基于多域卷积与自注意机制的SAR图像变化检测

针对基于深度卷积神经网络的合成孔径雷达(synthetic aperture radar, SAR)图像的变化检测方法,在利用图像块分析特征的过程中易将噪声引入到边缘区域,造成SAR图像变化检测精度较差等问题。提出了一种基于多域卷积与自注意机制的SAR图像变化检测方法。该方法先通过多域卷积模型增强输入SAR图像块的中心区域,减少边缘噪声的影响;然后,再利用注入空洞卷积的改进自注意机制模型充分挖掘SAR图像的重要空间结构信息,来提高变化检测的性能;最后采用3种不同类型的SAR数据集进行实验结果表明,本文中所提出方法能获得较高的检测准确率和KC系数,优于各种对比方法。     

基于离散元仿真的固体推进剂用氧化剂称量工艺优化

称量工序广泛应用于多种领域,其中出料口的质量流量对于物料的称量精度以及称量时间起着十分重要的影响。本文中基于粉碎后的固体推进剂氧化剂材料,通过一种三级补充加料的方法实现对物料的精确称量。一级补充加料采用传统的持续加料方法;二级和三级补充加料选择正弦运动形式控制出料口开闭,并分为粗称出料与精称出料2种出料方法。利用离散元法(DEM)对三级补充加料(主要是二级和三级)进行仿真,获取正弦频率对质量流量影响的拟合关系为四阶函数。建立以称量精度最大和消耗时间最小为指标的双目标优化数学模型,对称量最后1 kg的三级补充加料进行工艺参数优化选择。结果显示当二级粗称量加料频率为2.5 Hz或2.1 Hz,三级精称量加料频率为1.6 Hz或3.0 Hz时,达到局部最优,其称量精度为99.9%,预计用时分别为1.51 s和1.52 s。该方法对于实际的生产实践具有指导意义。     

深度多属性增强水声目标识别方法

被动声纳系统由于其隐蔽性好的特点在军事任务中发挥着重要作用。针对被动水声目标识别问题,开展了水声目标多属性特征提取与识别方法研究。利用深度学习方法从舰船辐射噪声中提取目标多属性特征并识别水声目标。提出了深度多属性增强水声目标识别方法,该方法可以从时域舰船辐射噪声中提取水声目标多属性特征及多属性之间的相关性特征,并用来增强深度模型对水声目标类别属性的表达能力。基于海试实测数据的6类水声目标识别实验结果表明,相比于不考虑多属性的识别方法,提出的深度多属性增强水声目标识别方法的平均正确识别率提高了3.6%～18.2%,并且具有更好的识别稳定性。     

基于深度学习的智能船舶轻量化水面障碍物视觉检测与测距方法

针对智能船舶的自主航行障碍物视觉快速检测与测距需求,提出一种基于深度学习的智能船舶轻量化水面障碍物视觉检测与测距方法。从障碍物检测速度和计算量的角度出发,该方法可提升智能船舶环境感知能力。首先,针对障碍物检测问题,在Yolov4检测模型的框架下,构建基于MobileNet特征提取网络的DIS-Yolo水面障碍物检测模型,实现模型网络结构的轻量化改进。其次,针对障碍物测距问题,基于所构建的障碍物检测模型和COMS成像模型,提出水面障碍物测距机制,实现水面障碍物的高精度测距。最后,通过模拟实验验证所改进模型的有效性与测距函数的精确度。所提出的方法可提升智能船舶的航行安全性,同时可为智能船舶环境感知需求提供新的思路。     

基于多分支注意力改进的YOLOv5无人艇目标检测方法

针对水面无人艇目标检测类别多、尺寸小、形变大等难题,提出了基于多分支注意力改进的YOLOv5检测算法。首先提出了一种SAv2Attention模块,通过对通道的“复制-转换-合并”等处理,实现卷积层通道间与通道内特征融合,提升网络的局部感受野,然后将其嵌入到YOLOv5网络,最后在构建的真实海试数据集上进行了大量对比实验。结果表明,SAv2Attention可有效提升YOLOv5的检测精度,典型海面目标数据集上,mAP@0.5检测精度达到94.6%,mAP@0.5:0.95检测精度达到60.9%,相较于原生算法分别提高1.4%和3%,对小尺寸目标平均检测率APS提升4.3%,证明所提方法能有效提升无人艇对水面小目标的检测能力。     

