基于多指标精英个体博弈机制的多目标优化算法

为了改善多目标优化算法的收敛性与优化解集的多样性,缓解种群在目标空间中的坍缩,提出一种基于多指标精英个体博弈机制的多目标优化算法。利用Pareto支配关系与多指标综合筛选精英个体。将带有K-means聚类的精英个体博弈机制与交叉变异策略融合,有效提升了算法的收敛性与多样性。对算法进行了详细的收敛性分析,证明了算法的收敛性。将8个代表性的比较算法在标准测试函数上进行解集指标对比并解决实际水泵调度问题,本文算法在收敛性与多样性上优于或持平其他比较算法,验证了本文算法的有效性,在一定程度上减小了种群在目标空间中坍缩的概率。     

基于多尺度特征的高分辨率SAR图像机动目标识别

针对客观世界本身的多尺度特性及多尺度分析方法的有效性,提出了能够体现目标宏观和微观固有多尺度信息的SAR图像目标识别方法。该方法通过引入目标先验信息分割出反映目标形状的区域;并根据SAR图像目标对Gabor滤波器组的不同响应,利用多尺度信息及尺度间的相依性提取新的多尺度特征;最后按照方位信息建立多尺度特征库用以指导目标识别。通过MSTAR的实测SAR目标数据集进行了多尺度特征建立和目标识别测试,试验结果表明了该方法的有效性。     

尺度自适应的多模型压缩跟踪算法

为了对复杂环境中的目标进行长时间的精确跟踪,在压缩跟踪算法的基础上提出一种尺度自适应的多模型压缩跟踪算法。该算法首先利用离线学习获得目标的尺度约束集,建立目标的多尺度模型,实现尺度的自适应选择;其次,利用随机投影矩阵对多尺度图像特征进行降维,减少算法计算量;最后,利用多模型分类器在线学习训练朴素贝叶斯分类器实现目标跟踪。实验结果表明,本文算法在跟踪尺度变化的目标和外观变化的目标时,跟踪性能有了较大改善,虽然处理时间有一定程度的增加但仍满足实时性的要求。     

基于多尺度特征融合的红外图像小目标检测

针对复杂背景红外图像弱目标检测问题,提出了一种基于多尺度特征融合的红外小目标检测方法。该方法在对红外图像进行离散小波框架变换的基础上,提取目标在各子带图像上的多个特征;然后对各子带图像上的多个特征分别进行融合,获得相应的目标检测判决置信度图;接着采用自适应加权方法对各个目标检测判决置信度图进行融合,得到目标检测判决总置信度图,并对其进行目标区域分割,获得最终的目标检测结果。实验结果显示,该方法对高杂波条件下红外弱目标检测具有良好效果。     

量测点迹空间聚类的多传感器多帧检测算法

针对强干扰环境下微弱目标检测算法运算复杂度高、虚假目标数量多等问题,利用目标量测点迹在多传感器之间的分布特性及目标能量的可累加性,提出一种量测点迹聚类的多帧检测算法.该算法首先利用同源检测对多传感的器量测点迹的有效性进行判断,实现杂波/噪声剔除;其次在空间和时间两个维度对目标的能量进行积累实现微弱目标检测.仿真结果和性...     

基于决策融合的多无人机协同目标检测识别算法

针对现阶段单无人机不能高效完成大区域巡视的问题,提出一种多无人机决策融合的目标检测识别算法。首先改进Retinanet算法进行单无人机的目标检测,根据航拍图像目标特性,调整anchor参数和训练策略。同时利用特征提取算子配准多无人机航拍图像,实现多机图像坐标一致,并进行图像拼接。然后综合目标的位置信息和属性信息对多机图像进行目标关联。最后提出一种基于冲突度量的动态切换策略,自适应选择DST(dempster-shafer theory)或DSmT(desert-smarandache theory)融合关联目标信息。在多无人机协同目标识别数据集上进行实验,结果表明所提算法能在增大单次巡视范围的同时,提高无人机巡视系统的检测精度。     

