基于差分最小二乘支持向量机的目标识别研究

目标识别是目前机器视觉、图像处理和模式识别领域的研究热点之一,广泛应用于各行各业。最小二乘支持向量机算法简便、速度快、精度高,是当前目标识别的主流算法之一。针对最小二乘支持向量机的参数难以确定,仅靠传统经验试凑的方法不易实现,且结果不理想;提出一种改进的差分进化算法实现最小二乘支持向量机的参数整定。通过改进变异策略,引入早熟判断机制,遏制了传统算法早熟收敛的问题。通过实验仿真,验证了改进算法可跳出局部最优点,结果比传统算法更优。以SM-TMSSY光电伺服跟踪转台为实验平台进行实例验证,证明了改进算法收敛速度快、精度高,正确识别率可从85%提高到92.5%,验证了算法的优越性。     

多特征自适应融合的CamShift算法与ROS跟随小车实现

针对传统的具有色彩特征的CamShift算法可以在弱干扰场景中实现良好的跟随,但在光线明显变化或相似颜色干扰的复杂场景中跟踪性能较差的劣势,采用颜色、纹理和边缘特征进行自适应融合的方法来提高算法的抗干扰能力,并通过目标框的尺寸限定和概率密度图的修正进一步提高算法在复杂场景下跟随的稳定性.分别使用机器人操作系统(robot oper-ating system,ROS)跟随小车对优化后的改进算法进行验证,结果证明了该改进算法在光线明显变化或相似颜色干扰的复杂场景下相比于传统的算法具有更高的鲁棒性、跟随精度以及良好的跟随性能.     

一种基于增强型烟花算法的自抗扰控制的机器鱼路径跟踪控制方法

机器鱼在未知水域进行路径跟踪时受到内外多种未知干扰因素的影响。自抗扰控制(auto disturbance rejection control, ADRC)具有较强的适应性、鲁棒性,是解决非线性、不确定性、强干扰、强耦合、大时滞等控制问题的一种有效方法。为了获得高质量的跟踪效果,提出基于增强型烟花算法的自抗扰控制(enhanced fireworks algorithm-auto disturbance rejection control,EFWA-ADRC)的路径跟踪控制方法。针对ADRC中参数的优化问题,采用增强型烟花算法(EFWA)在线调整,以提高机器鱼在路径跟踪过程中的抗干扰性。以多关节仿生机器鱼为研究对象,结合机器鱼的数学模型,在Serret-Frenet坐标系下建立路径跟踪误差模型,重点设计前向速度和转向速度控制率,构建基于EFWA-ADRC的路径跟踪控制系统。最后仿真与实验结果显示基于EFWA-ADRC与常规ADRC的控制方法使机器鱼分别在2.8 s、3.3 s左右跟踪给定路径,且跟踪误差分别保持在正负0.09 m、0.1 m内,相比于常规ADRC,所提出的控制方法使跟踪的稳态误差降低10%,证明提出的EFWA-ADRC控制器对受到强干扰的被控系统具有更优的控制效果。     

基于粒子群优化算法的分数阶系统二次型最优控制算法

目前,利用分数阶变分法和分数阶非变分法,解决分数阶系统的二次型最优控制问题时,存在数值算法的收敛效果不够好,近似化的步骤过于繁琐,且计算耗时长,以及在使用传统的梯度迭代优化算法解决分数阶系统的二次型最优控制问题时,对于优化函数要求较高等问题。针对一类Caputo定义下的确定性线性分数阶系统,首先,设计一种状态反馈控制器,考虑从优化角度去解决分数阶系统的二次型最优控制问题,然后,利用粒子群算法(PSO)求二次型性能指标的最优值,即系统的最优控制增益,最终,得到系统的最优控制律。仿真结果表明,PSO比传统的梯度迭代优化算法收敛效果更佳,通用性更好,获得的性能指标更小,验证了该算法有效可行。     

基于数据增强的卷积神经网络火灾识别

当前图像识别采用的普遍方法是卷积神经网络方法,但该方法依赖于大数据集,在样本不足时会出现过拟合问题。针对以上问题,根据火灾的背景复杂性和卷积神经网络自动学习特征的优点,提出一种基于数据增强的卷积神经网络火灾识别方法。对少量火灾图片引入数据增强技术,通过搭建一个3层卷积池化层和一个全连接层自动提取火灾特征,使用softmax分类器输出。仿真实验结果表明:原始数据测试集的识别率为95%,损失值发散,提出方法使测试集损失值收敛到0.2,改善了过拟合的问题;对数据增强减少过拟合的原因进行分析,表明对小样本使用卷积神经网络具有重要意义。     

