多特征空间下的支持向量机及其在图像识别中的应用

分别在主成分分析(PCA)、独立成分分析(ICA)和线性鉴别分析(LDA)所构造的特征空间下用模糊支持向量机(FSVM)进行人脸识别。同时,提出了一种改进的FSVM方法,即利用FSVM和多叉决策树相结合的思想来设计人脸分类器,从而使FSVM分类器的速度得到了大幅度的提高。通过在ORL人脸库上的实验结果表明,该算法是有效的。     

战场目标声音识别关键技术研究

战场目标声音探测技术在现代战争中发挥着越来越重要的作用。针对战场目标声音识别的一些关键技术进行了研究。首先分析了目标声音探测技术的军事应用特点,然后对战场典型目标发出的噪声的物理特性进行了分析。最后论述了战场目标声音识别技术中的几种关键技术,重点分析了特征提取中的LPCC、MFCC技术以及分类器中的隐马尔可夫模型,为战场目标声音识别系统的开发奠定了基础。     

无人机系统自主控制技术研究现状与发展趋势

无人机系统是未来进行信息对抗、夺取信息优势、实施火力打击的重要手段。"自主性"是无人机系统区别于有人机最重要的技术特征,实现无人机系统的自主控制,提高其智能程度,是无人机系统的重要发展趋势。对无人机系统自主控制问题进行了阐述,首先分析了无人机系统自主控制技术的发展需求,然后介绍了自主控制的概念和自主等级的划分;分析了无人机系统自主控制技术的研究现状,提出了无人机系统自主控制的关键技术问题,主要包括体系结构、感知与认知、规划与控制、协同与交互等;最后对无人机系统自主控制技术的发展趋势进行了展望。     

Zernike矩的不变性分析及其改进

Zernike矩作为一种基于区域的形状描述子,具有良好的旋转不变性,能够很好地提取图像内部的形状信息。介绍了Zernike矩的定义,对其不变性进行了深入分析,并对Zernike矩算法进行了改进,使其在具有良好的旋转不变性的基础上,也具有较好的平移不变性和比例不变性。结果表明,改进后的Zernike矩具有更好的不变性,可更好地应用于图像识别中。     

基于局部积分双谱与SVM的雷达目标识别

针对高分辨距离像的特点,应用双谱与SVM研究高分辨雷达目标识别问题。提出了基于局部积分双谱与SVM的雷达目标识别方法。该方法选择具有最强鉴别能力的积分双谱构成局部积分双谱特征,基于局部积分双谱进行距离像特征提取,然后应用支持向量机对提取的特征进行分类识别。利用四种局部积分双谱的目标识别仿真实验结果表明,提出的方法具有良好的分类性能。     

MGIS技术在海军信息战中的应用

针对军事地理信息系统(Military Geographic Information System,MGIS)在世界海军信息化作战中的重要作用及其研究现状,给出了MGIS的概念、信息流程和系统主要组成,详细阐述了MGIS在海军作战中的主要功能及其实现技术,系统论述了MGIS在海军信息化作战中的应用。最后总结了MGIS技术研究的重要意义。     

复杂电磁环境对舰载导弹防空系统影响分析

复杂电磁环境对舰载导弹防空系统影响的分析是海军战法研究的核心问题。运用信息战原理,在信息与火力联合作战能力分析平台上的初步试验表明:在复杂电磁环境下,信息因素可以使舰载导弹防空系统击毁入侵飞机数量的统计平均值下降553.96%,火力因素可以使统计平均值下降342.72%,信息与火力联合因素可以使统计平均值下降274.80%,整个舰载导弹防空系统性能趋于恶化。因此,根据复杂电磁环境对舰载导弹防空系统影响的分析结果,制定科学的决策,提高抗电子攻击能力和导弹打击精度,达到提高舰载导弹防空系统信息与火力联合打击目标能力。     

基于电动增压器的大功率柴油机高原功率恢复研究

高原环境对柴油机的工作性能影响较大,探索在高原环境下柴油机功率的恢复,对车辆在高原地区正常运行具有重要的意义．基于GT-POWER建立某型大功率柴油机整机数值仿真模型,并验证该模型的准确性;确定二级顺序增压系统方案,建立二级顺序增压系统数值仿真模型,通过增加电动增压器实现二级顺序增压的方法恢复柴油机高原使用功率．     

基于图像识别引导的AGV运行仿真研究

在自动化立体库中,为较好地分析AGV图像识别引导技术,验证该技术的可行性,进行了AGV运行仿真研究。首先,分析了AGV运行环境情况,利用3dsMax进行了场景建模。然后,将模型文件读入OpenGL,编写程序实现AGV运动和运行视点的变换。通过采集AGV车身与路径轴线的偏差,计算其平均绝对误差并与实际要求比较,结果满足实际要求,从而验证了该技术的可行性。     

利用多时间尺度卷积的视频行为识别网络

基于2D的行为识别网络通常融合多张视频帧的分类结果识别不同的行为,但其在卷积过程中缺少对时空特征提取。针对该问题,基于时间位移模块(temporal shift module,TSM)的思想设计了一组多时间尺度卷积,包含不同设计的卷积核以提取融合不同时间尺度的时空信息。通过控制多时间尺度卷积嵌入ResNet50网络的位置及其模块的参数设置,寻找最优的基于多时间尺度卷积的行为识别网络。使用PyTorch深度学习框架训练模型,在大型开源数据集Something-Somethingv2上进行了实验研究。结果表明,基于多时间尺度卷积的行为识别网络对行为识别准确率达到了59.47%,优于TSM等网络。