航空时敏制导炸弹增程弹道组合优化设计

为增强航空时敏制导炸弹在中制导段的滑翔能力,将极小值原理与自适应进化粒子群算法相结合,提出了一种适用于航空时敏制导炸弹增程弹道的组合优化设计方法。基于纵向平面内质心运动模型,推导了性能指标泛函及各不等式约束函数。引入Lagrange乘子矢量并建立相应的Hamilton函数实现无约束泛函极值问题的转换,推导出兼顾各优化目标函数的满意优化模型。利用自适应进化粒子群算法对该段增程弹道进行了攻角与弹翼张合档位双设计变量的组合优化。数值仿真算例表明,在满足状态方程约束的条件下,双变量的增程效果比常规单变量控制时显著提高,其优化结果可为制导炸弹弹道规划设计的研究提供一定的理论参考。     

惯性导航在线标定滤波技术

在整个惯性导航标定过程中,滤波性能的好坏会直接影响到在线标定的精度。首先描述了惯性导航的误差累积等系统特性;然后详细介绍了几种典型的滤波算法和鲁棒滤波技术所取得的理论成果及各自优缺点,并阐述了在线标定中的应用情况;接下来分析了在线标定滤波技术的发展趋势,介绍了一种新型滤波方法;最后提出在线标定滤波技术的研究发展方向。     

应用改进遗传算法优化天基光学监视平台轨道

针对地球遮挡、地影、太阳光干扰、月光干扰、空间目标相对观测平台的角速度等约束对空间目标可见性的影响问题,基于已编目空间目标双行轨道根数,研究以太阳同步晨昏圆轨道作为观测平台轨道,采用改进多变异位自适应遗传算法对单星观测平台轨道倾角进行优化设计。仿真结果表明,改进的多变异位自适应遗传算法有效地解决了多变异位自适应遗传算法不能保证收敛到所有种群中最优个体的问题,且随机抽取10%左右的目标样本可以达到与采用所有目标相当的性能,计算效率提高约1个量级。     

随机滤波模型在变速箱剩余寿命预测中的应用研究

摘要：基于变速箱加速寿命实验的振动信号,提取信号的多种特征参量．通过分析各特征参量的敏感性和稳定性,选择幅域裕度指标、峰值指标、波形指标和RMS（RootMeanSquare）作为特征参量,建立一种基于随机滤波的变速箱剩余寿命预测模型,给出剩余寿命后验概率密度的递推公式,设计了极大似然估计方法求解模型参数,并经实例验证模型的有效性和实用性．     

综合体制设计--地空导弹武器系统设计新途径

采用相对体制雷达测量系的地空导弹武器系统的引导精度,已经过多年研究和努力,它是起伏误差和动态误差的综合产物.采用目标信号分离与滤波可进一步提高制导精度.首先可大大减小目标的起伏误差(约减小1/2).在大大减小目标起伏误差的新条件下,重新综合起伏误差和动态误差,可大大提高引导精度.     

基于BP网络的管道自适应有源消声研究

由于管道有源消声系统的参数时变性和本质非线性,基于传统自适应算法的控制系统稳定性不够,容易产生振荡.文章采用神经网络BP算法,利用Matlab6.0建立了管道有源消声的仿真控制系统.通过与采用传统自适应算法的控制系统进行仿真研究对比,证明采用神经网络BP算法的控制系统消声效果更加明显.     

用于纯方位目标跟踪的修正极坐标自适应卡尔曼滤波算法

针对纯方位被动目标跟踪中,直角坐标系下的扩展卡尔曼滤波器容易发散而导致滤波精度很差的问题,提出了一种修正极坐标系下的自适应卡尔曼滤波算法,对虚拟系统噪声进行估计,动态补偿模型线性化误差,对其滤波理论及算法进行了研究和仿真。仿真结果表明,该算法提高了滤波的稳定性、快速性和精确性,优于一般的扩展卡尔曼滤波算法。     

基于改进SUSAN算法的红外目标边缘检测

从3个方面改进了传统的SUSAN算法:①自适应选取阈值,以提高算法自动化程度:②使用双几何阈值,增强算法的抗噪性;③加入目标点判断因子,减少计算时间.利用改进的算法进行了红外目标边缘检测,结果表明,改进算法比传统的SUSAN算法有更强的噪声抑制能力,更快的边缘检测速度,显示出更加优良的性能.对对比度比较低的红外图像,改进算法可以减少40%以上的计算时间,而对对比度较高的红外图像,改进算法可以减少70%以上的计算时间.     

Multi-scale traffic vehicle detection based on faster R-CNN with NAS optimization and feature enrichment

It well known that vehicle detection is an important component of the field of object detection. However, the environment of vehicle detection is particularly sophisticated in practical processes. It is compara-tively difficult to detect vehicles of various scales in traffic scene images, because the vehicles partially obscured by green belts, roadblocks or other vehicles, as well as influence of some low illumination weather. In this paper, we present a model based on Faster R-CNN with NAS optimization and feature enrichment to realize the effective detection of multi-scale vehicle targets in traffic scenes. First, we proposed a Retinex-based image adaptive correction algorithm (RIAC) to enhance the traffic images in the dataset to reduce the influence of shadow and illumination, and improve the image quality. Second, in order to improve the feature expression of the backbone network, we conducted Neural Architecture Search (NAS) on the backbone network used for feature extraction of Faster R-CNN to generate the optimal cross-layer connection to extract multi-layer features more effectively. Third, we used the object Feature Enrichment that combines the multi-layer feature information and the context information of the last layer after cross-layer connection to enrich the information of vehicle targets, and improve the robustness of the model for challenging targets such as small scale and severe occlusion. In the imple-mentation of the model, K-means clustering algorithm was used to select the suitable anchor size for our dataset to improve the convergence speed of the model. Our model has been trained and tested on the UN-DETRAC dataset, and the obtained results indicate that our method has art-of-state detection performance.     

基于二进小波变换的噪声图像自适应增强新算法

针对图像增强算法通常会放大原图像中噪声分量的问题,提出了一种基于二进小波变换的图像增强新算法。该算法充分利用了二进小波变换的平移不变性和各尺度上小波系数间的相关性,有效改善了增强过程中噪声放大和边缘失真问题。此外,算法具有高度的自适应能力,适用性更强。实验结果表明,与目前已有的各类多尺度图像增强算法相比,该算法在抑制噪声和凸显图像特征两方面均有明显改进。