基于深度估计和梯度下降的水下图像恢复与增强

由于水下介质散射和吸收等固有特性,水下图像面临图像模糊、低对比度和颜色失真等多重降质问题,严重影响视觉感知性能。针对上述问题,提出基于深度估计和梯度下降策略的水下图像恢复与增强框架(UIRENet)。首先,借助卷积、非线性激活函数模块,构建深度感知网络,实现对不同退化区域的场景深度感知,克服场景深度依赖的退化;其次,提出梯度优化策略,优化卷积网络参数,提升深度网络增强性能;最后,结合感知损失、边缘损失和水下色彩恒常损失,形成水下图像增强网络损失函数。通过在UIEB⁃90、UIEB⁃M和EUVP数据集上开展综合测试实验,验证了UIRENet框架在降低水下图像模糊度、提升视觉效果方面均显著优于目前典型水下图像增强方法,特别在客观评价指标UIQM上,相比CLAHE、ICM、GC、IBLA、DCP、ULAP、FUnIE⁃GAN、UGAN和Uformer等方法分别提高0.3700、0.6446、0.5919、1.3081、1.3032、1.1672、0.0593、0.1329和0.0934。

成对排序本体学习算法

本体作为一种结构化数据模型已广泛应用于知识表示和信息处理,并成为近几年计算机领域的研究热点.提出基于成对排序学习方法的本体相似度计算和本体映射算法,利用Mahalanobis距离函数得到计算模型,通过梯度下降策略得到模型的最优解,从而将本体图或多本体图中的顶点对映射成实数来表示它们的相似程度.通过两个实验表明,新算法对特定的应用领域具有较高的效率.

基于强化学习的多发导弹协同攻击智能制导律

为实现多发导弹对目标的协同攻击,提升打击效能,提出一种基于深度确定性策略梯度下降神经网络的强化学习协同制导律。修正了基于线性交战动力学的剩余飞行时间估计方程,不再受小角度假设的约束,进而提高剩余飞行时间估计精度。以各弹的剩余飞行时间误差为协调变量,与各弹的剩余飞行距离一同作为强化学习算法的观测量。利用脱靶量和剩余飞行时间误差构造奖励函数,离线训练生成强化学习智能体。闭环制导过程中,强化学习智能体将实时生成可实现同时打击的制导指令。仿真结果表明:该强化学习制导律能够实现多发导弹对目标的同时攻击;与传统协同制导律相比,强化学习协同制导律的脱靶量较小,攻击时间误差也较小。