果表明，本算法与比较除法相比，计算效率可提高3到10倍（取决于基本除法的位长）．本算法能得到准确余数，符合IEEE浮点数的舍入规范．     

迫弹一维弹道修正引信阻力器结构的空气阻力特性研究

为了研究不同阻力器结构的增阻特性,设计了多种结构10个方案的某型迫弹一维弹道修正引信阻力器,测量了配用这些一维弹道修正引信阻力器的某型迫弹在零攻角、低风速下的空气阻力,计算了一维弹道修正迫弹的空气阻力系数及其相对于制式迫弹的增阻倍数,探讨了不同阻力器结构的增阻特性.当引信结构允许设计较大的增阻面积时,选用简单的平面阻力器结构较为合理.     

基于多特征的洞库类目标识别方法

针对洞库类目标自动识别研究较少、识别率较低、识别方法成本较高等问题,设计了基于多种特征的洞库类目标识别算法.探讨了典型洞库类目标的模型并总结其主要特征;其次利用HOG特征对输入图像进行初步筛选,筛选出包含有洞库类目标的图像;然后基于洞库类目标的灰度特征提出了一种图像局部自适应阈值生成算法Wiblack提取图像中的疑似目标;最后搭建了洞库类目标的数学模型,并提出了基于形状相似度的目标判别算法,采用圆形相似度与椭圆形状相似度二次相似度判别方法,最终得出识别结果并描述目标轮廓,完成目标识别.实验结果表明该方法在洞库类目标的识别应用中有效可行,基于本文实验数据的识别准确度为92.6%.      

应用于二进制除法位数扩展N阶预测-校正迭代算法

提出了一种扩展二进制除法位数的N阶预测-校正迭代算法.该算法每次迭代将除数位长一分为二,直到除数位长与基本除法位长相同.相应地商分前后两步求出,每步中除数高半数位作为除法运算的除数预测商值,低半数位和部分余数形成部分积校正预测值.理论分析并论证了调整值集合为|0,-1,-2|,给出了32位以内的各次校正概率曲线图.实验结果表明,本算法与比较除法相比,计算效率可提高3到10倍(取决于基本除法的位长).本算法能得到准确余数,符合IEEE浮点数的舍入规范.