带落角与舵面饱和约束的三维制导控制一体化设计

为使制导控制系统在实际应用过程中适用所面对的多种约束条件,同时避免制导与控制系统设计过程中反复迭代带来的巨大工作量,提出了一种带有落角与舵面饱和约束的三维制导控制系统一体化设计方法。根据导弹六自由度非线性模型以及三维弹目相对运动模型建立全状态耦合的制导控制一体化模型,基于动态面控制器原理,采用4级滑模面设计,构建了能够满足落角与舵面饱和约束的控制器,并给出了控制系统闭环稳定性证明。通过仿真实验有效验证了所提方法的正确性、有效性及鲁棒性。

基于多层级合作标识无人机自主着舰视觉引导方法

无人机自主着舰视觉引导应用距离跨度大、测量精度要求高,尚缺乏有效的解决方法,针对此问题,提出一种基于多层级合作标识的无人机自主着舰视觉引导方法。该方法首先设计了基于ArUco的多层级组合新型合作标识,利用边缘检测算法对每一层ArUco二维码提取控制点,进一步通过求解PnP(Perspective-n-Point)问题得到机舰间相对位姿信息,然后对每一层二维码所解算出的位姿数据进行非线性误差补偿,利用最小二乘法(Least Mean Squares,LMS)与熵权法解算不同层级二维码的权值大小,最终通过融合不同层级二维码位姿解算结果得到最终的位姿信息,实现大距离跨度范围内的高精度位姿求解。实验结果表明,本文方法实现了大距离跨度范围内机舰间相对位姿参数的高精度测量,可为无人机自主着舰提供可靠引导信息。

一种基于分布式多源深度学习的智能物联网异常检测模型

随着智能物联网应用场景的不断拓展,网络攻击的频率与规模在不断增加,基于数据流量的异常行为检测是应对物联网安全风险的重要手段。传统检测工具存在隐私泄露、准确率低、稳定性差等薄弱点,为改善这一状况,提出一种基于分布式框架的神经网络异常行为检测模型。首先,该模型引入群体防御的思想,利用分布式结构安全地共享边缘网关的流量知识,有助于提高检测性能,提升安全性和鲁棒性。其次,创新性地将网络流量转化为深度矩阵,融合多种神经网络结构进行特征挖掘,能够有效处理大规模时序序列数据,同时选择两个层次的数据进行拟合,确保模型充分接收信息。最后,基于真实数据集的仿真实验表明,所提出的模型具有优异的拟合能力,其异常流量检测准确率达到90%以上,相比基线模型具有显著优势,能够为智能物联网提供轻量、安全、精准的攻击行为检测。

基于位置预测的靶场图像实时判读方法

在靶场经纬仪对目标实时跟踪测量时,会发生相机随机抖动的情况,引起目标在图像中大幅度运动。应对大幅度运动时,基于搜索窗口的跟踪方法容易丢失目标,而基于全图搜索的跟踪方法时效性差。针对以上问题,提出一种结合核相关滤波算法(Kernelized Correlation Filter,KCF)和目标位置预测的改进的跟踪学习检测算法(Tracking-Learning-Detection,TLD)跟踪框架。利用正交多项式最优线性滤波器及相机角度信息预测目标下一帧位置,在此区域利用KCF进行快速跟踪,可以提高跟踪的成功率和时效性,跟踪失败时再进行检测。仿真实验表明,最优线性滤波器能较准确预测目标位置,给KCF提供较准确的搜索位置,算法每帧耗时仅为1.1 ms,且定位精度优于TLD和KCF,能有效应对相机抖动的问题。靶场实际试验证明该方法可提高靶场自动判读水平,减少人工干预。

结构主导目标检测中的纹理随机化

已有基于卷积神经网络的目标检测算法倾向于提取目标纹理特征,而非结构特征;因此,已有方法不能实现变纹理目标的可靠检测。针对此问题,提出基于纹理随机化的结构主导目标检测方法,采用仿真纹理随机化方法减弱网络模型对纹理特征的拟合,实现基于结构特征的变纹理目标可靠检测。利用目标的三维模型,借助Blender渲染引擎,完成纹理随机化仿真训练数据集的生成。仿真及真实图像实验测试结果表明:该方法能够实现基于目标结构特征的变纹理目标可靠检测。