无监督特征学习的人体活动识别

针对人的局限性可能会导致在提取特征中丢失重要信息,从而影响最终的识别效果问题,提出无监督特征学习技术的惯性传感器特征提取方法。其核心思想是使用无监督特征学习方法学习多个特征映射,再将所有特征映射拼接起来形成最终的特征计算方法。其优点是不会造成重要信息的损失,而且可以显著减少所使用的无监督特征学习模型的规模。为了验证所提出的特征提取方法在活动识别中的有效性,运用一个公开的活动识别数据集,使用三种常用无监督模型进行特征提取,并使用支持向量机进行活动识别。实验结果表明,特征提取方法取得了良好的效果,与其他方法相比具有一定的优势。     

临近空间飞艇内部自然对流的流场特征仿真研究

针对临近空间飞艇,对其内部氦气的自然对流特征进行了数值模拟。首先采用计算流体力学方法,并利用自编的用户自定义函数将外部的温度边界条件导入壁面网格。进而,在不同的稳态条件下,通过对内部氦气压力、温度、速度的分布等流场特征参数的研究,分析了临近空间飞艇内部气体自然对流的运动特性及其影响规律,并对自然对流非稳态变化过程进行了初步的探索。仿真结果表明,在临近空间环境下,飞艇内部氦气的自然对流,对于内部氦气自身的热交换具有一定程度的促进作用,而对蒙皮受力和结构安全性影响很小。     

多视图三角化中特征点噪声尺度的自适应估算

鲁棒性多视图三角化方法通常借助重投影误差经验阈值来剔除图像对应中的错误匹配,该经验阈值的选取直接影响三维重构场景点的数量和精度。在分析图像特征点定位噪声及对极传递几何原理的基础上,建立对极传递过程不确定性的传递模型,提出一种基于核密度估计的最优噪声尺度估算方法,并将该噪声尺度作为多视图三角化中错误匹配筛选的依据。实验结果表明,该方法可以获得准确的噪声尺度估计,从而有效提升多视图三角化方法的三维重构质量。     

频率捷变雷达信号相参特征的表述

频率捷变雷达信号分选是电子对抗领域信号处理与应用的难题,探索新的分选特征参数是实现对频率捷变雷达信号高效准确分选的手段之一。提出了一种基于Wigner-Ville分布(WVD)的频率捷变雷达信号相参特征的表述。介绍了典型频率捷变方式、频率捷变信号模型及WVD的离散过程,推导了频率捷变脉冲重构信号的WVD模型并进行仿真实验。实验结果表明,频率捷变雷达信号的WVD二维图可作为一种相参特征的表述,且该表述可为频率捷变雷达信号分选提供新思路。     

基于解线频调ISAR成像与散射中心匹配的弹道目标识别

为了能充分利用目标的散射中心进行弹道目标识别,提出利用解线频调的方法,通过对距离向和方位向进行快速傅里叶变换(FFT),实现对目标散射中心成像,然后从目标ISAR像中提取目标特征信息。最后提出了一种新的匹配识别的方法实现对目标的分类识别,该方法利用提取的散射中心的位置和幅度信息,通过构造匹配度矩阵,判定目标所属的类别。仿真实验表明,该方法在设定情况下具有良好的目标识别能力。     

基于移相器控制电压的“动中通”波束形成改进算法

在波束形成技术中,基于同时扰动随机梯度估计算法计算接收功率对移相器控制电压的梯度,研究了同时扰动随机梯度估计算法中扰动量和电压更新方程中步长的取值问题。仿真结果表明,随迭代次数变化的扰动量较固定扰动量能有效地提高算法的收敛性能,在同时扰动随机梯度估计算法中,将步长改为随阵元空间位置变化,能有效地提高电压更新方程的收敛速度。研究了与变扰动量有关的参数取值,指出了参数的选取准则。MATLAB仿真结果验证了所改进算法的正确性和有效性。     

SURF算法在铸造缺陷无损检测中的应用

通过对铸造缺陷无损检测方法的研究,依据X射线成像特点,提出了一种基于SURF算法的自动检测方法:首先对标准样本图像构件采用SURF算法提取相应的特征值,得到样本构件的SURF特征;然后在旋转工作台旋转一周范围内提取待检产品的SURF特征,并与样本构件进行匹配;最后根据特征点的匹配个数判定产品是否含有此构件。实验结果表明,该方法能够准确地检测出产品是否含有特定构件,为铸造缺陷无损检测提供了一种新的检验方法。     

结合多视角学习与一致性表征的人脸伪造检测

现有的人脸伪造检测方法通常在已知域上表现较好,但面临过拟合的风险,在应对未知场景时无法保持良好的检测能力。为解决此问题,提出一种结合多视角学习与一致性表征的人脸伪造检测框架。为捕获更全面的伪造痕迹,将输入图像转换为两种互补视角并采用双流骨干网络进行多视角特征学习。引入一致性度量,以补丁级监督的方式明确约束不同视角输出的局部特征的相似度。为提高检测精度,采用特征分解策略进一步优化伪造特征,减少不相关因素的干扰,并以伪造特征空间的决策作为最终的预测结果。在基准数据集上进行的大量实验表明,所提出的方法优于现有的主流模型,具备良好的跨域泛化能力。     

基于孪生Transformers的遥感目标多元变化检测方法

多元变化检测是目前遥感领域重要的研究主题之一,在军事侦察方面有着广泛应用。考虑到目前常用的卷积神经网络中感受野对于提取变化特征的局限性,提出了一种基于孪生Transformers的多元变化检测模型。设计了基于多级Transformers融合结构的编码器进行远距离上下文建模,引入了残差连接的轴向注意力机制对变化特征信息进行解码,从而生成准确完整的多元变化图。并在针对飞机和舰船军事目标变化检测的遥感数据集上进行了训练与测试以及消融实验。结果表明：该方法的平均IoU和F1分数分别达到68.69%和80.43%,其性能优于其他流行的变化检测方法。     

基于直线基元角方向对几何关系直方图的目标识别方法

针对以往"角方向对几何"同类技术[6～8]提出了新的基于直线基元的几何不变特征关系,并使用该关系针对目标线集建立特征关系多维直方图,作为目标的几何不变特征,通过多维直方图匹配进行目标识别。实验证明该模式关系对于较规则的形体,其检测精度优于以往方法,可用于基于内容与结构的图像分析与目标识别系统中。