多分辨率建模及其军事应用

多分辨率建模是分布交互仿真中极其关键的技术,建模目的是根据情况需要动态改变分辨率,提高模型或模拟的灵活性和伸缩性,有效解决模拟复杂性与资源有限性等矛盾.介绍了当前多分辨率建模的主要方法:聚合-解聚法、一体化层次法和视点选择法.每种方法有各自的优缺点.多分辨率建模的难点主要是基础理论、一致性问题和应用研究等问题.     

消防责任事故罪构成要件探讨

消防责任事故罪包括客体、客观要件、主体、主观要件等若干构成要件,其客体为“国家的消防监督制度”,其客观要件是“经消防监督机构通知采取改正措施而拒绝执行”,其主体为特殊主体“直接责任人员”,其主观要件应限于过于轻信的过失。     

基于粗集的神经网络在目标类型识别中的研究

为克服传统的目标类型识别方法的不足,提出将粗集和神经网络紧耦合建立新的识别模型,即经过识别信息预处理、样本数据粗集方法简化、神经网络学习训练及待识信息网络识别等步骤,充分融合了粗集强大的规则提取能力和神经网络优良的分类能力。实验表明,该模型减少了识别的主观因素,简化了神经网络结构,提高了运算速度。     

基于Markov链的分布式仿真系统最佳检查点间隔研究

基于HLA的分布式仿真系统作为一类特殊的分布式系统,其容错一般基于回卷恢复实现,在回卷恢复中检查点间隔的不同会对系统性能产生很大的影响。分析了分布式仿真容错与一般分布式系统容错的异同,根据不同仿真进程对仿真结果的重要程度对其进行了分类,定义并利用Markov链分析了采用回卷恢复时分布式仿真系统的可用度,得到了系统最大可用度对应的检查点间隔的求解等式,通过一组试验数据验证了该最佳检查点间隔求解等式的正确性。     

UML在装备虚拟维修训练系统设计中的应用

介绍了通用装备虚拟维修训练系统的功能需求和面向对象的统一建模语言(UML),结合构造虚拟维修训练系统的软件技术,以某型雷达装备为例,将雷达模型与UML视图相结合,阐述如何用UML语言对虚拟装备进行系统建模,从而完成仿真功能。     

分布式数据库系统的查询优化策略研究

在分析比较分布式数据库系统和集中式数据库系统查询优化目标不同特点的基础上,归纳出分布式数据库系统的查询优化目标,进而提出查询优化的策略,并在举例中重点讨论了操作执行顺序的不同对查询性能的影响。     

基于协商的Agent资源冲突消解算法研究

针对分布式规划系统中Agent计划的资源冲突问题,研究了资源冲突的分类;基于Agent协商理论,从资源最优配置的角度,论证了最优的协商策略,提出了可重复利用的不可分享型资源的冲突消解算法,较好地解决了Agent分布式规划中出现的一类资源冲突问题。算例表明,给出的冲突消解算法是有效的。     

分布式到达时间控制器装备维修任务实时调度方法

战时装备维修企业的生产环境呈现出更多的不确定性,合理安排维修任务来适应这种不确定性使实际修复时间与计划时间偏差最小是什么重要的.为此,提出了一种面向准时制造的实时生产调度方法,这种生产调度系统有多个独立的智能体,每个智能体通过到达时间控制器和仿真系统的反馈来调整对应维修任务的到达时间,然后通过先来先服务的调度规则确认维...     

融合神经网络与超像素的候选区域优化算法

为解决目标检测中候选区域召回率低的问题,提出融合神经网络与超像素的目标候选区域算法。该算法利用神经网络提取更能清楚表达目标边界的特征,并使用聚类、相似性等策略,计算每个滑动窗口所含有的边缘信息量;将待测图像使用简单线性迭代聚类算法分割成若干个超像素,并利用超像素的空间位置、完整性、相邻超像素间的对比度信息,计算各个超像素的显著性得分及每个滑动窗口的显著性得分;根据每个滑动窗口的边缘信息及显著性得分筛选滑动窗口。在PASCAL VOC 2007测试集上进行对比实验,其实验结果表明:所述算法能够快速产生定位质量高的候选区域。     

Visual SLAM in dynamic environments based on object detection

A great number of visual simultaneous localization and mapping (VSLAM) systems need to assume static features in the environment. However, moving objects can vastly impair the performance of a VSLAM system which relies on the static-world assumption. To cope with this challenging topic, a real-time and robust VSLAM system based on ORB-SLAM2 for dynamic environments was proposed. To reduce the influence of dynamic content, we incorporate the deep-learning-based object detection method in the visual odometry, then the dynamic object probability model is added to raise the efficiency of object detection deep neural network and enhance the real-time performance of our system. Experiment with both on the TUM and KITTI benchmark dataset, as well as in a real-world environment, the results clarify that our method can significantly reduce the tracking error or drift, enhance the robustness, accuracy and stability of the VSLAM system in dynamic scenes.