一种坐标通道注意力深度学习网络的军用飞机识别方法

战场态势瞬息万变,利用可见光图像对敌方用于军事行动的飞机类型进行有效区分,对提供军事作战信息具有重要意义。针对现有军用飞机识别方法存在小目标飞机和环境背景复杂导致的模型特征提取困难、数据样本数量不足导致的模型训练不充分的问题,提出一种坐标通道注意力(ConvNeXt-Coordinate Attention,ConvNeXt-CA)深度学习网络军用飞机目标识别方法。该方法在ConvNeXt网络可以保留小目标飞机特征的基础上,引入CA机制设计CA-Stage模块,提升网络对于背景和前景的区分能力;采用数据增强的方式扩充数据集,以及使用迁移学习的策略提高模型的泛化能力,训练得到具备最优超参数的ConvNeXt-CA网络。实验结果表明,与传统的军用飞机识别方法和其他深度学习模型相比,基于迁移学习的ConvNeXt-CA网络在预测准确率上有明显的提升,且具备较强的泛化能力。

一种面向纯方位机动目标跟踪的伪线性卡尔曼滤波方法

针对单站纯方位地面机动目标跟踪问题,提出一种改进距离参数化工具变量伪线性卡尔曼滤波算法。首先基于观测站探测范围,利用距离参数化将目标与观测站的相对距离划分为若干个子区间,并独立运行工具变量伪线性卡尔曼滤波器。然后基于滤波新息与新息协方差更新子滤波器权重并检测目标机动,通过重置子滤波器的权重和状态信息保证滤波稳定。最后将各子滤波器状态信息加权融合获取目标的状态,解决目标初始距离未知以及目标机动导致跟踪精度下降的问题。仿真结果显示,本文提出的算法的位置跟踪精度比传统方法有显著提高,能有效实现对机动目标的跟踪。

行人GNSS/PDR组合导航优化估计方法

基于全球卫星导航系统(GNSS)和行人航位推算(PDR)的组合导航系统是行人导航广泛采用的方案之一。为进一步提高GNSS/PDR组合导航系统的定位精度,提出一种基于图优化的GNSS/PDR组合导航方法。通过构建因子图表示状态和量测信息之间的概率依存关系,过去的所有状态都作为未知量在每一步进行迭代估计,通过最小化整体代价函数获取状态的最优估计。实际场景测试结果表明:与卡尔曼滤波算法相比,新方法能够进一步降低定位的平均误差,提高定位精度;两组实际场景测试的平均水平定位误差都降低了40%以上。实验结果证明了图优化算法可以有效地提高定位精度。

基于增强上下文信息长短期记忆网络的弹道轨迹预测

根据己方观测数据进行弹道轨迹预测是现代陆军实施精准打击的重要一环。针对现有弹道轨迹预测方法存在精度不足且实时性不强的问题,提出一种新的增强上下文信息长短期记忆(CE-LSTM)网络轨迹预测模型,进行弹道轨迹的长期精准预测。在LSTM网络可逼近任意非线性函数且具备长期记忆能力的基础上,构建隐藏层输出混合单元提取短时上下文信息,进一步逼近弹体运动状态;通过建立不同条件下的弹道轨迹的数据集,训练得到具备最优超参数的CE-LSTM网络。实验结果表明,与弹道微分方程组的数值积分解法以及高斯混合模型相比,CE-LSTM网络在预测的精度上优于其他2种方法,预测速度提高了3~10倍,且具备较强的泛化能力。

多目标空地异构无人系统协同任务分配方法

针对由地面无人车与多无人机组成的空地异构无人系统面向大范围、多目标的协同任务分配问题,以无人系统完成任务时间为优化目标,同时考虑无人机收放、续航能力以及任务时序等约束条件,建立空地异构无人系统的任务分配模型,提出一种多目标空地异构无人系统任务分配方法。结合密度值最大聚类和混合粒子群优化算法,对空地异构无人系统的任务分配问题进行求解,从而得到满足约束条件的全局任务分配结果;通过仿真实验对所提方法进行验证。实验结果表明,该方法能够有效地求解在不同作战环境中的空地异构无人系统的任务分配问题。

