使用低分辨率雷达和神经网络进行舰船目标识别

本文研究使用低分辩率下靶区雷达包络线、预处理和神经网络工具进行舰船目标分类的方法。文中使用改进的傅里叶离散梅林变换来提取对雷达姿态角变化不太敏感的某些特征。使用Kohonen的学习矢量量化(LVQ)自组织映射对这些特征矢量进行分类。文中也研究了使用反向传播算法进行训练的前馈网络在目标分类中的应用,并将这一分类系统用于模拟和真实两种数据。对于目标姿态角误差不超过30度的真实数据,分类的正确率高达90％。     

反无人机视觉检测与跟踪技术进展分析

为应对无人机“黑飞”“滥飞”等对国防和公共安全造成的巨大威胁,反无人机技术研究成为当前迫切的现实需求。首先,对比分析雷达、无线电、声音、机器视觉4类典型的反无人机检测技术;其次,重点针对反无人机的视觉检测与跟踪技术,从目标检测、无人机识别、无人机跟踪等角度,详细分析视觉检测与跟踪关键技术的优势与不足,以及各项技术在反无人机检测跟踪中的应用情况及改进策略;最后,探讨应用中较为突出的检测精度、跟踪遮挡、实时性、数据集收集标准、多技术融合5个方面问题和发展趋势,为相关技术研究提供参考。     

细观尺度下推进剂/衬层/绝热层粘接界面参数反演研究

针对经验法无法保证细观尺度下粘接界面(推进剂/衬层/绝热层)内聚力模型准确性的问题,通过扫描电子显微镜(SEM)原位拉伸实验,记录粘接试件在拉伸过程中的变形和破坏,采用数字图像相关技术结合Hooke-Jeeves优化算法的反演识别方法,对界面所采用的双线性内聚力模型参数进行反演识别,并通过界面单元的损伤因子(SDEG)变化曲线结合实验结果开展界面损伤分析。结果表明：加载速率为1.2 mm·min^-1时,模型的界面刚度、最大名义应力、界面失效位移分别为6.40 MPa·mm^-1、0.72 MPa、1.80 mm;ε为8%、18%时,仿真与实测的感兴趣区域(region of interest, ROI)位移(U_x)平均误差分别为7.1%、4.9%;损伤因子(SDEG)变化曲线可较好地表征界面的损伤过程。该反演识别方法的精度较高,为细观尺度下粘接结构界面模型参数的精准获取提供一个新的方法。     

扑翼微型飞行器翼杆惯性载荷识别

针对扑翼微型飞行器的弹性翼杆,通过其变形特征来识别其受载行为,建立扑翼载荷识别方法。以裸翼杆的往复拍动为对象,首先基于机器视觉测量法,根据翼杆形貌提取翼杆变形挠度,其次使用幂级数重构分布载荷和Tikhonov正则化方法求解惯性载荷,最后通过批量处理,得到翼杆运动过程中的惯性载荷分布。实验表明,翼杆的平均最大分布载荷为30 N·m^-1,识别挠度的平均相对误差为3×10^-5,识别角位移曲线上所有幅值点的平均相对误差为14.8%,识别周期没有偏差,识别的载荷在不同周期内的分布一致。结果表明该方法具有良好的可靠性和实用性,有望用于对带膜扑翼的气动力测试。     

基于CNN的视频火焰识别及模型剪枝

针对目前火焰识别仅用单帧图像判断是否起火准确率低的缺点,引入视频识别的方法,通过提取火焰的运动信息提升卷积神经网络(CNN)识别微小火焰的准确率。首先,在CNN Resnet18的最后一层添加3D卷积层,突出火焰的运动特性,抑制其他形式的运动;然后,对该模型进行剪枝处理,压缩网络参数。实验结果表明:在剪去90%卷积核的情况下,该模型准确率仍然保持在86.4%的较高水平,最小可以识别大小为20×30像素的火焰。     

基于统计特性的舰船一维距离像方位角分帧方法

舰船目标一维距离像的方位敏感性是利用一维距离像开展雷达目标识别的难点问题。针对该问题,首先根据舰船目标一维成像的机理和特点,分析并验证了舰船目标一维距离像复高斯分布的统计特性;然后,在此基础上利用K-S假设检验对距离像方位角进行自适应分帧,使得每帧的距离像数据符合同一复高斯分布,而帧帧之间的数据符合不同分布;最后,针对分帧后距离像数据的统计分布,利用Bayes分类器进行5类舰船目标识别实验。实验结果表明:自适应分帧算法不仅提高了舰船目标的识别率,还能显著降低识别运算量和存储量。     

高超声速飞行器保预设性能的反演控制方法

为了解决高超声速飞行器纵向运动模型的稳定轨迹控制问题,设计了一种在非仿射模型基础上保证预设性能的反演控制方法。对于速度子系统,直接设计非仿射控制律,保证预设性能,通过合理的变换将高度子系统转化为严格的反馈形式,便于反演控制步骤的设计。基于动态性能和稳态精度,设计了预设性能函数,将跟踪误差的稳定性限制在预设范围内,引入指令滤波器,有效克服了传统反演控制中虚拟信号重复推导的问题。控制器的设计不依赖于精确的模型。引入径向基函数来逼近过程中的未知函数,使得控制律具有令人满意的鲁棒性和实用性。基于李雅普诺夫稳定性理论,证明了所有闭环系统的稳定性。仿真结果表明,该控制器能够稳定地跟踪参考信号。     

基于训练网络的目标检测方法及应用

传统的Faster-RCNN目标检测网络以VGG16作为训练网络,其网络提取能力弱、检测速度慢,提出将inception网络与深度残差网络作为训练网络用于Faster R-CNN。在TensorFlow框架下,搭建相应的网络模型,并选取飞机、车辆、操场以及水箱的遥感图像进行了实验验证。实验结果表明,相比于VGG16网络,基于inception网络与深度残差网络作为训练网络的Faster R-CNN模型在识别精度和识别速度上都具有明显的优势。     

基于K-means和AGNES的未知二进制协议聚类

协议的聚类是协议分析中一个重要的环节,为实现对未知二进制协议高效聚类,提出了一种基于K-means聚类和AGNES的未知二进制协议聚类方法。在对获取的二进制协议比特流进行数据预处理的基础上,先采用K-means算法对比特流数据进行初步聚类,再通过误差平方和、Calinski-Harabasz分数值和轮廓系数确定k值,最后选择AGNES算法将未知二进制协议比特流划分为不同的二进制协议子集。方法有效结合了K-means和AGNES算法的特点,降低了时间复杂度的同时提高了聚类的精确度。对实验数据集的测试结果验证了所提方法的有效性,较为准确地确定了k值,聚类精确度达到了98%。