基于特征结构配置的智能飞行控制系统设计

针对飞机侧向增稳系统的设计,提出一种基于特征结构配置的神经网络设计方案,它克服了传统增益预置设计方案的缺点.通过对系统的特征值配置保证了系统的动态特性,通过对特征向量的配置达到系统解耦的目的,运用神经网络对反馈增益阵进行逼近,保证了系统的鲁棒性.采用了基于动量因子的反向传播算法提高网络训练速度,仿真结果表明了该方法的有效性.     

复杂背景条件下的红外图像末制导技术

通过结合目标红外特征,研究了空-空弹在复杂背景条件下的目标红外成像末制导的技术原理和实施途径。对复杂地背景的辐射特征和主要空中攻击目标军用喷气战机的目标红外辐射源类型作了分析,研究了红外目标特征的提取方法和算法。     

把握"四性"特征培育战斗精神

战斗精神具有政治性、实践性、团队性、系统性特征.培育战斗精神,要把握其特征,以坚定信念、铸牢军魂为首要任务,以任务摔打、日常养成为基本途径,以发扬传统、体现特色为重要内容,以健全机制、形成合力为有效保证.     

地面目标特征识别与无人飞行器位姿估计

针对小型无人飞行器位置姿态估计问题,提出了一种基于视觉图像目标特征的相对位姿估计算法。应用Camshift算法获取目标初始位置,利用非线性尺度空间下的KAZE特征进行跟踪区域特征点提取,与源目标特征点进行匹配,得到精确的目标位置信息,实现了在图像平面内的目标快速跟踪,并得到机体轴系下无人飞行器与目标间相对位置和姿态角的估计值。对算法进行了实验验证,具有优良的跟踪性和实时性。     

一种基于压缩Fisher向量的目标检索方法

当前,视觉词典法(Bo VW,Bag of Visual Words)是解决目标检索问题的主要方法,但传统的Bo VW方法具有词典生成时间效率低、检索内存消耗大等问题。针对这些问题,提出了基于压缩Fisher向量的目标检索方法,该方法首先将Fisher核机制用于目标检索,它能自动降低目标图像背景带来的不利影响,然后,采用位置敏感哈希(LSH,Locality Sensitive Hashing)对Fisher向量进行压缩编码以降低计算复杂度和内存开销,使之适用于大规模数据库。实验结果表明,新方法只用几百比特就能表征一幅图像内容,对大规模目标检索有很好的适用性,且较之当前主流的压缩视觉词典法具有更高的准确率。     

基于压缩感知的曲线SAR孔径优化和目标三维特征提取

基于压缩感知理论研究了曲线合成孔径雷达的曲线孔径优化和目标三维特征提取。在建立曲线合成孔径雷达回波信号稀疏表示模型的基础上,基于压缩感知采样矩阵设计的不相关原则,给出了曲线孔径优化设计的评价准则,并利用基于全局优化的基追踪方法实现了目标三维特征提取。仿真结果验证了孔径优化评价准则的正确性和基追踪方法在目标特征提取处理中的有效性。     

基于GA-BP网络的LFM信号脉冲压缩

为了改善线性调频(linear frequency modulation,LFM)信号脉冲压缩输出的性能,研究了误差反向传播(back propagation,BP)神经网络在线性调频信号脉冲压缩中的应用。采用遗传算法(genetic algorithm,GA)对BP神经网络的连接权值进行训练学习,该算法可克服BP网络容易陷入局部最优的缺点。仿真结果表明,GA-BP网络具有较快的收敛速度和较好的数值稳定性,在信噪比损失小于1dB的条件下,可获得60dB左右的输出主旁瓣比。     

基于有误先验融合的无源多目标定位算法

利用无源定位技术,可对无法发射无线信号的目标进行定位。在许多实际的定位场景中可通过粗定位或目标历史位置信息获取目标位置的先验知识。利用目标位置先验知识可促进定位精度的提升,但实际中获取的先验知识通常是不完整的或包含错误信息。为有效利用此类部分有误的先验知识,提出了基于有误先验融合的无源多目标定位算法。仿真实验结果表明,该算法能利用部分有误先验知识中的有用信息提升定位性能。     

一种改进的地磁平缓区的地磁匹配算法

地磁匹配在磁场特征不明显的区域往往难以得到理想的匹配结果,在分析误匹配原因的基础上提出了一种改进的匹配算法。该算法先基于两个地磁矢量进行粗匹配,进一步缩小搜索范围,然后以地磁信息熵为目标函数,利用粒子群优化算法进行精匹配以提高磁场平缓区的匹配结果。算法尽可能少地引入地磁矢量,又保证了一定的匹配精度,兼顾了地磁基准图制图的复杂性与匹配精度。     

结合层次法与主成分分析特征变换的宫颈细胞识别

对宫颈细胞进行多分类可以自动识别出不同状态的细胞,进而为宫颈癌诊断提供科学依据。在用6种多分类算法进行实验后,选取支持向量机作为基分类器,先用一对一策略训练6个分类器进行3分类,然后再训练1个2分类器,这种二层4分类方法提高了识别准确率。考虑不同层特征模式的差异性,在保证识别性能的同时,每层分类前先采用主成分分析法将原始154维特征变换到低维空间,去除冗余特征,加快识别速度。实验证明,所提层次主成分分析法在宫颈细胞分类中相比6种传统多分类方法有更高的识别准确率,可达90%以上;识别速度也较普通层次法提升了21.31%。