基于元学习的甲骨文拓片识别研究

为提高甲骨文拓片的识别效率,针对甲骨文拓片识别过程中存在的数据集种类繁多但类内样本过少的问题,将元学习引入甲骨文拓片图像的识别,提出一种基于元学习的甲骨文拓片识别算法。首先,选择残差网络(ResNet)18作为基本网络结构,以更好地提取甲骨文数据集特征。然后,通过元学习方法对初始模型参数进行学习。试验结果表明,该算法学习到的初始模型参数对于学习新类别的识别有着很好的效果,优于与模型无关的元学习(MAML)等其他模型,并且对于少样本的甲骨文数据集的识别十分有效。该研究为其他少样本数据集的处理和识别提供了一种解决的思路。

多智能体编队在时延约束下的动态跟踪控制

针对时延约束下多智能体编队的动态跟踪问题,提出了一种与模型无关的控制算法,并运用实用稳定性理论、图论和矩阵分析等工具,实现了多跟随者在时延影响的有向通信图下对单动态领航者的实用跟踪。基于Matlab的线性矩阵不等式(Linear Matrix Inequality,LMI)工具箱,以三自由度(Three Degree of Freedom,3-DOF)的无人水下航行器(Unmanned Underwater Vehicles,UUV)进行数值仿真实验,可证明算法的正确性。

小样本条件下的雷达加性复合干扰识别

针对目前复合干扰识别中传统特征识别方法泛化性低和深度学习方法需要大量训练样本的问题,提出了一种融合了高效通道注意力机制的密集卷积网络模型(Efficient Channel Attention-Dense Convolutional Network,ECA-DenseNet),并结合与模型无关元学习(Model-Agnostic Meta-Learning,MAML)算法改进网络模型的初始化参数,以此增强模型在少量样本条件下的识别性能。实验结果表明,文中所提算法在各干噪比下对复合干扰平均识别率达到了98.73%,当样本数变为原来的四分之一时,复合干扰平均识别率依然能够达到95.35%,验证了算法的有效性。