基于集成迁移学习的新装备装甲车辆分类

在复杂的陆战环境中,图像分类技术是快速区分装甲车辆目标的一种重要手段。针对现有基于卷积神经网络(CNN)的主流分类算法对于训练样本的数量及质量有较高要求,在新装备装甲车辆图像分类任务中精度不足的问题,提出一种集成了两个基于不同学习策略的CNN的迁移学习方法。一个CNN在图像样本较易获取、数量充足的老式装甲车辆图像数据集上进行预训练,学习局部细节特征;另一个CNN在图像质量较低的新装备装甲车辆的虚拟图像数据集上进行预训练,学习全局特征。对预训练好的CNN均利用数量有限的新装备装甲车辆真实样本按照不同策略微调,提升表征能力。设计基于Optuna超参数优化框架的自学习模型集成机制,可对两个CNN的输出进行自主加权优化,进一步提高算法的分类准确率。实验结果表明,与随机初始化训练的同一模型相比,所提方法在新装备装甲车辆图像分类任务中准确率提高7%,有效缓解了训练样本偏少的问题。

高炮与防空导弹在近程防空反导中的互补性

对突入低近空的快捷或遮蔽目标 ,本文以严谨的射击学原理证明 :存在着三种只对高炮才有的射击时机 ,阐明了高炮的不可替代性 ;并通过处于同一点上的高炮与防空导弹对同一航路上同一目标的射击过程对比 。

基于STLS的姿态信息空间配准方法

针对无人车多源融合导航过程中数据预处理阶段的姿态信息配准问题,提出基于STLS的多源空间配准方法:建立基于姿态信息的相对姿态误差模型,利用STLS方法对误差模型迭代求解;通过STLS方法估计相对姿态参数,使用方向余弦阵作为中间变量对所估计出的相对姿态误差进行补偿。仿真实验结果表明,STLS方法估计相对姿态误差性能优于LS、TLS方法。半实物仿真结果表明,提出的基于STLS的空间配准方法降低姿态角的误差约60%,有利于提高后续多源融合导航精度。

激光大气数话同传系统的设计

给出了一套以激光作为信息传输的载体 ,单片机作为控制调度计算机 ,以 DSP作为高速语音压缩解压部件的激光大气数话同传系统设计。来自麦克风的语音信号经 A/ D转换后 ,由 DSP压缩成 2 .4kbps～ 9.6 kbps的串行数字信号 ,同时2 .4kbps～ 9.6 kbps的串行数字信号可由 DSP解压成 8k Hz13bit数字语音信号。经过压缩的语音数据和来自多串行口控制器的数据 ,通过单片机的协调 。

基于双焦CCD摄像的浮空器航向测定

在防空反导作战中,目标坐标的有效探测是关键环节,通过浮空器观测目标可以有效地提高探测效果。为测量浮空器的航向角,提出了一种性价比较高的新方案,即通过设置地面信标,利用双焦CCD跟踪地面信标的视频图像进行处理,计算浮空器的航向角。精度的理论分析与数值计算表明该方法可行。

采集显示一体化的实时视频信号处理系统

提出了一种软硬件结合的采集显示一体化的视频信号处理系统 ,该系统以 SAA7111A作为视频信号采集器 ,用 CHIPS6 90 0 0视频加速器作为视频捕捉和回放器 ,使视频回放直接在 6 90 0 0芯片内完成 ,减少通过计算机总线的传输量 。

萤火虫算法智能优化粒子滤波

针对粒子滤波(Particle filter,PF)重采样导致的粒子贫化以及需要大量粒子才能进行状态估计的问题,本文结合粒子滤波的运行机制,对萤火虫算法的寻优方式进行修正,设计了新的萤火虫位置更新公式和荧光亮度计算公式,并在此基础上提出了萤火虫算法智能优化粒子滤波.该方法引入了萤火虫群体的优胜劣汰机制以及萤火虫个体的吸引和移动的行为,使粒子群智能地向高似然区域移动,提高了粒子群的整体质量.实验表明该方法提高了粒子滤波的预测精度,同时大大降低了状态值预测所需的粒子数量.

基于蝙蝠算法的粒子滤波法研究

标准粒子滤波容易出现粒子贫化问题,滤波精度不稳定,并且需要大量粒子才能对非线性系统进行准确估计,降低了算法的综合性能.针对该问题,本文提出了一种基于蝙蝠算法的新型粒子滤波算法.该算法用粒子表征蝙蝠个体,模拟蝙蝠群体搜索猎物的过程,粒子群体通过调整频率、响度、脉冲发射率,追随当前最优粒子在解空间中进行搜索,并可以动态控制全局搜索及局部搜索的相互转换,进而提髙粒子整体的质量和分布的合理性;此外,改进算法引入Levy飞行策略,从而避免局部极值的不良吸引.实验表明新型粒子滤波方法提高了粒子多样性和滤波预测精度,同时大大降低了对非线性系统进行状态预测所需的粒子数量.