基于空地协同的山地冰川连续探测系统

针对无人机、无人车在复杂环境下运行不稳定、协作性差的问题,提出一种可以在冰雪表面、地形起伏等山地冰川环境下运行的空地机器人冰川探测系统。首先,该系统中无人机可适应高原山地低压、大风环境,无人车可在低温环境、冰雪表面长时间行驶,相应的轻量级地形建模和预测框架可将冰川表面环境点云模型转换成数据量更小的模型,且不造成大幅精度损失。其次,所提系统不仅可通过对驾驶数据、车辆状态数据与地形数据之间的相关分析建立驾驶技能模型,并利用增量式学习方法使驾驶技能模型快速适应冰川环境和复杂地表结构,其基于无人机机动性、无人机能耗、水平距离约束和视距约束的空地协同策略还可以保证系统的通信稳定和平稳运行。验证实验表明,提出的驾驶技能学习方案可以保证无人车在驾驶建议下平稳通过冰川危险地带,提出的空地协同策略可以保持较低水平的跟踪误差与通讯延迟。     

一种基于改进r-NSGA-Ⅱ算法的联合防空问题算法

以传统动能武器及现代高能激光武器的防空反导作战为背景,建立了异构防御武器多战术目标的动态武器目标分配模型;在考虑指挥员抉择偏好的情况下,提出基于改进r-NSGA-Ⅱ算法的武器目标分配优化框架,给出具体优化流程;基于具体作战想定,设计实验将改进r-NSGA-Ⅱ算法与NSGA-Ⅱ、NSGA-Ⅲ、MOEA/D等经典算法在收敛性、分布性与时间复杂度等性能指标方面进行对比分析。实验证明,改进r-NSGA-Ⅱ算法在保证计算效率的情况下可以更好地反映指挥员的作战偏好与意图。     

一种基于航向估计的多平台纯方位目标转向机动检测算法

针对纯方位目标转向机动检测问题,提出一种基于航向估计的多平台纯方位目标机动检测算法。该算法通过选定假设机动点序列,解算假设机动点前后的两段目标运动要素,根据解算出的相邻段航向差序列变化来判别目标是否发生机动。基于Taylor级数要素解算模型,建立了两段运动要素联合解算模型和两段运动要素独立解算模型。通过对多种航路进行仿真计算,统计分析这两种解算模型下机动检测算法的虚警率、目标机动检测率、机动检测延迟时间以及机动时刻估计精度。仿真结果表明,两种解算模型下的机动检测算法能够有效地对转向机动目标进行机动检测。     

基于贝叶斯理论的多雷达点迹自适应融合方法

雷达组网进行数据融合是复杂电磁环境下提高预警探测精度和容错能力的有效方法,研究人员需研究适应干扰、信噪比降低等复杂情形的数据融合方法。基于贝叶斯统计理论提出一种多雷达点迹融合方法,将贝叶斯多源数据融合方法与卡尔曼滤波结合,以卡尔曼滤波输出的航迹预测及其协方差作为贝叶斯理论的先验知识,以多雷达量测结果作为贝叶斯理论的观测值进行融合,并提出一种基于回波信噪比的点迹标准差实时估计方法,构建标准差自适应估计的点迹融合与滤波框架。仿真结果表明,多雷达点迹自适应融合方法,滤波精度优于单雷达滤波结果、优于航迹融合结果,能够适应目标距离、RCS起伏引起的标准差变化,具有较强的工程应用价值。     

基于IHHO-MCNN的反坦克雷场效能评估研究

针对反坦克雷场作战效能评估问题,提出了基于哈里斯鹰算法(HHO)优化蒙特卡洛神经网络(MCNN)的反坦克雷场作战效能评估方法。首先,介绍了IHHO算法和蒙特卡洛神经网络的基本原理和算法流程;然后,对反坦克雷场效能评估的主要影响因素进行分析,归纳总结了反坦克雷场的作战效能评估的指标体系;最后,构建了IHHO-MCNN神经网络评估模型。仿真实验结果表明,该模型可以有效对反坦克雷场进行效能评估。