基于注意力机制与多尺度特征融合的行人重识别方法

针对行人重识别中因遮挡、姿态变化使模型特征无法充分表达行人信息的问题,提出了基于注意力机制与多尺度特征融合的行人重识别方法。该方法首先使用改进的骨干网络（R-ResNet50）提取图像特征;其次,抽取网络不同尺度的特征层嵌入注意力机制（DANet）,使模型更关注于重点信息;最后,对提取出的关键特征进行多尺度特征融合,实现特征间的优势互补,并使用联合交叉熵损失、难样本采样三元组损失和中心损失的多损失函数策略对网络模型进行训练。实验结果表明,本文所提方法在Market1501、DukeMTMC-ReID数据集上的首位命中率（Rank-1）和平均精度均值（mAP）分别达到了92.7%、80.4%和86.4%、71.0%,模型提取的特征更具有判别性,识别率更高。     

基于深度神经网络的手写数字识别模拟研究

当前图像识别大多采用基于特征提取的传统机器学习方法与卷积神经网络的方法,但传统图像识别技术需要手动提取图片特征,而卷积神经网络对硬件要求高,训练时间长等。针对以上问题,本文提出基于深度神经网络模型的手写体图像识别方法,让机器自动学习特征,并在此基础上,通过改进成本函数,加入dropout防止过拟合,来提高手写数字识别的识别率。仿真实验对比结果表明,基于深度神经网络模型的方法比当前传统算法的识别率提高了3.41%,有效解决了人工识别费力耗时问题,对手写数字的研究具有重要意义。     

基于改进的单次多盒检测器室内人数检测

室内人数检测是解决公共资源合理分配和利用问题的关键。针对室内人群分布复杂且存在相互遮挡,而传统图像处理算法的准确率较低的问题,使用单次多盒检测器(single shot multibox detector, SSD)结合MobileNetV2与SENet的深度学习目标检测方法,对室内环境下的人进行识别。在微软开源数据集(common object in context, COCO)的基础上,采集室内真实图像制作数据集,进行不同IOU阈值、不同拍摄角度条件下的实验,并部署到计算环境为搭载神经元计算棒(neural compute stick,NCS2)的树莓派。实验表明,改进SSD目标检测模型在IOU阈值为0.4下,平均准确率和召回率较高,分别为97.91%和90.72%,在此计算环境下检测速度可达8帧/s,模型具有良好准确率和实时性。     

基于粒子群优化算法的的分数阶系统二次型最优控制算法

目前,利用分数阶变分法和分数阶非变分法,解决分数阶系统的二次型最优控制问题时,存在数值算法的收敛效果不够好,近似化的步骤过于繁琐,且计算耗时长,以及在使用传统的梯度迭代优化算法解决分数阶系统的二次型最优控制问题时,对于优化函数要求较高等问题。本文针对一类Caputo定义下的确定性线性分数阶系统,首先,设计一种状态反馈控制器,考虑从优化角度去解决分数阶系统的二次型最优控制问题,然后,利用PSO求二次型性能指标的最优值,即系统的最优控制增益,最终,得到系统的最优控制律。仿真结果表明,PSO比传统的梯度迭代优化算法收敛效果更佳,通用性更好,获得的性能指标更小,验证了该算法有效可行。     

基于深度学习的军事目标识别算法综述

目标识别作为深度学习中最受欢迎的领域之一，已广泛应用于民用的各个方面，如人脸识别、行人重识别、车牌识别、车辆识别等；而在军事应用领域，由于军事目标数据集较少，但识别要求精度高实时性强，所以还在发展阶段。本文首先阐述了基于深度学习的军事目标识别发展现状；然后介绍了六种目前主流的基于深度学习的军事目标识别算法（包括Mask R-CNN、GAN与深度森林、DRFCN、E-MobileNet、SSD300、YOLO）及相关网络结构、改进方法与实际应用；最后对主流方法进行总结，并探讨了未来的发展趋势。