基于卷积神经网络的无人机图像模糊类型识别

为了提高无人机图像模糊类型识别的准确率,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的无人机图像模糊类型识别方法。通过样本预处理策略对无人机模糊图像样本进行处理,提高了方法的识别效率,同时降低了错误率。提出一种适用于模糊图像灰度频谱图的卷积神经网络结构,并利用训练样本对网络进行训练,增强了网络结构的针对性,提高了训练模型的识别准确率。利用测试样本对训练的网络模型进行测试,验证方法的鲁棒性。实验结果表明,将卷积神经网络应用于图像模糊类型识别,取得了良好的效果,针对实验环境下的无人机运动、离焦和大气散射3种模糊图像类型的识别准确率较高,所提方法的鲁棒性强、实用价值大。     

小样本采样数据的预处理

一般情况下数据处理大多采用数理统计方法,该方法对于数据较少情况下处理和判别粗大误差不适用。提出了运用线性均方估计法和熵值判别法来处理和判别粗大误差,线性均方估计消除粗大误差是一种采用软化的方法处理粗大误差;熵值判别法是根据熵的上界对应最大的不确定度,利用所得数据的熵信息量判别数据是否含有粗大误差。这两种方法经过多个实例计算,结果表明,它们在处理小样本采样数据时更有效。     

GM(1,1)模型用于目标方位数据预处理

基于估计理论这一数学基础的纯方位目标运动分析,由于其本质上的非线性,导致估计性能严重依赖观测精度,在大噪声背景下,收敛慢,甚至发散.针对此,提出一种基于灰色系统GM(1,1)模型的数据预处理算法.该算法不需要数据的概率分布、一二阶矩等统计先验知识,而是通过生成具有较强规律的数列,揭示数据的内在规律.仿真结果表明,该模型能有效地滤除背景噪声;经过预处理后的数据用于目标运动状态求取,解算结果理想.     

多传感器测量数据预处理

传统传感器测量数据处理方法只采用算术平均值的数字滤波法,虽然这种方法具有一定的抗干扰性,但从统计理论和实际应用情况分析来看,这种方法处理的数据不是测量结果的最好表示,尤其对于多传感器测量情况甚至更糟糕.针对这种情况提出了通过2次利用偏度分析建立动态检测门限判别并剔除粗差,再进行数据融合的分批估计方法.数据分析结果表明,这样处理后的数据测量误差和方差均更小,测量结果更接近测量真值.     

固相微萃取技术及其在毒剂分析中的应用

综述了固相微萃取的装置,原理、发展及其在毒剂分析中的应用．     

预处理方法求解低马赫数流场的边界条件

通过求解预处理后的二维可压缩Euler方程 ,数值试验了常见的三种进口边界条件的提法及其对稳定性和收敛性的影响。数值试验结果表明 ,预处理后 ,在低马赫数时基于黎曼不变量的边界条件为反射边界条件 ,而另两种边界条件为无反射边界条件     

预处理方法在低速粘性流动中的应用

用时间相关法、LU SGS隐式求解经过预处理后的二维可压Navier Stokes方程 ,数值模拟了低速情况下不同马赫数、不同雷诺数的驱动空腔流动。为了使时间相关法能应用于计算低速流动及加快收敛 ,在控制方程的时间导数项前乘了一个预处理矩阵 ,实现了对方程的预处理。数值模拟结果表明 ,预处理确实加快了计算的收敛性 ,而定常解却没有改变。所得结果与可能的计算结果进行了比较     

天线与目标特性时域测量系统中的信号处理方法

研究了时域测量系统的信号处理方法.介绍了背景信号对消的预处理方法,将FFT和啁啾变换应用在时域超宽带紧缩场测量系统中,并对大数据量测量时啁啾变换算法和FFT算法的效率进行了比较.     

装甲车辆行进间炮口振动角度误差预测模型

针对射击延时过程中具有振荡性的装甲车炮口振动角度误差数据,提出了一种优化的GM(1,1)预测模型。对原始数据进行光滑性和单调性处理;对传统GM(1,1)模型的初始值进行了基于拟合误差最小化的改进;基于传统模型中背景值构造方法存在的误差,重构了传统模型的背景值。通过对高低向、方位向两组数据处理结果的分析,优化GM(1,1)模型的拟合、预测结果相对于传统模型、改进初始值模型和改进背景值模型具有较小的误差,能够较好地反映装甲火炮炮口振动角度误差的变化情况。     

预处理方法在全速度流场数值模拟中的应用

基于预处理方法,采用有限差分方法,LU-SGS隐式求解了二维可压Navier-Stokes方程,数值模拟了无粘突包、粘性空腔、化学非平衡流场,并与试验结果进行了对比。计算结果表明,所采用的数值模拟方法能够求解低速及亚、跨、超全速度流场和化学非平衡流场,所采用的预处理方法在亚声速范围内保持数值精度的前提下,加速了收敛。