模糊神经时延 Petri 网的信息融合模型

将模糊逻辑与融合技术相结合得到了一种模糊信息融合方法,然后用时延Ｐｅｔｒｉ网对此信息融合系统建模,并给出了信息融合系统反应时间的一个计算公式。然后将人工神经网络应用到时延Ｐｅｔｒｉ网中,提出了一种多传感器信息融合的模糊神经时延Ｐｅｔｒｉ网模型。     

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。     

多CPU探测机器人分布式体系结构研究

星球探测机器人是一个带有部分自主行为的自主智能机器人系统,它的体系结构不仅决定了系统完成任务的能力、系统对环境事件的反应能力,而且还决定了系统的健壮性.星球探测机器人的容错网络结构是系统设计的核心,文章提出了一个高可靠的分布式计算系统架构,并对架构的容错网络通信技术进行了分析.     

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。     

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。     

小波变换在过零调制信号检测中的应用研究

将小波分析理论应用于配电网络过零调制信号的检测中,解决了在强噪声、低信噪比的配电网络中通信误码率高的难题,提高了系统的信噪比。给出了小波变换Mallat算法的分解和重构公式。信号仿真表明,应用该方法可以很好地从复杂环境下提取有用信号的特征。     

C4ISR领域本体研究初探

如何实现C4ISR系统的跨越式发展,是当前的研究重点。本体论作为最新的知识工程化技术,信息系统建设是其研究、应用的重要领域。通过分析C4ISR系统特点及未来军事发展趋势,结合C4ISR系统建设的实际情况,阐述了军事领域开展本体研究的广阔前景,并探求建立C4ISR领域本体库,对本体库的作用及发展过程提出了初步设想,在C4ISR系统建设和本体应用两方面做出了有益的探索。     

谈公安边防部队缉毒情报侦查信息网络建设

当前和今后一个时期,国际、国内毒潮将持续冲击我国社会,禁毒斗争将是一场持久战。针对当前缉毒情报侦查网络建设中存在的主要问题,公安边防部队应从适应信息化条件下缉毒工作的需要出发,建好缉毒情报侦查信息网络,为边防缉毒工作提供有力的情报保障。     

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.