目标跟踪系统中野值的判别与剔除方法

目标跟踪系统观测的目标坐标值,不仅包含随机误差,有时由于干扰等原因,使得测量值含有远大于随机误差的粗大误差,通常称为野值。带有野值的测量值将导致滤波系统产生记忆效应和误差,甚至导致滤波过程发散。因此,对测量过程产生的野值应予剔除。结合对Kalman滤波原理的分析,说明了基于Kalman滤波的野值判别与剔除方法,并提出了野值判别门限值的计算方法。     

对光的半波损失的探讨

本文根据光的电磁波理论 ,对光的半波损失产生的条件及本质进行了深入的探讨 ,并对几个光学实验进行了分析。证明了光只有在特定的角度入射时才会发生半波损失 ,在一般斜入射时 ,反射光并没有半波损失 ,但有相位的突变     

偷袭珍珠港之前

1941年12月7日,这是个令全世界为之震惊,令美国人世代铭记的日子。这一天,日军对美国海军太平洋舰队基地珍珠港发动突然袭击战,美国海军损失惨重。珍珠港事件的突然爆发,拉开了太平洋战争的序幕。     

离心式制冷机的运行管理

目前,制冷机型式多种多样,生产厂家也较多,仅适用于空调的就有溴化锂式、螺杆式、 活塞式等。目前市场上使用离心式制冷机组较多,现就该类机组的运行管理做一点介绍。在离心式制冷机的运行中,机组运行的原始记录的完整、准确,对分析机组故障原因和提 出解决措施是至关重要的。一、利用制冷的蒸发温度与冷媒水出口温度之差判别机组的蒸发器工作状态。蒸发温度与冷媒水出口温度之差随制冷机负荷的增大而加大,反之亦然。在同等负荷下, 该温差加大,表明蒸发器的传热效果降低,出现这种情况时就需要查找原因。如果冷媒水量 和机组中的制…     

上下文感知的深度弱监督图像哈希表示学习方法

针对现有深度监督图像哈希表示学习方法依赖于图像的类别信息,难以在现实中被广泛应用问题,利用与图像相关的标签信息作为监督信息,提出上下文感知的深度弱监督图像哈希表示学习方法。该方法一方面通过自适应捕获图像区域特征的相关上下文来增强它们的表示能力,另一方面通过引入判别损失来提高学习到的哈希码表示的判别性。在现有两个公开数据集上的大量实验结果证明了该方法的有效性。     

我院生活区低压配电的改造

生活区低压配电电压损失严重、功率损耗过大的根本原因在于低压侧电流太大、线路过长,采取加大导线截面的改造办法不能彻底解决问题。文章以我院生活区低压配电为例,提出两种改造方案,将电压损失降到接近国家标准,功率损耗大幅度减少,满足国家对上述两项指标的要求,可降低引发火灾事故的可能性,适应几年内负荷发展的需要。     

马氏综合权重距离判别法在中小型滑坡灾害评估中的应用

我国西南地区滑坡灾害具有点多面广、规模小、危害大的特点,群测群防是目前中小型滑坡灾害最为有效的预防手段。针对这种现状,为进一步完善群测群防体系,在马氏距离判别法和加权马氏距离判别法的基础上对权重值进行了修正改进,提出了一种新的判别分析方法——马氏综合权重距离判别法。该方法不仅保留了加权马氏距离判别中区分每一个指标重要性差异的优势,并且结合德尔菲法对权重值进一步修正,弥补了原来加权马氏距离法在判别过程中距离函数出现负值的不足。从本质上来说,这种方法是把由样本驱动的权重值和实际工程经验的权重值相结合,使权重值的取值更加符合实际。以该方法为基础,在一定的历史资料背景下,从滑坡致灾因素和孕灾因素考虑,选取适当的判别因子,建立判别模型,对未知潜在滑坡灾害进行判别归类,并且与马氏距离判别法和Fisher判别法比较。研究发现,马氏综合权重距离判别法具有更高的可靠度和判别精度,适于在群测群防体系中进一步推广使用。     

双模制导系统中导引头跟踪信息置信度判别

判别导引头对目标跟踪信息的可用性是双模制导系统中的关键环节.判别系统中引入置信度指标来描述跟踪信息的可用性.根据导引头探测环境复杂多变的特点,运用具有自主智能性的模糊逻辑推理系统对导引头跟踪信息的置信度进行判别,并针对模糊逻辑推理系统判别耗时问题,提出了把描述跟踪目标信息不确定性的模糊推理规则转化为神经网络的方法,实现了对导引头目标跟踪信息快速性、准确性的判别,满足了双模制导系统的要求.     

千变万化 质量永恒——风帆股份公司产品质量管理侧记

<正>2014年的风帆,以小小的电池实现了50亿元发展规模的突破和提升,面对生产场地、生产结构、生产布局等发生一系列重大变化,面对同质化带来的日趋严峻复杂的市场竞争,面对产品转型升级后带来的新问题,风帆公司坚守着自己做企业的信条:千变万化,质量永恒。练内功,产品质量是根基,要在新常态下用新思维、新举措、新方法、新姿态迎接新挑战,持续提升产品质量。     

三维点云深度模型压缩算法

随着计算机三维视觉的广泛应用,近几年基于深度学习的点云处理算法得到了大量研究,而耗时耗存储的缺陷较大程度限制了其在移动端的部署应用。基于改进损失函数的总体思路,提出了一种新的点云深度模型压缩框架,将知识蒸馏方法引入二值量化模型中,同时考虑点云聚合操作的特殊性引入了辅助损失项,改进的损失函数共包括预测损失项、蒸馏损失项和辅助损失项三部分。实验结果表明,和已有算法相比,所提算法可以获取更高的精度,同时对当前点云主流深度网络模型也具有良好的扩展性。