基于多尺度特征聚类算法的不确定目标检测

提出一种基于无样本的SAR图像目标检测分类方法。针对空战过程中难以获得大量SAR图像目标样本问题,采用基于全局CFAR的多尺度SIFT特征进行目标纹理描述,并针对特征维度较高及特征描述之间存在的冗余问题,通过PCA算法对其进行降维处理后,采用DBSCAN算法对潜在目标区域的多尺度SIFT特征进行分类实现目标检测。通过单一目标和多类目标图像进行实验验证,实验结果表明该方法具有一定的有效性和可行性。     

卫星单-混信号识别研究

针对卫星通信中常用的调制信号和成对载波多址(PCMA)混叠信号的调制样式识别问题,提出了一种基于高阶累积量和信号瞬时特征统计量的识别算法。该算法对接收数据进行预处理,在此基础上提取高阶累积量和信号瞬时特征统计量构造4个特征参数,构造树形分类器进行调制识别。算法具有不需要知晓信号的定时等先验信息,对混合幅度比不敏感等特点。仿真结果表明,该算法在低信噪比下仍然能保持较高的识别性能。     

基于深度森林的网络流量分类方法

随着网络应用的迅猛发展,流量分类在网络资源分配、流量调度和网络安全等诸多研究领域受到广泛关注。现有的机器学习流量分类方法对流量数据特征的选取和分布要求苛刻,导致在实际应用中的复杂流量场景下分类精确度和稳定度难以提高。为了解决样本特征属性的复杂性给分类性能带来的不利影响,引入了基于深度森林的流量分类方法。该算法通过级联森林和多粒度扫描机制,能够在样本数量规模和特征属性选取规模有限的情况下,有效地提高流量整体分类性能。通过网络流量公开数据集Moore对支持向量机、随机森林和深度森林机器学习算法进行训练和测试,结果表明基于深度森林的网络流量分类器的分类准确率能够达到96. 36%,性能优于其他机器学习模型。     

基于前方交会的无人机对目标定位方法

针对目前无人机基于前方交会对目标定位精确度低,提出了一种基于前方交会的无人机航摄影像定位方法。对所有航摄影像进行特征匹配,得到影像间关系。提出航线定向与坐标系建立法,来实现像空间辅助坐标系的自动建立。提出了基于图像变换关系的前方交会法,来实现目标点的三维定位。实验结果表明该方法能够自动解算航向,并且定位精准度较高。     

溅板式层板喷注单元燃烧特性数值分析

为了获得喷注单元结构参数对喷注器燃烧特性的影响规律,利用数值分析方法对单喷嘴溅板式层板喷注单元气-气燃烧特性进行研究,考察燃烧室特征长度及出口层喷嘴宽度对气氧/甲烷流动及燃烧特性的影响。在求解气-气燃烧流场方面,采用带化学反应的湍流N-S方程进行描述,其中化学动力学反应模型采用简化的单步9组分模型。研究结果表明:燃烧室特征长度的增大有利于特征速度效率的增加;该条件下采用溅板式层板喷注单元所对应的燃烧室特征长度约为600 mm。对比分析发现,出口层喷嘴宽度取0.15 mm时,水组分摩尔分数与热力计算值差别最大;当其值取1.05 mm时,燃烧室头部区域截面温度上升最快,取0.45 mm时上升最慢。总的来说,出口层喷嘴宽度取0.75 mm时,燃烧长度最短,燃烧效率最大。     

基于多尺度特征融合的无人机识别与检测

为了解决复杂背景下的无人机目标识别与检测问题,提出一种改进的更快捷的区域卷积神经网络(faster-region-based convolutional neural network,Faster R-CNN)模型.针对视野内目标尺寸与标定训练集差异问题,设计了3种不同尺度感受野并行检测、权重共享的特征提取结构——多感...     

公里级背景数据采集及伪装特征提取方法

背景采集与处理是伪装设计的首要步骤。为了提高公里级背景范围采样的准确性和完整性,利用系统抽样理论提出了基于空中成像的背景两级采样方法。第一级采样通过剖分背景区域网格获取背景地物和地貌分布规律。第二级采样依据“接受-拒绝”法有针对地获取背景细节图像。基于颜色、距离和纹理特征差异性度量构建背景特征提取模型。然后通过SLIC(simple linear iterative clustering)算法分割超像素图像形成背景特征区域划分。实验中收集了某地300 km²范围12个一级采样点的数据,并分析了背景地物占比和分布特性。针对分析的结果,二级采样采集了戈壁滩、农田村庄和道路三类背景数据。对比了不同分割参数下农田村庄背景图像的分割性能,并探讨了基于k-means和超像素分割模型的差异性。最后生成了3类背景的斑点形状和7种主色特征。结果表明,采样流程能够有效获取公里级背景数据分布和细节纹理颜色特征。超像素分割模型能够优化斑点区域的完整性。该研究为移动目标伪装设计提供基础依据。     

基于GAN的入侵检测系统对抗样本生成模型

随着人工智能技术的兴起,基于深度学习的网络入侵检测系统已广泛应用,但神经网络模型很容易受到对抗扰动的影响。攻击者通过在网络流量中添加微小的扰动来构建对抗样本,使得入侵检测系统对其错误分类。论文基于GAN进行设计与改进,提出了一种对抗样本生成模型AdvWGAN,该模型针对恶意流量生成满足网络流量特性的对抗性恶意流量,并对黑盒入侵检测系统进行对抗攻击。实验表明：AdvWGAN能够在保证网络流量真实有效的前提下实现对深度学习入侵检测模型的有效黑盒攻击。