ATR国防科技重点实验室——我军制导武器技术的脊梁

自动目标识别技术是精确制导武器、战场态势感知等尖端国防科技的核心。国防科大ATR实验室成立十多年来完成百余项重大科研项目,并多次获国家和军队科技进步奖。     

基于异态集成学习的飞行目标辅助识别模型

对飞行目标类型的准确识别是空中作战意图识别的前提和基础。针对当前各类识别模型在训练样本较少时,较难同时获得模型的稳定性和较好的泛化能力且在线学习能力较差的问题,提出了一种基于异态集成学习的飞行目标辅助识别模型,将k近邻学习模型与BP神经网络模型进行整合,使模型兼具训练稳定性与较好的泛化能力;通过算法设计,模型具有了整体动态更新的能力。基于某作战仿真系统完成飞行目标识别实验,对比了该模型与各类模型的性能表现。实验结果显示所提出的模型识别正确率稳定在90%左右,且在个体学习器的基础上至少提高2%。     

基于改进CNN的红外目标识别方法研究

自动目标识别是红外成像精确制导武器系统的关键技术,针对传统红外目标识别算法在复杂环境作战中存在目标特征建模复杂、识别率低等问题,提出一种基于改进的卷积神经网络(Convolutional Neural Network,CNN)方法。结合红外目标特性,调整ZFNet的卷积层和池化层数量,加入空间变换网络以提高对数据变换的鲁棒性;对Dropout层的丢弃率变化进行可视化分析并确定选取原则,以提高红外目标的识别率。通过试验结果与传统方法相比,该方法具有较高的识别率,能够为红外成像导引头目标识别算法设计提供参考。     

基于杂草算法的超磁致伸缩作动器耦合模型识别

考虑磁滞损耗、动态应力等因素的超磁致伸缩作动器磁滞模型可有效揭示电-磁-机-热多场耦合效应,但准确识别其非线性模型往往存在较大困难。智能杂草算法具有激烈的竞争机制和较强的搜索能力,可用于解决作动器多目标物理参数辨识问题。传统算法的种子数量以线性方式产生且分布方差与适应度缺乏联系,极大地影响了算法收敛速度和模型识别精度。为此,提出一种非线性繁殖和分布的混合改进杂草算法,并将其应用于超磁致伸缩作动器模型识别。实验表明:改进算法具有较强的噪声抑制能力,能精确辨识含有噪声扰动的作动器磁滞非线性模型物理参数;模型预测值和实验数据误差较小,所识别参数可使磁滞非线性模型较为全面地描述作动器多场耦合机理和动态特性。     

面向道路交通场景的车辆违规占道实时检测

为了提高道路管理的智能化,面向交通场景搭建了车辆违规占道自动检测系统,对违规占道的车辆进行检测并自动识别其车牌.首先,以Yolov3目标检测器为基础,针对交通场景下的车辆检测,对检测器的主干网络进行改进,使得Yolov3更加适应现实的应用场景;然后,在检测到违规车辆后,基于卷积神经网络,对其进行车牌识别;最后,为了应对...     

机械振动谱图分析诊断

所有运行的机器都在振动,振动是机器的脉搏,是机器状况的表征。振动谱图则是振动的体现形式之一,是机械运行状态的变化在振动信息中的反映。文中简述振动测量的基本原理,归纳了识别振动谱图要经过频率计算、读谱等步骤,重点对倒频谱分析、功率谱分析法、复包络谱分析、时序模型参数分析法、最大熵谱分析法、自适应消噪法等现有的机械振动谱图诊断技术进行了分析比较,并对其应用前景给予预测和展望,得出各种诊断技术适用对象及其精度。这些结论对机械振动谱图的识别、分析、诊断提供了一定价值的依据。     

基于双模式识别技术的车辆管理系统

实现一种"RFID识别+图像识别"的自动车辆识别系统。该系统的实施既能实现对内部车辆的调度和出入控制管理,提高识别率,又能实现对外部车辆的有效监控,包括对外部车辆信息的采集和记录、存储,以达到车辆管理更科学、高效、安全的目的。     

非协同目标识别专家系统研究与实现

介绍了一种非协同目标识别专家系统的研究和实现方法,该系统可以对多种无源电子侦察设备所获取的技侦情报信息进行融合和识别处理。根据目标在不同工作状态下所使用的辐射源也不相同这一事实,设计了区分目标工作状态的推理模型,并使用Plan-D语言实现了对推理模型的描述。使用黑板结构实现推理模型的调用和基于正向推理规则的推理,推理结果中不仅包含目标身份属性,还包含目标当前的工作状态属性。