基于多关系网络的社区检测算法

针对传统的社区检测算法主要适用于单关系网络,忽略了多关系网络中各关系间的相互影响,不能区分出各关系对于社区检测的重要性等问题,提出一种基于节点和关系联合排名模型,能够将多关系合并为单关系的Interact Rank算法。该算法在多关系网络中结合Page Rank算法以及随机游走模型的思想,考虑了多关系网络中各关系内和关系间个体的联系。同时,利用谱聚类对Interact Rank算法得到的单关系网络进行聚类,用于社区检测。通过UCI标准数据集上的仿真实验表明:Interact Rank算法能够在多关系网络进行有效的社区检测。     

SAR图像的多尺度边缘检测方法

SAR图像具有很强的斑点噪声,使得单尺度边缘检测算子难以兼顾噪声抑制、检测边缘的完整性和定位的准确性。提出一种SAR图像的多尺度边缘检测方法。首先构造高斯多尺度边界检测算子,然后根据信号边界与噪声边界的小波变换模值跨尺度传递的不同特性,将不同尺度的检测算子检测的边缘相融合,提出由边缘传递、继承和生长构成的多尺度边缘关联融合算法。实验证明该方法可以有效克服斑点噪声的影响,融合的边界比较完整,定位准确。     

反舰可见光弹对水面目标的边缘检测算法

针对反舰导弹通过可见光锁定水面目标问题进行研究是十分必要的.利用目标梯度变化以及目标边缘灰度变化均方值,通过该均方值对目标运动造成的偏差和边缘模糊的综合分析,运用极值估计对断裂的边缘进行补偿.并通过Simulink和导弹逼近仿真实验,验正了对目标边缘的有效检测.     

基于跨模块注意力的3D目标检测方法研究（英文）

针对三维目标检测任务中利用点云数据在提取和传输目标特征过程中发生的特征丢失问题,提出一种跨模块注意力目标检测方法。该方法结合通道注意力模块和空间注意力模块来增强关键特征信息。通过特征转换,将注意力模块不同阶段的特征连接起来,以减轻提取和传输过程中特征的损失。针对目标检测网络中不同尺度目标检测性能不足的问题,提出了一种跨尺度特征提取和融合方法。该方法通过采用多尺度特征提取和融合技术增强了网络获取多级特征的能力。实验结果表明：所提方法在保持33 Hz实时推理速度的同时获得了先进的性能。     

一种基于查询密度聚类的异常检测算法

现有入侵检测研究多集中在网络和操作系统,而数据库系统具有自己的结构和语义,针对数据库特点的入侵检测是现有数据库安全机制的重要补充。提出一种数据库异常检测算法,该算法对数据库查询进行密度聚类,并通过聚类的核心对象来建立正常轮廓。说明了该算法的训练、检测、增量更新方法和查询执行前检测算法,并通过实验和实例对算法的性能和应用做了分析。     

考虑保障装备可用度的舰载机作业调度优化

为了在保证较高水平的保障可用度前提下提高舰载机出动效率,提出一种支持可用度约束的统计优化模型及其对应的启发式求解算法.能够同时生成舰载机的保障作业调度方案和保障装备计划性维护的时间安排,并通过基于仿真的优化方式,在启发算法的适应度评价中增加对视情维修和事后维修的仿真,提高了舰载机作业调度方案的鲁棒性.仿真结果表明,所提...     

航母作战部署中的舰载机出动规划模型

为完成航母作战部署过程中的舰载机出动架次优化,采用规划模型来平衡部署中的母舰航行需求和舰载机出动需求。首先,改进原有的非线性规划模型,将目标改进为最大且均衡使用航空兵力;其次,提出一种新的转向方式,即剩余航程等分点转向方式;最后,开发一个利用遗传算法求解规划模型的图形化界面计算工具,利用该工具计算对比了2种目标函数和3种转向方式对于舰载机出动架次决策的影响。计算结果表明,模型和工具可行,剩余航程等分点转向方式总是优于原有的转向方式。     

