基于SSD卷积网络的视频目标检测研究

针对传统卷积神经网络对远距离视频目标识别效果差的原因,本文提出一种改进的基于SSD卷积网络的视频目标检测模型.首先,对数据集进行剪裁,旋转等预处理,提高网络检测泛化能力,其次,采用coco数据集Mobilenet_SSD预训练模型,由于其具有轻量级网络模型特点,减少计算开销,减少内存占用量.然后,再结合voc2012数据集进行二次训练微调处理,加快训练收敛速度,使用自定义数据集能有效检测特定场景目标,能够有效识别远距离场景下视频目标物体.实验结果表明,改进的网络检测模型适用于远距离目标检测,减少计算量,降低硬件内存资源消耗,提高网络模型性能和检测精确度,具有较好的鲁棒性.     

不同Alpha-Beta滤波算法的精度分析及改进

机动目标跟踪是雷达应用系统的一个重要组成部分,在机动目标跟踪中,目标的跟踪精度作为一项能够反映跟踪算法好坏的指标,是大部分人所关注的重点内容.通过对四种传统的Alpha-Beta滤波算法进行精度分析和比较,总结出四种算法的滤波特点,根据这些特点,改进得出了一种自适应Alpha-Beta滤波算法.该算法相对于传统的Alpha-Beta滤波算法来说,整体滤波效果是最优的,精度也是整体最高的.     

利用URL-Key领域术语识别方法

首次提出利用URL-Key进行领域术语识别的方法。以URL作为媒介, 借助已知URL-Key的领域性来判断未知领域候选术语的领域性。首先, 借助互联网中已有的人工分类领域URL, 根据URL-Key在各领域汇总使用的频度, 采用基于方差的领域URL-Key识别方法, 构建领域URL-Key词表; 然后, 利用伪反馈技术, 收集候选领域词检索得到的URL结果集, 根据URL结果集构建候选领域术语的URL-Key特征向量; 最后, 利用SVM对候选领域术语进行提取。在4个领域进行实验, 都取得不错的效果。新提出的方法可以有效地解决低频术语识别问题, 为低频术语的识别提供新的思路。     

面向海上移动目标的空天协同连续观测模型

由于视距限制,对海上移动目标进行连续观测与定位探测难度较大.现有方法通过卫星和无人机等单平台对目标进行观测,不能解决面向海上移动目标连续观测的问题.针对当前单个平台的不足,本文构建了面向海上移动目标的空天协同连续观测模型,并提出了空天协同连续观测策略.空天协同连续观测策略抽取出卫星规划、无人机飞行计划、观测序列、区域预测以及路径规划等五个子问题,并对其进行建模求解.仿真实验表明,该方法大大降低了目标的平均观测周期,有效解决了海上移动目标连续观测问题.     

拟双曲一致域与弱拟对称映射

根据拟双曲一致域和拟对称映射的基本性质,利用拟双曲度量作为研究的重要工具,主要讨论了度量空间中拟双曲一致域的几何性质,同时刻画了拟双曲一致域在弱拟对称映射下仍然是保持不变的.     

天线时域平面近场测试的信号源误差修正

提出了天线时域平面近场测试中信号源稳定度误差的修正方法.建立了误差修正所需的参考信道,分析了信号源误差所包含的误差项,根据时域近场测试对采样信号进行近场重建和近远场变换的两种方式,分别给出时域-频域结合修正和纯时域修正的两种修正方法,针对信号源误差包含的误差项对采样信号进行修正.实测结果证明修正后得到的频域方向图和时远场波形与参考结果都比较吻合,证明了两种修正方法的正确性.      

小麦草害本体知识库构建研究

根据小麦草害信息知识的特点,结合本体理论与方法,以河南省小麦草害为例,在小麦领域专家的指导下,首先凝练出小麦草害领域本体知识资源,并进一步梳理出较为完善的小麦草害领域本体知识组织体系,最后探索并构建了河南省小麦草害本体知识库,为其它领域本体的构建提供了框架参考和技术支撑.     

基于控制变量估计的高超声速再入滑翔目标轨迹预测算法

以高超声速再入滑翔目标为研究对象,在对目标机动控制变量进行建模分析的基础上提出了一种轨迹预测算法。首先,基于动力学建模构建了目标跟踪模型,利用气动参数对目标状态向量进行扩维并推导了对应的运动模型。其次,构造了适用于轨迹预测的目标机动控制变量,在不同机动模式下分析了控制变量的变化规律,基于控制变量设计了对应运动方程以及轨迹预测模型。最后,仿真生成了两条轨迹并对所提算法进行了仿真验证,分析了算法性能。仿真结果表明所提轨迹预测算法能够取得较好的预测效果。     

高校体育乒乓球教学中的学习动机探究

高校体育教学中乒乓球成为学生喜爱的内容之一,通过开展乒乓球教学,不仅可以锻炼学生的应变能力,同时也可以丰富学生的课余生活。在高校体育教育中要从激发学生的学习动机出发,发挥乒乓球教学的优势,满足学生的身心健康和发展需求。     

Underdetermined DOA estimation and blind separation of non-disjoint sources in time-frequency domain based on sparse representation method

This paper deals with the blind separation of nonstation-ary sources and direction-of-arrival （DOA） estimation in the under-determined case, when there are more sources than sensors. We assume the sources to be time-frequency （TF） disjoint to a certain extent. In particular, the number of sources presented at any TF neighborhood is strictly less than that of sensors. We can identify the real number of active sources and achieve separation in any TF neighborhood by the sparse representation method. Compared with the subspace-based algorithm under the same sparseness assumption, which suffers from the extra noise effect since it can-not estimate the true number of active sources, the proposed algorithm can estimate the number of active sources and their cor-responding TF values in any TF neighborhood simultaneously. An-other contribution of this paper is a new estimation procedure for the DOA of sources in the underdetermined case, which combines the TF sparseness of sources and the clustering technique. Sim-ulation results demonstrate the validity and high performance of the proposed algorithm in both blind source separation （BSS） and DOA estimation.