无监督特征学习的人体活动识别

针对人的局限性可能会导致在提取特征中丢失重要信息,从而影响最终的识别效果问题,提出无监督特征学习技术的惯性传感器特征提取方法。其核心思想是使用无监督特征学习方法学习多个特征映射,再将所有特征映射拼接起来形成最终的特征计算方法。其优点是不会造成重要信息的损失,而且可以显著减少所使用的无监督特征学习模型的规模。为了验证所提出的特征提取方法在活动识别中的有效性,运用一个公开的活动识别数据集,使用三种常用无监督模型进行特征提取,并使用支持向量机进行活动识别。实验结果表明,特征提取方法取得了良好的效果,与其他方法相比具有一定的优势。     

多视图三角化中特征点噪声尺度的自适应估算

鲁棒性多视图三角化方法通常借助重投影误差经验阈值来剔除图像对应中的错误匹配,该经验阈值的选取直接影响三维重构场景点的数量和精度。在分析图像特征点定位噪声及对极传递几何原理的基础上,建立对极传递过程不确定性的传递模型,提出一种基于核密度估计的最优噪声尺度估算方法,并将该噪声尺度作为多视图三角化中错误匹配筛选的依据。实验结果表明,该方法可以获得准确的噪声尺度估计,从而有效提升多视图三角化方法的三维重构质量。     

火箭发动机故障检测的快速增量单分类支持向量机算法

为解决液体火箭发动机故障诊断正负样本不平均问题,以及实现发动机稳态工作段自适应故障检测,建立了基于快速增量单分类支持向量机的异常检测模型。采取特征工程方法,对传感器获得的多变量时间序列进行特征提取。通过增量学习方法,对单分类支持向量机模型进行改进,并应用于液体火箭发动机异常检测,使单分类支持向量机检测模型具备对不同台次、不同工况的自适应性,提高了模型的计算速度。对多台次热试车数据的分析结果表明,该模型十分有效,训练速度快,具备实用价值。     

应用局部约束二维稀疏表示识别SAR图像目标

在分析典型稀疏表示分类方法和局限性的基础上,提出了一种基于局部约束的二维稀疏表示方法,以有效解决SAR图像目标识别问题。该方法对SAR图像进行图像预处理,在兼顾图像相邻列(行)对应稀疏表示系数邻近性和样本间局部性的基础上,构建了局部约束目标函数,并通过解闭式解,实现稀疏表示系数的更新求解。利用美国实测MSTAR数据对算法进行了仿真验证,实验结果表明所提出的方法可实现SAR图像目标的有效识别,并对训练样本数目具有一定的鲁棒性。     

基于直线基元角方向对几何关系直方图的目标识别方法

针对以往"角方向对几何"同类技术[6～8]提出了新的基于直线基元的几何不变特征关系,并使用该关系针对目标线集建立特征关系多维直方图,作为目标的几何不变特征,通过多维直方图匹配进行目标识别。实验证明该模式关系对于较规则的形体,其检测精度优于以往方法,可用于基于内容与结构的图像分析与目标识别系统中。     

基于四阶累积量阵列扩展的稀疏分解方法

提出了一种基于四阶累积量稀疏表示的估计方法,解决信号数多于阵元数时的DOA估计问题。该方法首先构造了包含所有DOA信息的最小冗余矢量,利用扩展阵列的最小冗余导向矢量构造完备字典减小完备字典的复杂度;然后利用L1范数作为稀疏约束条件建立稀疏模型进行DOA估计。理论分析和仿真实验,验证了该方法能够估计出的信号个数大于阵元数目,可直接应用于相干信号,比MUSIC-like算法具有更好的性能。     

基于KP CA的作战仿真实验数据特征提取方法

针对作战仿真分析过程中各作战要素的复杂性与非线性,研究了一种基于KPCA的作战仿真实验数据特征提取方法。该方法描述了KPCA特征提取的原理和算法,并将其应用于作战仿真实验数据的空间降维,根据累积贡献率确定新特征的数量。仿真结果表明,该方法与PCA相比具有主成份特征明显、贡献率集中等优点,能够有效综合原始数据的非线性特征,降低原始数据的维数。     

多任务时间规划冲突检测方法

摘要：针对多任务的时间规划问题,基于Simple Temporal Networks(STN)时态表示模型和时态推理方法,提出了一种时间冲突检测的智能方法,并对该方法给予了数学证明。实验表明,该方法能够检测出基于STN表示的作战方案的时间冲突,并对任务时间规划提供参考范围,可有效辅助指挥员快速制定作战方案的时间规划。     

《连续系统建模》的计算机辅助学习与考核系统

本文介绍了一个用于《连续系统建模》学习与考核的计算机辅助教学课件的功能和设计原理,重点介绍了系统动力学模型图的知识表达和建模行为的有效性度量的方法。     

一种基于模型的舰船目标特征提取方法

针对中分辨雷达,提出了一种基于模型的舰船目标特征提取方法。通过对特征向量的组合和加权提高了舰船目标的特征提取质量,在人工神经网络识别器中取得了较好的识别效果。