战争中伪装能力的提高

瑞典巴拉居达公司在伪装技术界享有盛誉。本文介绍了该公司的概况和由该公司开发的主要伪装器材。     

一种抗遮挡的时空上下文目标跟踪

目标跟踪是一个比较热门的研究方向,其性能受到多方面影响。时空上下文跟踪算法是利用目标附近的信息对目标进行跟踪,但该算法的不足是仅使用单一的灰度特征和固定的学习率。将HOG(Histogram of Oriented Gradient)特征与灰度特征进行融合,且对跟踪结果进行相似度计算进而抑制目标的漂移,采用自适应变化的学习率以适应跟踪目标的变化。经过仿真实验证明,相较于时空上下文跟踪算法所提出的方法鲁棒性更好,对光照的变化、目标形变以及遮挡等情况下都具有较强的跟踪能力。     

基于多标签学习的探索性仿真实验因素筛选方法

探索性仿真实验是一种认识、研究战争的重要手段,但往往面临想定样本空间复杂程度高,空间维度爆炸等问题。针对上述问题,提出一种定性定量相结合的基于多标签学习的实验因素筛选方法。首先,基于定性分析设计并实施仿真预实验,采集处理实验数据,解决机器学习样本数据缺失问题;随后,引入输入控制层搭建深度神经网络,引入稀疏正则化,在多标签模型训练过程中实现特征选择;然后,回归定性分析,补充完善实验因素;最后,以某作战样式下立体投送行动仿真推演为背景进行实验验证。实验结果表明,筛选的实验因素与作战行动现实情况吻合。     

基于线特征的多时相遥感图像变化检测

多时相遥感图像中利用线特征可以感知道路等线形地物的变化。论文提出一种新的基于边缘特征描述的线特征变化检测算法,首先根据边缘的梯度信息得到变化边缘,并对变化边缘进行编组,形成变化边缘的直线支撑区域,然后通过最小二乘拟合方法从直线支撑区域中提取出变化直线。提出的线特征变化检测算法把边缘的相位和幅度信息作为变化检测的判定依据,从而避免了线的匹配与比较工作,降低了变化检测的算法复杂度,具有很强的实用性。将提出的方法用于多时相遥感图像变化检测,实验结果显示该方法的有效性。     

小波分析电子签名系统

成功开发了小波分析电子签名系统。运用快速小波变换理论和生物识别技术提取人体指纹特征,转化为指纹特征码嵌入电子文本,解决了信息传输的安全问题,对因特网的身份认证、信息认证有重要指导作用。     

频域匹配滤波-FFT联合捕获算法北大核心

频域匹配滤波法利用FFT-IFFT完成时域伪码的快速相关,提出频域匹配滤波-FFT联合捕获法,该方法在频域匹配滤波法的基础上对相关结果进行二次FFT运算。通过仿真结果可知,在相同条件下得到的相关峰值高于频域匹配滤波法的相关峰值,提高了多普勒频率的估计精度,在信噪比大于-14 dB时捕获概率能达到0.988。由此可见,频域匹配滤波-FFT联合捕获法在估计精度和捕获概率上优于传统的频域匹配滤波法。     

闭环激励下无人机非线性参数频域在线辨识

随着无人机在军民领域的大规模应用,对无人机复杂工况下的安全性和适应性提出更高要求。闭环辨识能够在考虑系统反馈作用下获取辨识参数,大幅提高辨识试验的稳定性和安全性。针对无人机闭环辨识试验中多变量非线性气动参数获取问题,首先基于某固定翼无人机动力学模型,推导了无人机的气动力、气动力矩等29个气动参数辨识模型;然后提出了一种闭环激励下无人机多变量非线性参数频域在线辨识方法,设计了基于递推傅里叶最小二乘的闭环辨识的流程架构;最后通过添加噪声后的仿真系统对辨识方法的有效性进行了验证,对辨识结果的有效性进行了分析,可为后续开展的闭环辨识飞行试验提供技术储备和理论支持。初步仿真结果证明,提出的闭环激励下无人机多变量非线性参数频域在线辨识方法可以高效获得辨识结果,辨识的29个气动参数中有16个气动参数辨识平均误差3.43%,同时提出的辨识方法较常规最小二乘法精准度平均提高25.5%。     

目标区域局部特征和局部图像质量相结合的激光干扰效果评估

为客观描述光电成像系统激光干扰效果,提出目标区域局部特征和图像质量相结合的干扰效果评估算法。图像的局部特征用特征点描述,图像质量用结构相似度指数描述。该算法利用特征点匹配算法确定场景图像中的目标区域,计算干扰前后目标区域内特征点数量的变化、干扰后目标区域内未饱和面积所占的比重以及目标区域内图像的结构相似度指数,并将上述各参数相乘得到最终的评价指标。利用该方法对典型激光干扰图像进行评估,结果表明:在不同入射功率和不同光斑位置情况下,所提评估指标比单独使用结构相似度的评估指标具有更大的取值范围和更明显的非线性变化特征。这说明:该指标能够反映光电成像系统激光干扰过程的丰富细节,更加适合激光干扰效果的评估。     

基于深度时频特征学习的雷达辐射源识别

针对雷达辐射源识别中拓展能力不足和识别率不高问题进行研究,提出一种基于深度时频特征学习的智能识别方法。基于降采样短时傅里叶变换高效提取具备较高辨识度和稳定性的浅层二维时频特征,利用信号局部频域维稀疏性完成降噪等预处理;设计用于深度特征学习与识别的卷积神经网络,并采用不同尺度卷积核组合扩展网络广度,强化特征表征能力;利用高信噪比条件下8种辐射源信号样本对网络进行训练调优,低信噪比样本测试验证算法和网络的有效性。仿真结果表明,该方式在-8 dB信噪比条件下能达到98.31%的整体平均识别率,具备较强的鲁棒性。