基于无人机实时数据多波次任务规划模型分析

针对导弹部队多波次作战任务规划问题,依据无人机的实时数据,构建了基于路径的多层规划模型,并设计了模型的算法求解流程.使用遗传算法与禁忌搜索混合算法,得出了任务规划中的最优路径规划,并在此基础上进行了冲突的消除.通过仿真案例表明,用无人机协同配合导弹部队作战,实时传输作战数据,能够解决战场信息模糊不确定的问题;使用多层规...     

面向对象的无人机影像地物分类

为了对农村用地进行有效分类,本文选取面向对象的分类方法,利用某农村的无人机航摄影像提取其土地类别信息.首先对无人机获取的原始影像进行预处理;然后对研究区反复进行分割实验,选取最优的分割尺度,在不同层次进行最优尺度地物分割;最后根据地物矢量、光谱、形状等特征差异,对最优分割尺度层上的地物进行最适宜的分类规则的建立,进而在...     

河南省大豆品种灰色布局决策研究

运用作物灰色育种学原理,对1996～1997年河南省大豆品种区域试验资料进行了品种中心灰靶布局分析。在此基础上,提出了河南省不同生态类型区大豆品种灰色布局决策,并对品种区域试验中应当引起重视的问题进行了讨论。表2,参5。     

基于模糊决策算法的新能源汽车充电桩布局优化方法

为了最大程度满足车流量充电高峰期的需求,提出基于模糊决策算法的新能源汽车充电桩布局优化方法.结合充电桩的覆盖区域以及建设管理费用等因素,构建充电桩布局模型;集合模型中的模糊参数,获取模糊适应度函数,依据决策者满意程度和优先等级,建立优属度权重选择函数获取满意解,完成充电桩布局优化.实例测试结果表明：该方法可结合充电桩建设区域实际车流量情况和充电需求,完成充电桩布局建模,迭代次数为62次时即可获取最小适应度函数,完成新能源汽车充电桩布局优化.     

基于计量分析法的江西稀土产业专利布局研究

江西是我国重要的稀土产业基地之一。以江西稀土产业技术为研究对象,通过计量分析方法,从专利视角,对专利申请趋势、产业技术构成、核心专利权人、研发热点、技术流向、法律状态等维度研究江西稀土产业技术布局现状。在总结提炼江西稀土产业技术布局特点的基础之上,提出强化优势领域核心能力、加速研究成果转移转化、建设企业为主体的技术创新体系、加速全球技术布局等建议,供有关部门决策参考。     

采用仿鲤科鱼C型启动构型叶片的多翼离心风机气动性能研究

受鲤科鱼类C型启动逃逸反应时高效率游动姿态及其周围涡流特征的启发,进行叶片仿生设计,以提升多翼离心风机的气动性能。首先,采用逆向工程方法获取了鲤科鱼C型启动姿态时鱼体中心线方程和水平剖面轮廓线方程,以C型启动时鱼体中弧线为基准,设计了仿生等厚叶片。其次,通过多翼离心风机气动性能数值计算和实验测试,得到了具有最佳进口安装角的仿生等厚叶片(O-BETB),采用O-BETB的多翼离心风机的风量增加了6.8%,噪声下降了0.5 dB(A)。最后,将仿生重构的鱼体流线型轮廓与O-BETB相耦合,得到仿生耦合叶片(CBB),以进一步提高多翼离心风机气动性能。结果表明：当采用CBB时,多翼离心风机的风量增大了8.3%,噪声下降了1.1 dB(A)。基于流场分析,发现具有仿生中弧线和鱼体轮廓特征的耦合叶片在前缘进口角及叶片型线具有更好的引流导向作用,叶间流道的低速分离旋涡明显小于另外两种叶轮;叶片尾缘的尾迹涡脱落引起气流不均匀性程度也最弱,有效缓解了尾流与蜗舌、蜗壳之间的非定常相互作用。通过多翼离心风机声场特性的分析,发现多翼离心风机的气动噪声主要集中在中低频段。CBB的采用,叶轮通道内分离涡被抑制,...     

无人机图像的输电线异物检测方法研究

目前无人机进行巡线成为热点,但无人机获取的图片是通过人工复检发现是否有异物的存在,效率很低、误检漏检率高.为了使无人机巡检更加高效和实现智能巡检,本文结合图像处理技术设计了一种根据异物轮廓特征进行异物检测的方法:首先对获取的图像进行灰度化,然后采用迭代阈值法对图像进行分割,用数学形态学结合连通区域管理去除分割后背景的影...     

基于深度强化学习的空中基站部署优化算法

针对无人机群(swarm of unmanned aerial vehicle, UAV-swarm)在救灾场景中对地面移动用户进行持续性通信覆盖的问题,设计了一种基于多智能体的深度强化学习的无人机群路径优化算法。该算法框架中无人机具有分布式决策能力,根据用户的移动来动态调整自身的移动策略。通过设置合适的强化学习奖励和参数,使无人机在满足覆盖百分比、防碰撞、能源限制等多种约束前提下,最大限度地长期覆盖地面移动用户。与其他无人机部署方案算法进行仿真对比,实验结果表明,该模型在收敛速度和收敛效果上得到了显著提升。     

基于深度强化学习的无人机自组网路由算法

针对无人机自组网节点密度大、拓扑变换频繁,导致移动自组网复杂的问题,提出了一种基于深度强化学习(deep-reinforcement learning, DRL)的分布式无人机自组网路由算法。利用DRL感知学习无人机特征,使节点不断与环境交互、探索学习最优行动(路由)策略;通过存储经验知识,维护端到端路由,赋予无人机网络智能化重构和快速修复的能力,从而提高路径的稳定性,降低路由建立和维护开销,增强网络的鲁棒性能。仿真结果表明,提出的算法具有较好的收敛性能;在路由修复时间、端到端时延,以及网络适应性、扩展性方面都优于传统的路由算法。     

面向建筑健康监测的无人机自主巡检与裂缝识别

面向建筑健康的高时效监测需求,为提升表面病害视觉检测的自动化水平,提出了场景信息引导的无人机自主巡检任务规划方法。利用场景先验信息,针对建筑结构特征,设计了平行观测和包络观测两种观测模式,实现了狭窄空间中独栋建筑的全覆盖避障巡检,获取了毫米级分辨率的整体建筑观测影像,并对巡检质量的整体评估提出了有效的量化指标。将建筑立面划分为3 720个子区域,利用深度残差网络开展了裂缝识别分类。错分13个子区域,漏分14个子区域,裂缝识别精度高。将裂缝骨架线映射到建筑三维模型,为裂缝形态与建筑整体的一体化表达提供了数据支撑。该研究将高精度三维重建与表面病害识别相结合,为建筑健康一体化监测提供了有效的观测分析手段。