基于多主体的舰载机综合保障过程建模方法

针对舰载机面向作战任务的实时动态的综合保障需求,提出了基于多主体的舰载机动态保障模型。系统分析了舰载机使用保障与维修保障的基本过程,探讨了其有限资源约束下的动态调度特征。建立了三层混合控制的多主体模型架构,保证模型具有足够的柔性与收敛速度。重点考虑保障过程中主体（Agent）间合作博弈特征以及故障等系统扰动的影响,提出了一类基于合同网的交互协商机制,以提高Agent间的协商效率,并尽可能消除重调度的影响。给出了Agent的个体抽象原则,并定义了可扩展的Agent内部结构。在此基础上,给出了舰载机动态保障的有限资源调度算法。最后以舰载机的战备完好性指标单位时间出动架次为优化目标,选取舰载机的典型任务模式对模型进行了验证。     

基于深度学习的轻量化目标检测算法

深度卷积神经网络在各个领域都表现出很好的效果, 与之伴随的是庞大的计算量和参数量。针对当前基于深度卷积神经网络的目标检测算法对计算资源需求太大和内存消耗严重的问题, 提出一种高性能轻量化的网络模型。首先将Stem模块和ShuffleNet V2进行融合, 提升网络特征提取能力, 并利用融合后的网络对原始YOLOv5的骨干网络进行重构, 显著降低了网络的计算量和内存占用, 同时, 引入可变形卷积以提升网络的检测性能。道路监控图像和VOC、COCO数据集测试结果表明, 所提出的模型在保持检测精度的前提下, 将参数量和模型尺寸降低了90%, 计算量仅为原始模型的18%, 实现了检测模型的轻量化, 更有助于在计算资源有限和对实时性要求高的场景中部署。     

基于本体的飞机舵面结构故障诊断方法

从系统工程的角度分析了飞机系统的复杂性,将飞机族的概念引入到飞机的本体建模中,并以舵面故障诊断过程为研究对象, 首先用Protégé建立了飞机本体的领域知识模型,然后将单故障和组合故障的诊断知识列为本体中的SWRL规则,最后利用 JESS推理出 新知识得出诊断结果,实现了用本体来选择修复方案的过程.该方法能够实现复杂系统的建模及故障诊断 方案的准确选择,并可通过增加新的诊断知识来完善故障诊断知识库.     

用于SAR图像小目标舰船检测的改进SSD算法

针对合成孔径雷达(synthetic aperture radar, SAR)图像小目标舰船检测中存在的检测率较低、虚警较高等缺点,提出了用于SAR图像小目标舰船检测的改进单步多框检测(single shot multibox detector,SSD)算法。首先,制作了一个专门用于SAR图像小目标舰船检测的数据集,在SSD目标检测算法的基础上,提出了迁移学习、浅层特征增强和数据增广3个方面的改进;利用性能更好的ResNet50作为特征提取结构,在浅层特征增强网络结构中采用了inception模块的分支结构,同时使用了空洞卷积扩大特征图的视觉感受野,增强了网络对小尺寸舰船目标的适应性;最后在数据集上进行了多组对比分析实验,实验结果表明所提方法相比于原始的SSD,平均准确率提高了5.4%,并且对SAR小目标舰船的漏检和误报明显减少。     

基于卷积神经网络的小型建筑物检测算法

针对基于传统卷积神经网络的建筑物目标检测算法对于小型建筑物检测准确率低的问题, 提出一种基于Mask-区域卷积神经网络(Mask-region convoluional neural networks, Mask-RCNN)模型的小目标检测算法模型。该模型对Mask-RCNN模型中的特征提取网络进行了改进, 设计了一种带有注意力机制的多尺度组卷积神经网络, 有效解决了小目标有用特征较少且易被背景特征和噪声干扰的问题。航拍图像实验结果表明, 改进的检测模型使小型建筑物目标检测准确率较原始Mask-RCNN模型提升了28.9%, 达到了0.663。并且整体检测准确率达到了0.843, 有效提升了航拍建筑物检测准确性。