基于自控蝙蝠算法智能优化粒子滤波的机动目标跟踪方法

标准粒子滤波重采样过程中对粒子的直接删除会导致粒子贫化,并且综合性价比不高,难以满足高频段精密跟踪雷达的需求.针对上述问题,本文提出了基于自控蝙蝠算法优化粒子滤波的机动目标跟踪方法.该方法首先在粒子滤波中引入蝙蝠算法,用粒子表征蝙蝠个体,模拟蝙蝠群体搜索猎物的过程,使粒子向高似然区域移动.同时,改进算法将粒子接受新状态的比例作为反馈量,设计了自适应闭环控制策略对算法的全局搜索能力和局部搜索能力进行全程动态控制,使得粒子分布更加合理,从而进一步提高了粒子滤波的精度.最后在分别在基础非线性滤波模型和强机动强干扰目标跟踪模型中对改进算法的性能进行了测试.实验结果表明,改进算法提高了目标跟踪的精度.

基于椭球曲面拟合的三维磁罗盘误差补偿算法

针对现有三维磁罗盘误差补偿速度慢、需专用转台、野外使用不便的问题,提出了一种建立总磁场的不等边椭球曲面数学模型进行误差补偿的方法。首先根据Poisson方程描述的总磁场测量模型,得出一般椭球曲面模型,然后,采用牛顿迭代法对椭球曲面方程线性化,分别使用最小二乘法和总体最小二乘法计算线性化方程,推导椭球曲面拟合的数学公式,计算椭球曲面参数,最后,利用最小二乘法提出并推导参数初值的计算公式,给出了选取数据点的方法。实验结果表明,仅手持磁罗盘在各象限旋转即可实现误差补偿,航向测量精度可达0.8°,补偿精度与传统的转台补偿基本相同,而补偿方式更为灵活,适用于无转台设备的野外环境测量使用。

收敛粒子群全区域自适应粒子滤波算法及其应用

针对基于粒子群优化的粒子滤波(PSO-PF)算法容易陷入局部最优,并且计算复杂度高、收敛速度慢的问题,该文提出了一种基于收敛粒子群的新型全区域自适应粒子滤波算法(LAPSO-PF)。该算法在搜索中扩大了粒子信息来源的范围,将惯性权重引入速度更新公式,改善了局部最优现象,减少了寻优所需的迭代次数。最后利用单变量非静态增长模型、目标跟踪模型以及故障检测模型对该文算法的性能进行仿真测试。实验结果表明,该文算法改善了PSO-PF易陷入局部最优的现象,提高了精度和运算速度。

基于新型粒子群优化粒子滤波的故障诊断方法

针对基于粒子群优化算法的粒子滤波(PSO-PF)算法精度不高,容易陷入局部最优,难以满足电厂温控系统故障诊断的需求,提出一种适用于故障诊断的新型粒子群优化粒子滤波(NPSO-PF)算法。该算法引入社会个体对群体的认知规律优化了粒子更新的方式,并且完善了粒子速度的更新策略,对优势速度赋有较小概率的变异,提高了粒子的寻优能力,同时随机初始化劣势速度,保证了样本的多样性。实验结果表明,与PSO-PF相比,NPSO-PF提高了故障检测的精度和鲁棒性,可以有效地应用于温控系统故障的诊断。

基于相关重构的BOC调制信号捕获新方法

BOC调制信号具有多个相关峰值,其零点的存在会使得接收机捕获环路做出错误的判断。鉴于此,提出了一种新的捕获算法,该算法鉴于分形的思想,利用简单的折叠原理重构了BOC调制信号的相关函数,消除了其相关函数零点的影响,并通过增加主峰高度,提高了信号的检测概率。重点针对直接处理中的三路并行相关法,进行了对比分析与仿真实验。仿真结果表明,该算法可为跟踪环路提供相位信息,适用于高阶BOC调制信号的捕获,运算复杂度低,从而打破了三路并行相关法的局限性。

基于神经网络预测的网络控制系统故障检测

考虑一类长时延网络控制系统,假定其存在输出时延,对其进行故障检测。通过对网络控制系统时延采样值进行神经网络预测,使之成为无延迟的控制系统。在此基础上,建立了基于神经网络预测的故障观测器误差方程,并证明了该观测器稳定的条件。当系统正常时,只要给定的不等式条件成立,该观测器系统就是稳定的。当系统发生故障时,观测器残差能够迅速发生跳变,从而检测出故障的发生。最后通过仿真示例说明该文方法能够较好预测网络时延,发现系统故障。