科研经费管理决策支持系统若干模型

本文应用多目标决策原理和计算机技术,在分析用户需求的基础上,建立了科研任务项目的预测评价和经费分配模型,并分析了有关模型的关系和解决性质。根据这些模型和决策的特点,简要叙述了该系统的主要功能。我们相信。该系统的应用,将给管理人员提供方便,且使管理进一步科学化,让有限的经费发挥更大的作用。     

基于ADS-BIN的多机冲突解脱及路径规划

行冲突解脱是空中交通管理中一个关键问题.分析了机载TCAS的冲突探测原理和ADS-B IN技术的特点,考虑飞行动力学、气象、人为因素等多种随机因素,建立了概率型冲突预测和解脱模型.针对同一空域内所有目标机进行跟踪和分类,将冲突区域网格化,利用改进遗传算法快速搜寻最优无冲突航迹,最大程度地减少偏离原航线的距离,并最终引导...     

基于ST-YOLOv7的无人机视角下行人及车辆识别

由于无人机视角下的背景复杂,识别的目标多为远距离小目标,因此容易导致漏检及误检问题。为了实现无人机视角下对行人及车辆高精度识别,提出了以YOLOv7网络模型为基础的ST-YOLOv7算法,主干网络中融合了Swin Transform模块,构建复杂背景与小目标的全局关系,融入SENet通道注意力机制,为不同通道的特征分配不同权重,增强小目标特征的捕捉,在头部网络中,加入了YOLOv5网络中的C3模块,增加网络的深度和感受野,提高特征提取的能力,增加了1个小目标检测层,进一步提升对小目标识别的精度。实验证明：ST-YOLOv7网络模型在自制的航拍数据集中对行人的识别精度高达83.4%,对数据集中的车辆的识别精度达到了89.3%。均优于YOLOv5和YOLOv7目标检测算法,以较小的效率损失取得了较高精度。     

基于深度强化学习的无人机实时航迹规划

随着无人机技术的应用和发展,无人机执行任务的飞行环境愈发复杂多变,对无人机机动避障能力和航迹规划的实时性提出了更高的要求。基于泛化性较好、对环境依赖弱的深度强化学习算法,以雷达实时获取的障碍物地图信息为基础进行实时路径规划,针对二维航迹规划问题特点设计了连续奖励函数,解决了强化学习算法在二维平面航迹规划中奖励稀疏的问题;基于迁移学习的思想设计多个训练环境,并按任务的难易程度进行分步训练,降低了算法的训练难度,提高了训练效果,并使算法的收敛效果更加稳定。在实验中将SAC算法与目前主流的PPO和TD3算法进行对比,实验结果表明：SAC算法收敛速度快,实时性好,航迹平滑度更好。     

舰载雷达低空作战性能评估

根据美军用的ADC模型,结合低空目标的特点,提出对舰载雷达低空作战性能的评估方法,把性能评估的重点放在探测能力、定位能力、抗干扰能力和识别能力这四个能力因子上,并给出确定方法.所作研究可为定量分析舰载雷达对低空目标作战性能提供依据.     

基于数学形态学的机场跑道自动识别方法

如何自动、正确且快速地从遥感或航拍图片中检测战略目标,是导弹能否准确击中目标的关键,在军事领域具有重要意义.针对机场跑道目标的各种特性,提出一种基于数学形态学形态滤波和形态重构的机场跑道自动识别算法.实验结果表明,该方法识别机场跑道的效果良好.     

一种基于Hough变换的线型群体队型识别方法

作战群体的队型是作战群体的重要属性之一,它往往反映了群体中各成员之间的协作关系,直接体现着该群体近期的作战意图、身份及威胁等态势信息。为了给指挥人员的态势评估及军事指挥提供更多深层次的战场信息,从而为其决策提供更好的支持,重点研究了作战群体线型队型的识别问题。利用Hough变换的点线对偶特性,给出了线型队型的模板建模方法,提出了基于参数点聚类的线型队型特征提取方法,进而给出了基于模板匹配的线型队型识别方法。仿真实验表明,该方法是行之有效的。     

基于二维小波变换的空间目标识别算法

对于空间目标识别这个具有挑战性的研究课题,提出了基于二维小波变换的空间目标识别算法。该算法首先对空间目标的ISAR像进行二维小波变换,然后从近似分量和细节分量中提取奇异值特征,最后应用径向基函数(RBF)神经网络进行分类识别。计算机仿真实验表明,该算法取得了比较好的识别效果。     

无人机集群任务规划研究热点与发展趋势分析

利用定量化与可视化的方法宏观地分析了无人机集群在任务规划领域的研究情况。使用信息可视化软件CiteSpace和Tableau,分别从WOS和CNKI学术数据库中获取从2000—2022年国内和国际上无人机集群任务规划领域相关文献124篇和1 321篇,绘制本领域的科学知识图谱。用文献计量学的方法分析国内外无人机集群任务规划领域的关注情况、研究现状、热点和发展趋势。研究发现,在物联网环境下、利用区块链技术的无人机集群等新兴应用,微分博弈和移动边缘计算等新算法的改进和如何与新需求相结合为无人机集群任务规划的热点,无人化智能平台、多种群体智能算法的优化和商用物流运输等方向为未来潜在的研究趋势。     

低空无人机实时探测的GCB-YOLOv5s算法

为应对无人机“黑飞”“滥飞”带来的安全威胁,迫切需要对无人机进行有效的实时探测与识别。然而由于低空无人机的灵活性、微小型化及多干扰因素等原因,传统的雷达探测等方法表现不佳。为此,基于机器视觉探测,提出了一种低空无人机实时探测的GCB-YOLOv5s算法。该算法针对经典YOLOv5算法运算速度难以满足高清实时处理的问题,使用轻量级GhostNet网络取代了YOLOv5骨干网络中的卷积运算,简化网络结构,大幅提高了计算速度;并且通过引入CA注意力机制,以及使用BiFPN双向加权特征金字塔替换颈部的PANet结构,在网络结构简化的基础上提升检测准确性。通过现地拍摄无人机在建筑、云层、树木、阴暗等不同复杂背景下的飞行姿态,结合公开数据集,对算法进行训练和测试实验。实验结果表明,GCB-YOLOv5s在参数量和浮点数计算量上均减少了近40%,且可达96.7%的精确率、96.4%的召回率和97.5%的平均精度。