基于EfficientDet的无预训练SAR图像船舶检测器

针对多尺度、多场景的合成孔径雷达(SAR)图像船舶检测问题,提出了一种基于EfficientDet的无预训练目标检测器。现有的基于卷积神经网络的SAR图像船舶检测器并没有表现出其应有的出色性能。重要原因之一是依赖分类任务的预训练模型,没有有效的方法来解决SAR图像与自然场景图像之间存在的差异性;另一个重要原因是没有充分利用卷积神经网络各层的信息,特征融合能力不够强,难以处理包括海上和近海在内的多场景船舶检测,尤其是无法排除近海复杂背景的干扰。SED就这2个方面改进方法,在公开SAR船舶检测数据集上进行实验,检测精度指标平均准确率(AP)达到94.2%,与经典的深度学习检测器对比,超过最优的RetineNet模型1.3%,在模型大小、算力消耗和检测速度之间达到平衡,验证了所提模型在多场景条件下多尺度SAR图像船舶检测具有优异的性能。

基于条件随机场和U型网络的遥感图像道路提取

针对当前遥感图像数据集提取道路时对物体细节分割效果不佳,双向车道、立交桥等处不能完好分辨的问题,提出了基于条件随机场和U型网络的遥感图像道路提取方法。由于遥感图像中道路局部细节特征丰富、语义特征简单的特性,该方法调整了滤波器个数,并使用空洞卷积增大感受野,提高了网络特征提取能力;其次,针对道路目标在遥感图像中占比小,易被背景侵蚀的特性,选择Lovasz-Softmax损失函数,并在后端引入条件随机场,进一步利用了全局上下文信息的联系,优化了分割结果。实验结果表明,本方法在召回率、精度和F1-Score达到82.8%,80.9%,81.8%的同时,交并比及运行速度为85%和10 FPS,基本满足视频分割的要求,可运用于边缘设备。

脱离预训练的多尺度目标检测网络模型

为提高卷积神经网络目标检测模型精度并增强检测器对小目标的检测能力,提出一种脱离预训练的多尺度目标检测网络模型。采用脱离预训练检测网络使其达到甚至超过预训练模型的精度,针对小目标特点设计新的Deformable-ScratchNet网络模型,调整网络结构并融合浅层信息以提高对小目标的检测性能。实验结果表明,与Faster-RCNN等经典网络模型相比,该模型在PASCAL VOC数据集和自制遥感军事目标数据集上的检测精度更高。

改进的干扰机集群任务分配算法

针对协同干扰敌组网雷达的多机任务分配问题,提出了双层优化贪心算法。介绍了基于几何误差的任务分配算法,并针对其实用性的欠缺和适用条件的不足加以改进:根据飞行动力学简化了误差判定,基于单机搜索、状态矩阵、航迹点分配和数量优化设计出双层优化贪心算法;最后引入Dubins路径修改运动约束条件,以满足复杂机动条件的需要。仿真结果显示,改进算法实用性更强,适用范围更广,且求解速度大大提升。

基于三支决策的空中目标敌我识别方法

针对空中目标敌我识别过程中由于获取信息的不确定性及不完全性而导致决策识别出现的错分、误判及选择性判断问题,提出了基于三支决策的空中目标敌我识别方法。该方法采用多传感器信息融合技术,在决策层级引入三支决策理论,遵循贝叶斯最小风险准则,构造了基于三支理论的敌我识别模型。应用实例表明,该识别方法能够减小和规避错误决策带来的风险与损失,提高最终决策的准确性和实时性,切合现代战场复杂情况对时间复杂度的要求,更能适合战场的需要。

基于改进的SSD模型手机违规使用目标检测

针对某些对手机使用有特殊规定的场所时常面临难以准确、高效地识别手机违规使用的问题,提出了一种基于改进的SSD模型来检测手机的违规使用。利用SSD模型获取初次目标位置及区域分类,并利用改进的DenseNet模型对初次目标框进行判定,从而获得精确的手机检测边界框。为改进数据预处理流程,采用了数据扩增与图像质量改善相结合的策略。在自建的手机检测数据集上的实验结果验证了这些改进策略的有效性,改进的SSD模型定位精度可达91.1%,识别精度高达98%,相比原有SSD模型提升了35%。改进的SSD模型同时具有识别精度高和定位精度高的特点,可为智能识别违规使用手机的行为提供理论依据和技术支持。

具有周期性双层优化结构的无人机集群航路规划模型

针对多种威胁条件下的无人机集群航路规划问题,提出了集群控制方法和周期性双层优化算法。以定点抵达任务为背景,将d-范数、冲击函数与反曲函数结合起来,构建了能够实现雷诺兹准则的集群动态控制模型,并采用设计出的周期性双层优化算法求解中心无人机的航路规划问题。通过仿真算例,验证了该模型的实效性和优化算法的可行性,与遗传算法-人工势场混合算法相比,周期性双层优化算法求解效率更高且优化效果更好。

基于RS-CART决策树的航空发动机小样本故障诊断

针对CART(classification and regression tree)分类决策树构建过程中由于小样本集特征维数高及噪声等造成的过拟合问题,在CART决策树算法训练过程中引入基于互信息的粗糙集(rough sets,RS)属性约简,考虑信息熵与基尼(GINI)系数刻画样本集"纯净度"的相似关系,对历史故障数据进行属性约简,降低属性维度以优化训练集,在此基础上构建分类决策树,可视化输出规则。实验结果表明:将改进的CART决策树算法应用于某型航空发动机油液故障诊断,提取的规则可解释性强,能够减小冗余属性及噪声对决策的影响,与常用故障诊断算法相比,该模型的诊断准确率提升20%左右,AUC(area under curve)值高达92%,可以有效处理高维离散型航空发动机小样本故障问题。

区间值q阶犹豫模糊Frank集成算子及其决策应用

将q阶犹豫模糊集进行了拓展,提出了区间值q阶犹豫模糊集;并将Frank算子与区间值q阶犹豫模糊集相结合,提出了区间值q阶犹豫模糊Frank集成算子。首先,基于Frank算子定义了区间值q阶犹豫模糊元的运算性质,提出了区间值q阶犹豫模糊元的得分函数、精确函数及其排序方法;其次,定义了区间值q阶犹豫模糊Frank算术平均算子、几何平均算子、有序加权平均算子以及混合平均算子,分别给出了算子的计算公式,研究了其相关性质并讨论了算子的特殊形式;最后,给出一种基于区间值q阶犹豫模糊Frank集成算子的多属性决策方法,通过算例和比较分析说明了方法的可行性与有效性。该方法可以根据决策者的风险偏好态度灵活地选择参数以满足不同决策情况的要求。