装甲车辆动力传动系统一体化仿真平台

建立了一种集性能、结构、强度、评价于一体的一体化仿真平台,平台由装甲车辆动力系统仿真试验、传动系统仿真试验、动力系统与传动系统一体化仿真试验、性能综合评价4部分组成,能够实现动力传动系统的部件性能仿真、部件结构仿真、性能与结构匹配分析一体化仿真以及性能综合评价等功能。通过对某主战坦克动力传动系统性能分析、结构仿真,验证了平台的可靠性、准确性,为全面提高装甲车辆动力传动技术水平提供了现代化的方法和手段。     

一种复合模式的人脸识别系统设计

通过综合考察红外 可见光图像人脸识别的优缺点,利用红外温谱图进行人脸检测与识别的优势,在研究可见光和红外人脸温谱图识别技术以及两者融合技术的基础上,提出和设计了一种新的红外 可见光复合模式的人脸识别系统。初步实验结果表明,这种识别方法不论从理论上还是从实验上都是可行的,系统具有良好的识别能力。     

基于压电薄膜传感器的穿戴式健康监测体域网系统

为实现脉搏、呼吸、血压等重要生理信号的连续运动监测,研制了一种基于压电薄膜传感器的穿戴式健康监测体域网系统。体域网系统利用放置于弹性织物(腰带、腕带)内部的压电薄膜传感器获取人体脉搏波、呼吸波等生理信号。根据压电薄膜传感器监测到的呼吸信号的几何特征提出一种状态识别算法,可区分站立、走、跑、坐、躺、睡眠等状态。利用脉搏波传导时间与血压的关系计算佩戴者的收缩压和舒张压,实现无压迫血压监测。系统通过蓝牙实现体域网节点的互通信,利用穿戴显示设备和移动终端实现数据显示,实现了脉搏、呼吸、血压的连续运动监测。     

数据融合与敌我识别综述

敌我识别 (IFF)是自动目标识别 (ATR)技术的重要应用之一。高科技条件下现代战场中的目标侦察与敌我识别问题 ,一直是国际雷达领域和信息处理技术的主攻方向。为适应未来数字化战场的作战需求 ,具有敌我识别能力的系统 ,已成为 2 1世纪战场数字化系统的基本功能单元之一。扼要介绍了目标识别的有效途径、可提高敌我识别系统效能的数据融合技术及IFF现状与发展趋势。     

火炮射击声信号AR模型特征研究

针对现代炮兵战场上的目标识别问题,阐述了火炮射击声信号数据—发射波、弹道波和爆炸波的特征,介绍了火炮射击声信号AR模型谱估计的方法和步骤,利用MATLAB信号处理工具箱具体实现了三种不同类型火炮发射波的AR模型谱估计,并对一批样本成功进行了分类识别实验,探讨了火炮射击声信号AR模型特征在现代战场火炮目标识别中的意义和应用价值。     

人工神经网络特征优化方法在模式识别中的应用

在模式识别中,特征量的选择及组合优化是设计模式识别系统的关键问题,它强烈地影响到分类器的设计及其性能。人工神经网络除了在模式识别中作为分类器应用之外,而且能够实现特征参数的提取。通过采用人工神经网络模型,对柴油机故障的特征量优化方法进行了研究,实现了对柴油机故障的特征提取及优化。     

判决特征选择的快速人脸识别算法

为了在确保识别精度的条件下提高人脸识别的速度,提出了判决特征选择算法(SVM-DFS).针对多类分类问题,判决特征选择算法根据统计学习理论使用支持向量机来实现特征选择,根据全概率定理把特征选择和多类分类集成到一个统一框架.在UMIST和FERET人脸数据库上的实验表明:SVM-DFS算法可以用来挑选对分类最有用的特征,这些挑选出来的特征具有明显的物理意义.使用判决特征选择方法不但可以加快分类器的响应速度,而且不降低分类器的泛化能力.     

多特征空间下的支持向量机及其在图像识别中的应用

分别在主成分分析(PCA)、独立成分分析(ICA)和线性鉴别分析(LDA)所构造的特征空间下用模糊支持向量机(FSVM)进行人脸识别。同时,提出了一种改进的FSVM方法,即利用FSVM和多叉决策树相结合的思想来设计人脸分类器,从而使FSVM分类器的速度得到了大幅度的提高。通过在ORL人脸库上的实验结果表明,该算法是有效的。     

行政法治下的火灾调查工作——也谈火灾事故责任认定的行政可诉性

火灾事故责任认定是否可诉的问题一直是行政司法实践争论的焦点之一。本文认为是否为具体行政行为不应成为火灾事故责任认定行为可诉与否的概括性标准 ,火灾事故责任认定仍应纳入行政诉讼的监督之下。     

基于动态时间规整算法的车辆目标分类研究

将动态时间规整(Dynamic Time Warping)算法应用于地面车辆目标的分类识别中。基于微多普勒效应原理,建立了轮式车辆和履带式车辆雷达回波模型,对两种车辆目标微多普勒信号的差异性进行了分析,并结合实测数据,验证了理论分析的正确性。在杂波抑制及速度归一化处理的基础上,利用动态时间规整算法,将提取出的车辆目标的累积失真距离作为目标分类识别的依据,实现了轮式车辆和履带式车辆的自动分类。基于实测数据的实验结果表明,该方法在不同信噪比条件下都具有较好的分类性能。