过失速机动的AUKF-WNN气动力建模及仿真

为使所建立的气动力模型能够准确刻画复杂动态特性,提出一种基于改进UKF算法的小波神经网络(Wavelet Neural Network,WNN)飞行数据失速气动力建模方法。引入一种自适应因子来改善无迹卡尔曼滤波(Unscented Kalman Filter,UKF)算法的性能;按照飞行数据的气动力建模流程,利用改进UKF算法对WNN参数进行最优化估计,构建失速现象的气动力模型。实验结果表明,针对飞行器失速的气动力建模问题,基于改进UKF算法的WNN建模方法,在建模精度和速度方面,优于传统神经网络和其他现有WNN方法,因此,使用提出飞行器失速的气动力建模方法是可行和有效的,得到预测结果也能准确刻画飞行器失速的动态特性。     

基于遗传神经网络的联合作战方案评估

遗传神经网络是处理不确定性和非结构化问题的一种有效工具。提出了一种基于遗传神经网络的联合作战方案评估方法,其基本原理是通过网络对已知作战方案样本的学习训练,对新样本进行模式识别。网络的输入为某型联合作战方案特征指标数据,输出为方案评估等级。仿真结果表明,该方法相比标准BP网络评估收敛速度更快,准确性更高;相比径向基网络计算精度有所改善,具有较好的适用性。     

金属材料表面缺陷的激光超声检测技术

为了完成对金属材料表面缺陷深度的检测,提出了透射法检测与估计表面缺陷深度的方法。基于热弹机制和干涉接收方式,搭建了激光超声检测实验平台,实现了工件表面缺陷的非接触检测,完成了缺陷处的B-scan信号采集和成像,建立了透射系数与表面缺陷深度之间的关系。实验结果表明:由B-scan信号可见缺陷处透射声信号的幅值与表面缺陷深度有关;由透射系数-表面缺陷深度拟合曲线估计了深度0.3 mm表面缺陷,估计误差为16%,实现了表面缺陷深度的测量。     

基于深度学习的SAR图像目标检测实验

针对目前SAR图像目标检测算法只能进行单一目标检测和检测精度不高的问题,对深度学习目标检测框架在SAR图像目标检测的应用进行了实验研究,并结合SAR图像特点进行了优化。比较了基于区域建议的Faster-RCNN和无需区域建议的SSD目标检测框架在SAR图像上的目标检测精度和速度,分析优缺点;研究了预训练模型对SAR图像目标检测精度的影响;最后通过零均值规整化提高收敛速度和检测精度。实验结果表明优化后的目标检测框架,实现了SAR图像多目标识别并提高了检测精度,可以有效地应用于SAR图像多目标检测。     

无人装备智能视觉技术与发展

无人装备与智能视觉技术的有机结合,能够极大拓展军事情报来源和分析手段,有效提升无人装备的战场信息获取与分析能力。本文对无人装备发展情况进行论述,从基于深度学习的图像感知和图像认知两个方面对智能视觉技术进行分析,在此基础上提出无人装备智能视觉技术未来发展策略和建议。