基于舰船噪声仿真模型的目标识别研究

将国际上迅硅盖展的基于模型的识别技术应用到舰船目标识别中，摄取舰船目标识别信息，在建立舰船辐射噪声仿真模型的基础上，推导了单、双螺旋桨舰船辐射噪声调制谱谐波族幅值特征的数学期望表达式，提出了基于仿真特征的舰船目标识别方法，并对五类舰船目标进行了分类识别实验，取得了较好的识别效果：正确识别率分别为92．6％，87．3％，83．5％，76．9％，78．2％。     

基于优化的RBF神经网络模式识别新方法

提出了一种基于Hough变换优化的RBF神经网络模式识别新方法,该方法把Hough变换应用于RBF神经网络的参数确定中,实现了RBF神经网络的隐层节点数和数据中心值的自适应获取,提高了RBF神经网络的泛化能力。仿真结果表明:此改进的RBF网络用于模式识别中具有识别能力强,计算量小,识别速度快的优点,具有广阔的应用推广前景。     

基于蚁群算法的两地之间的最佳路径选择

应用蚁群算法于公路交通系统，引入“状态参数”表示天气、路质、路况等诸多不确定因素对公路交通的影响，提出两地之间满足“合理路径”的条件和包含不确定因素影响的“虚拟路径”长度新概念及其计算公式，比较计算出的各路径的“虚拟路径”长度，可从两地的诸多“合理路径”中，优选出最佳路径，实例模拟计算结果表明蚁群算法用于公路系统中的最佳路径的实时查询是有效和可行的。     

目标识别的灰色工程方法研究

灰色系统理论是研究贫信息系统分析、建模、预测、决策、控制的有效工具,在工程技术、社会、经济等领域应用广泛.探讨了灰色系统理论在目标识别中的应用问题,提出了目标识别的灰色关联算法、灰色统计算法、灰色聚类算法及灰色统计聚类算法.     

基于散射中心的目标建模与识别

准光学区目标对高分辨探测信号的散射，表现出多散射中心。本文利用目标的这一物理特性，推导了相邻两个观测方位角上散射信号的近似比例关系，采用梅林变换重建了目标类模式，有效地克服了目标散射中心模型的参数敏感于观测方位角变化而带来的特征选择的困难。文中针对三种飞机目标（歼七、Ｂ５２、Ｍｉｇ２７）进行了识别实验研究，结果表明了本文所提出的目标识别方法是有效可行的。     

我国货运量与经济增长关系的协整分析

以我国1978~2007年统计年鉴的统计数据为样本,对我国货运量及货运生成量进行协整分析,协整检验结果说明货运量(取对数)与第一产业产值、第二产业比例和第三产业比例之间存在长期均衡关系,货运生成量与国内生产总值GDP(取对数)和第一产业比例存在长期均衡关系。Granger因果关系检验揭示了第一产业产值对货运量、第一产业比例对货运生成量存在单向的Granger因果关系。正交脉冲响应和方差分解分析说明第一产业产值对货运量和第一产业比例对货运生成量具有持续的正影响,而国内生产总值GDP(取对数)对货运生成量具有持续的负影响。     

Two Language Models Using Chinese Semantic Parsing

Introduction Although the word trigram dominates the statistical language modeling community, it still has some short- comings. For example, the word trigram cannot make use of the rich linguistic structure of the language, nor can it capture long-distanc…     

基于概率图模型技术的柱面全景图生成算法

为解决复杂场景下的全景图生成问题,应用了基于概率图模型的图像匹配技术,提出了一套完整的柱面全景图生成算法。采用动态阈值法对从图像中提取的H arris角点进行初步筛选,并结合图模型算法进行精确匹配,通过对匹配后特征点的迭代投影获得摄相机焦距,对原始图像进行柱面投影并融合。该算法具有对光照不敏感和全局最优化的特性,对图像噪声和特征点提取不准确有强健的承受能力,并有效地降低了计算复杂度,使算法更具有实用性。实验结果表明:能够对存在人车移动噪声和相机几何畸变的复杂场景正确合成360°全景图。     

汽车故障知识图谱构建及应用研究

知识图谱技术对汽车高效的故障诊断具有重要的意义,现有汽车故障知识图谱构建存在着实体识别模型效果不佳、无法解决嵌套实体等问题。针对上述问题,通过采用全词掩码的预训练语义模型、加入对抗训练和改进嵌套实体识别模型的方式提高实体识别模型效果,提出了一种改进的嵌套实体识别模型。实验结果表明,所提模型在F1指标、P指标、R指标上相比基线模型分别提高了3.56%、4.08%、3.05%,相比其他模型也有不同程度的提高,验证了所提模型对汽车维修领域实体识别具有显著效果。同时,基于构建的汽车故障知识图谱,实现了汽车故障知识智能问答原型系统,展示了知识图谱技术在汽车故障诊断与维护领域的应用前景。     

基于GRU-DRSN的双通道人体活动识别

人体活动识别(human activity recognizition, HAR)在医疗、军工、智能家居等领域有很大的应用空间。传统机器学习方法特征提取难度较大且精度不高。针对上述问题并结合传感器时序特性,提出了一种融合CBAM(convolutional block attention module)注意力机制的GRU-DRSN双通道并行模型,有效避免了传统串行模型因网络深度加深引起梯度爆炸和消失问题。同时并行结构使得两条支路具有相同的优先级,使用深度残差收缩网络(deep residual shrinkage network, DRSN)提取数据的深层空间特征,同时使用门控循环结构(gated recurrent unit, GRU)学习活动样本在时间序列上的特征,同时进行提取样本不同维度的特征,并通过CBAM模块进行特征的权重分配,最后通过Softmax层进行识别,实现了端对端的人体活动识别。使用公开数据集(wireless sensor data mining, WISDM)进行验证,模型平均精度达到了97.6%,与传统机器学习模型和前人所提神经网络模型相比,有更好的识别效果。