基于卷积神经网络的无人机侦察图像去雨算法

提出了一种改进的无人机侦察图像去雨算法,该算法采用双边滤波和引导滤波相结合的方法提取有雨侦察图像的高频子图。根据无人机侦察图像中一般存在天空、地面等纹理相对平滑区域的特点,提取侦察图像中的纯雨区域。最后,将提取的纯雨区域作为训练样本,输入卷积神经网络中进行训练,提取图像特征信息,得到卷积神经网络的最优参数,完成神经网络训练,得到去雨侦察图像。通过仿真实验表明,该算法能够有效去除雨线对无人机侦察图像的干扰,提升侦察图像质量,具有一定的军事应用价值。     

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%。     

基于神经网络的复杂导弹系统可靠性预测

介绍了如何利用神经网络对复杂导弹系统可靠性进行预测。对利用导弹地面测试数据和可靠性数据预测未来导弹可靠性问题进行了描述。给出了建模思路和方法框架。探讨了基于因子分析的可靠性数据特征选择方法、循环神经网络(RNN)、长短时记忆网络(LSTM)、门循环网络(GRU)以及输出数据融合方法。在实例中利用该方法对其飞行可靠性进行了预测,验证了方法的可行性与有效性。该方法可以充分利用复杂系统地面测试数据、可靠性数据中隐含的信息以及多种神经网络的优点,具有一定的通用性与实用性。     

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。     

基于深度学习及UKF的机器人SLAM

针对室内机器人定位中精度不高、稳定性差的问题,提出融合深度学习和无迹卡尔曼滤波(Unscented Kalman Filter,UKF)的机器人同时定位与地图构建方法(Simultaneous Localization and Mapping,SLAM)。首先利用深度相机获取彩色图和深度图,再利用单发多框探测器(Single Shot MultiBox Detector,SSD)进行路标检测,获取路标坐标,最后将路标信息加入到UKF-SLAM中。实验结果表明,该方法提高了SLAM的精度,可用于室内机器人同时定位与地图构建。     

基于深度学习的无人机航拍图像超分辨率提升算法

针对当前无人机航拍图像普遍存在图像细节模糊以及分辨率低的问题,提出了面向无人机航拍场景的图像超分辨率算法。首先,提出一种可学习的图像下采样模型进行训练数据的生成,从而有效模拟了真实场景下的低分辨率无人机航拍图像的数据特征。其次,结合无人机平台的现实需求,提出一种基于知识蒸馏的轻量化图像超分辨率网络,有效提升了模型的泛化性能和时间效率。实验表明,该算法在真实无人机航拍图像数据集上的性能不仅超过现有通用图像超分辨率算法,同时还进一步缩减了网络模型大小和处理时间,有效满足无人机平台的硬件约束和实时性要求,对于无人机航拍图像处理具有重要应用价值。     

基于神经网络的某扫雷犁电液伺服系统建模与控制

扫雷犁电液伺服系统是一类复杂非线性系统,基于传统建模方法构造的线性模型难以反映系统的本质非线性特征,因此提出采用基于正交最小二乘法的径向基函数神经网络对该系统进行精确建模;已有的手动分级控制或传统的PID控制方式不能满足精确控制的战术要求,提出采用基于广义训练和专门训练相结合的神经网络直接逆控制方法,实现系统吃土深度的有效控制。实验仿真结果以及与其他建模和控制方法的比较,验证了提出方法的有效性。     

基于BP神经网络的后勤装备资产寿命周期费用预测研究

BP神经网络就是指采用反向传播学习算法的前向多层人工神经网络,它具有分布式存储信息、高强的容错性、并行处理信息、自学习性和非线性映射逼近能力等运行特点。基于BP神经网络的后勤装备资产寿命周期费用预测模型的构建,通常按照初始化、构建网络、导入输入输出层和训练网络、决策、结论的步骤来完成。     

H_∞滤波混合优化RBF在SINS动基座传递对准中的应用

为解决SINS动基座传递对准的快速精确问题,将混合优化的RBF神经网络应用于此。首先运用递阶遗传算法优化RBF神经网络的拓扑结构,并对网络其余参数进行全局粗调;在此基础上运用H∞滤波算法对网络其余参数进行在线自适应精调。其计算机仿真结果与扩展卡尔曼滤波比较表明:该算法在精度、实时性方面与扩展卡尔曼滤波相比提高了将近50%。