基于卷积双向长短期神经网络的调制方式识别

针对现有卷积神经网络方法下调制识别时间较长、网络较复杂等问题,将卷积神经网络(Convolutional Neural Networks,CNN)与双向长短期记忆神经网络(Bi-directional Long Short-Term Memory,BiLSTM)相结合,提出一种基于CNN-BiLSTM的调制方式识别方法。利用CNN卷积运算提取信号的空间特征,利用BiLSTM提取到信号的时序相关性,利用softmax层输出识别概率,达到多调制识别的目的。实验结果表明,在没有信道和噪声等先验信息的条件下,该方法的识别性能得到了进一步提升,能有效识别16QAM、64QAM等11种调制类别,且该方法的复杂度较低,大大节省了训练识别时间,具有较好的工程应用价值。     

移动终端基于机器视觉的器材识别研究

提出了单兵移动终端离线状态下基于机器视觉的装备器材识别的方法,从图像采集、图像预处理、特征提取及数据匹配3个模块展开分析。简要介绍了手持终端图像采集的相关考量。通过畸变校正、降噪、轮廓提取等,得到器材的轮廓图像,为特征提取做好准备。选取器材的几何形状特征作为识别依据,通过ORB算法得到图像的特征向量,并进行匹配,达到识别器材的目的。实验测试数据表明,该算法具有较高的识别率和良好的实时性。     

分布式传感器网络自适应一致性融合估计算法

针对分布式传感器网络的目标一致性状态估计问题,提出自适应一致性融合估计算法。考虑到网络中节点为测距和测方位的传感器,基于观测噪声与目标状态相关的假设,构建量测模型;引用无迹卡尔曼滤波与CI算法得到各节点的局部估计,通过误差矩阵加权更新节点状态以改进一致性算法,实现各节点对目标状态的一致性估计。仿真实验结果表明,该算法能够在快速收敛的过程中实现无中心节点的分布式传感器网络中各节点对目标位置的精确估计,同时又保证各节点之间的一致性。     

能量状态法的无人机节油轨迹优化

应用能量状态法研究了高空长航时无人机节油飞行的最优轨迹问题.构建了基于能量状态法的质点运动模型,简化了传统运动模型的维数,并利用变分法提出了基于能量控制的性能指标,推导出飞机纵向飞行过程(爬升、巡航和下降)的优化方程,得到整个飞行过程的全局最优解,给出了一种适用的算法,利用Matlab对该算法进行了计算仿真.仿真结果表明,优化的节油轨迹算法效率较高,可节省飞机燃油、缩短航行时间.     

船舶静态电场跟踪的渐进更新扩展卡尔曼滤波器

为了实现利用船舶静态电场对船舶进行跟踪的目的,针对传统卡尔曼滤波算法中存在的问题,设计一种新的非线性滤波器。建立船舶的状态空间模型,分析传统卡尔曼滤波算法在船舶跟踪中存在的问题;依据渐进贝叶斯思想,利用连续白噪声与离散白噪声序列噪声协方差之间的关系,设计一种新的渐进更新扩展卡尔曼滤波器。仿真结果表明,该滤波器能有效地抑制由于初始误差较大而造成的滤波性能下降和滤波发散,能够有效地跟踪船舶,具有较高的实用价值。     

基于模板的态势估计推理模型与算法

分析了态势估计的三级模型,给出了基于模板的计划识别推理框架,研究了态势估计推理算法,并提出一个通用的态势估计模板匹配算法,最后运用专家系统工具CLIPS实现了事件/活动、军事计划的模板表示及推理,结果表明使用模板匹配的方法实现态势估计是有效可行的。     

空中目标类型识别的直觉模糊集方法

在防空作战中为了有效地对空中目标的类型进行识别,利用直觉模糊集理论对目标识别信息的不确定性进行量化处理,并在直觉模糊数排序方法研究基础上,提出了一种基于直觉模糊集理论的空中目标类型识别方法。实例分析表明,该方法能够定量描述目标判断信息的不确定性以及在避免信息丢失的同时有效地处理不确定性程度较高的目标判断信息,可为防空作战中目标类型识别提供理论参考。     

面向态势估计的多代理规划识别模型的研究

态势估计问题是数据融合的高层部分,如何有效的评估态势进而推理出敌军的目的、意图是要解决的问题;而在战役对象多、机动复杂的情况下如何推理更是一个待解决的问题。通过应用多代理规划识别理论,建立态势评估的推理框架,进而推出解决态势融合的推理算法。     

基于模糊二叉树支持向量机的空袭目标属性识别

针对现有空袭目标属性识别方法存在的不足,提出了一种基于模糊二叉树支持向量机的空袭目标属性识别技术。该方法充分发挥了模糊二叉树支持向量机解决二类分类问题的优势,有效地提高了识别率和识别速度。最后给出了与现有识别方法的比较结果,证明了该方法的有效性。     

基于增强CNN模型的手写字体图像识别

为了提高汉字的识别率,提出了一种改进的图像识别算法,根据偏微分方程理论,提出一种增强CNN模型识别汉字,将原有的图像用高阶差分法进行增强处理,然后在原始的LeNet-5网络结构的基础上,将前两层的激活函数改为ReLu函数,并且去掉C5层以及F6层,通过增加输出层的神经元数来增加汉字的识别率。研究结果表明:经过图像增强和增加输出神经元数的改进,对汉字进行识别,识别率达到了98.44%,相比较于其他汉字识别算法提高了3%～9%,从而证明了算法的可行性。