基于LBP-PCA的多传感器目标识别算法

为了更加有效地提高多传感器图像融合后的识别率,提出一种基于LBP-PCA的多传感器目标识别算法。首先分别对红外和可见光图像进行预处理用以突显出要识别的目标,采用LBP算法提取目标的特征点向量,利用PCA算法进行特征融合,得到降维后的融合特征,最后利用SVM(支持向量机)进行分类和识别。实验仿真结果表明多传感器目标经过LBP-PCA融合后在保持足够数量的有效信息基础上降低了特征的维数,有效地提高了目标识别率。     

基于Delphi-BP神经网络的装备保障能力评估

针对评估指标数量过多可能给评估过程及结果带来的弊端,在构建装备保障能力评估指标体系基础上,给出了基于Delphi法的指标体系筛选的方法步骤,通过计算累计贡献率,对指标体系进行了筛选,降低了评估模型的输入维度。建立了评估部队装备保障能力的三层BP神经网络模型,利用Matlab神经网络工具箱对网络进行了训练和仿真,结果显示误差小于10-3。最后,通过对比评估,验证了方法的有效性和正确性。     

基于复杂网络的武器装备体系贡献度评估分析方法

根据结构决定功能的系统论观点,基于复杂网络理论对武器装备作战体系网络的拓扑结构进行了分析,构建了基于不确定性自信息量的武器装备作战体系作战效能分析模型,提出了计算武器装备体系贡献度的方法,并通过算例验证,探讨了网络结构演化及度量参数改变对武器装备体系贡献度的影响,为武器装备体系贡献度评估分析提供了技术支撑。     

用于机动目标跟踪的自适应交互式多模型算法

针对当前统计模型对弱机动或非机动目标跟踪效果不理想等问题,提出了一种修正当前统计模型与匀速模型的自适应交互式多模型算法,可在线修正当前统计模型的加速度极限值,调整过程噪声方差,提高了当前统计模型的自适应性。同时,通过在常规匀速模型中引入机动检测机制,抑制了常规匀速模型对机动目标跟踪的滤波发散,通过引入强跟踪算法,增强了模型对目标突发机动的自适应跟踪能力。仿真结果表明,该算法充分发挥了当前统计模型和交互式多模型算法的优势,对强机动和弱机动目标都具有很好的效果。     

面向工业物流服务的智能车及循迹算法的研究

将工业物流服务的智能循迹小车作为研究对象,并结合循迹算法原理,采用混合遗传算法,设计了智能循迹小车。经测试验证,小车能准确接收配送任务,按需求将物件运送到指定工位并语音播报提示,在行驶过程中能够自动避障,并在执行任务过程中能够将输运信息上传至上位机进行实时数据处理。最后,搭建了工业物流模拟服务平台,实现了对运送全程的追踪记录,进而提高工业生产自动化的程度,降低制造企业的生产成本,促进企业信息化建设。     

基于时频分布的弹道导弹目标识别方法

在弹道导弹目标识别中,微动特征是重要的识别手段。从弹道导弹微动特性时频分析出发,提出一种基于时频分布的弹道导弹目标识别方法。该方法将时频分布图的伪Zeinike不变矩特征作为识别特征。首先对回波信号进行时频变换以获取时频图像;然后为了降低噪声的影响,对其进行图形预处理;最后给出了伪Zernike不变矩提取步骤及识别特征的选取原则。通过仿真实验,分析了不同特征组合对识别率的影响,评估了不同信噪比下识别方法的稳定性。实验结果表明,该方法具有一定稳定性,可用于弹道导弹目标识别。     

基于混合数据挖掘模型预测用户流失

用户流失预测问题广泛应用在银行、金融、电信等多种领域。对用户行为进行有效的预测和分析有助于企业的竞争和了解瞬息万变的市场规律。采用3种混合的数据挖掘模型对用户流失问题进行了研究,以形成一个准确高效的用户流失预测模型。这3种模型应用于数据挖掘的两个阶段:聚类阶段和预测分析阶段。在第1阶段中,对用户的数据进行过滤。第2阶段对用户行为进行预测。第1个模型采用了二分k-means算法进行数据过滤和多层感知人工神经网络(MLP-ANN)相结合进行预测。第2个模型采用层次化聚类与MLP–ANN相结合进行预测。第3个模型使用自组织映射(Self-Organizing Maps)与MLP-ANN进行预测。这3种模型预测分析基于真实数据,用户流失率采用3种模型混合计算的方式得出结果并同真实值进行比较。分析结果表明采用多模型的混合数据挖掘模型的数据准确度优于普通的单一模型。     

Rényi信息增量和协方差联合控制的多传感器管理算法

针对目标跟踪中雷达组网场景下多传感器管理问题,结合Rényi信息增量和协方差两种算法各自特性,利用并行处理的思想提出了一种基于Rényi信息增量和协方差联合控制的传感器管理算法。在具体仿真设计环节,分为传感器跟踪能力大于目标数和传感器跟踪能力小于目标数两种场景。仿真结果表明该算法在单目标匀速、多目标匀加速等多数场景下能够对目标进行有效跟踪,同时降低了传感器的切换频率,具有更好的实时性。     

基于自然连通度的复杂网络节点重要性度量方法

节点重要性度量是复杂网络研究中的热点问题。从复杂网络的抗毁性指标入手,给出了自然连通度的定义,并且以此为基础设计了基于自然连通度的复杂网络节点重要性度量方法。最后以著名的风筝网络为例,分析了该方法的适用性,并与其他经典的节点重要性度量方法进行对比,证明了该方法的合理性。     

基于灰色加权马尔科夫的部队集成训练效果预测

针对GM(1,1)预测模型误差较大的问题,在GM(1,1)模型的基础上引入加权马尔科夫模型构建了部队集成训练效果预测模型。该模型以GM(1,1)模型存在的预测残差作为划分马尔科夫状态的依据,通过加权处理对预测结果进行修正。实例分析结果表明,该模型算法简单,易于实现,可以较大地提高部队训练效果预测精度,为部队开展科学有效的实战化训练提供了有力的数据支撑。