基于位置矢量的大椭圆导航参数计算方法

基于椭球体的大椭圆航行是一种经济可行的远洋航法,为确保船舶沿期望的大椭圆航线航行,提出了一种大椭圆航线导航参数计算方法。该方法采用位置矢量法求解大椭圆顶点,进而定义了长轴矢量和短轴矢量,并在此基础上推导了形式更为紧凑的航向角、航程和偏航距计算公式。算例分析表明:该方法推导的公式计算简洁,可有效解决航海中大椭圆导航的计算问题。     

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。     

面向大规模地理矢量线数据的多层级实时可视化技术

针对主流方法难以满足多层级实时可视化的需求,提出面向大规模地理矢量线数据的多层级实时可视化技术。建立面向多层级瓦片绘制的自适应可视化模型,设计像元四叉R(pixel quad R, PQR)树空间索引和基于PQR树的自适应可视化算法,分别用于支撑模型的数据组织和可视绘制。在10亿规模数据集上的实验表明：该技术在0.57 s内可计算任一层级上的可视结果,并且计算耗时大幅小于主流方法。当数据规模急剧增长时,该技术在各显示层级上仍具有较好的可视性能,最低可视速率超过100张/s,大幅优于主流方法。该技术在单机条件下即可支撑大规模地理矢量线数据的多层级实时可视化,在空间大数据探索分析领域具备较好的应用前景。     

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。     

雷达天线扫描方式的自动识别方法

为了对雷达天线扫描方式进行自动识别,改进开发了天线扫描方式模拟器,并分别研究了电子扫描和机械扫描的特征提取和识别方法。基于最大主瓣脉冲序列的特征参数实现电子扫描和机械扫描的区分,然后基于单个天线扫描周期脉冲序列的特征参数实现8种机械扫描方式的自动识别。仿真结果表明,本文方法能够区分一维电扫、二维电扫和机械扫描,并且采用支持向量机决策树对机械扫描方式的识别正确率高于决策树方法。     

地球静止轨道高能电子通量在线预测模型研究

利用粒子群优化算法和最小二乘支持向量机，建立了地球静止轨道高能电子通量(1.8-3.5MeV)在线预测模型。针对粒子群优化算法，提出了一种新的粒子群多样性测度计算方法，有效改善了其早熟收敛现象；基于改进的粒子群优化算法优化最小二乘支持向量机的正则化参数和核参数；利用滑动时间窗口策略更新模型数据，设计变量选择触发机制以及模型的再学习机制实现模型的在线预测功能。[根据题目的调整，对摘要做了相应改动]通过对2000年电子通量监测数据和相关太阳风、地磁参数等实际数据进行提前1-3天的预测实验，表明了所建在线预测模型具有较高的预测性能，有一定的实用价值。     

基于支持向量机的战套器材组配决策研究

通过交叉验证找出影响战套组配的3个重要参数的取值,并构建飞机的战套器材组配决策模型,最后利用libsvm工具包对某型军用飞机的战套组配的可行性进行了分析。结果表明：基于支持向量机的战套器材组配决策是可行的。     

LSP参数降维格型矢量量化应用研究

在分析LSP参数降维量化可行性的基础上,设计预处理机制实现了一种无码书LSP参数降维格型矢量量化算法,并提出了两个不同量化速率的VQ方案与MELP算法进行了对比。在24 bit/frame的实验方案中,组合4合成语音的PESQ均分超过了2.5,在无码书的条件下接近MELP有码书MSVQ的性能,可以满足低速率语音编码的音质要求并降低系统对空间复杂度和计算复杂度的需求。     

基于支持向量机的多元文本分类研究

根据文本分类的特点,在对最小二乘支持向量机方法进行详细分析的基础上,创建了基于最小二乘支持向量机的多元文本分类器.实验表明,采用该文本分类器能够在保持较高分类精度和召回率的基础上,提高训练效率,具有一定的可行性.     

基于神经网络的绕组电流闭环控制方法

在解决闭环消磁绕组电流优化计算问题时,会面临将外部磁场推算误差带入电流反演计算或完备的基函数难以确定等问题。为了降低这些因素对舰船最终补偿效果的影响,从智能优化的角度出发,在讨论散布常数对模型预测误差的影响后,确定了适宜的散布常数,建立了内部磁场与补偿电流之间的径向基函数神经网络预报模型。该方法通过样本对网络进行训练,无须推算内外磁场,就能直接得到使绕组磁场与目标磁场拟合误差最小的补偿电流向量。对比其他数值建模方法,其换算精度有所提高,且选择不同的同维向量作为基函数对补偿结果影响较小。船模实验验证了该方法的有效性。