相控阵雷达可通过合理配置工作参数优化其性能。针对相控阵雷达在搜索目标时易受敌方电子侦察设备威胁的现实,研究了在保持搜索能力的同时,通过合理配置参数降低截获概率的问题。分析了影响相控阵雷达搜索状态LPI(Low Probability of In...相控阵雷达可通过合理配置工作参数优化其性能。针对相控阵雷达在搜索目标时易受敌方电子侦察设备威胁的现实,研究了在保持搜索能力的同时,通过合理配置参数降低截获概率的问题。分析了影响相控阵雷达搜索状态LPI(Low Probability of Intercept)性能的主要因素,建立了截获概率模型与搜索能力模型,给出了3种参数调整策略。仿真试验验证了模型的有效性,并比较了3种策略的优劣。展开更多
在经典规划中,目标是找到一系列连续的行为,改变初始状态Z到一些满意的目标状态G.局部满意规划(PSP)问题是规划问题中的核心问题之一.在PSP中,文献[1-2]给出的每个目标有一个功能值ug≥0,代表每个目标对于用户的价值;每个行为a∈A,有一...在经典规划中,目标是找到一系列连续的行为,改变初始状态Z到一些满意的目标状态G.局部满意规划(PSP)问题是规划问题中的核心问题之一.在PSP中,文献[1-2]给出的每个目标有一个功能值ug≥0,代表每个目标对于用户的价值;每个行为a∈A,有一个关联执行代价Ca≥0,代表它执行每个行为的代价.P为所有有效规划集,Gp∈G为目标集,目标是寻找一个规划p在功能ug和执行代价之间寻找最大差,即arg p∈P max sum (ug)from g∈Gp-sum (Ca) from c∈p针对局部满意问题,提出了一种新的启发式搜索算法.该算法经过验证,取得了明显的效果.展开更多
首先提出了一个名为状态树搜索(State- tree Search) ,用以计算随机流网络可靠性的算法,在此基础上提出了一个改进的算法—SS- MC(State- tree Search & Monte Carlo) .状态树搜索方法通过在一个状态树中搜索所有的有效状态来计算...首先提出了一个名为状态树搜索(State- tree Search) ,用以计算随机流网络可靠性的算法,在此基础上提出了一个改进的算法—SS- MC(State- tree Search & Monte Carlo) .状态树搜索方法通过在一个状态树中搜索所有的有效状态来计算网络的可靠性;而SS- MC方法将分层抽样技术引入状态树搜索过程来实现大规模网络的可靠性评估.仿真结果表明SS- MC方法是有效的,并具有较小的方差.展开更多
现有行为识别方法在未能持续覆盖造成视频监控盲区所引起行为数据缺失的情况,难以有效实施特征分析、行为分类补全,无法准确识别出智能体完整的行为动作序列.为此,本文提出一种基于深度学习和智能规划的行为识别方法.首先,利用深度残差...现有行为识别方法在未能持续覆盖造成视频监控盲区所引起行为数据缺失的情况,难以有效实施特征分析、行为分类补全,无法准确识别出智能体完整的行为动作序列.为此,本文提出一种基于深度学习和智能规划的行为识别方法.首先,利用深度残差网络对图像进行分类训练,然后使用递归神经网络对图像特征进行提取深度信息以增强分类效果;其次,运用智能规划的STRIPS(Stanford Research Institute Problem Solver)模型,将深度学习提取的图像特征命题信息转化为规划领域的模型描述文档,并使用前向状态空间搜索规划器推导出完整的行为动作序列.在HMDB51等行为识别公共数据集中,本方法与生成式对抗网络、深度卷积逆向图网络、深度信念网络、支持向量机等同类先进方法相比展现出更好的性能.展开更多
A constrained partial permutation strategy is proposed for matching spatial relation graph (SRG), which is used in our sketch input and recognition system Smart Sketchpad for representing the spatial relationship amon...A constrained partial permutation strategy is proposed for matching spatial relation graph (SRG), which is used in our sketch input and recognition system Smart Sketchpad for representing the spatial relationship among the components of a graphic object. Using two kinds of matching constraints dynamically generated in the matching process, the proposed approach can prune most improper mappings between SRGs during the matching process. According to our theoretical analysis in this paper, the time complexity of our approach is O(n 2) in the best case, and O(n!) in the worst case, which occurs infrequently. The spatial complexity is always O(n) for all cases. Implemented in Smart Sketchpad, our proposed strategy is of good performance.展开更多
文摘相控阵雷达可通过合理配置工作参数优化其性能。针对相控阵雷达在搜索目标时易受敌方电子侦察设备威胁的现实,研究了在保持搜索能力的同时,通过合理配置参数降低截获概率的问题。分析了影响相控阵雷达搜索状态LPI(Low Probability of Intercept)性能的主要因素,建立了截获概率模型与搜索能力模型,给出了3种参数调整策略。仿真试验验证了模型的有效性,并比较了3种策略的优劣。
文摘在经典规划中,目标是找到一系列连续的行为,改变初始状态Z到一些满意的目标状态G.局部满意规划(PSP)问题是规划问题中的核心问题之一.在PSP中,文献[1-2]给出的每个目标有一个功能值ug≥0,代表每个目标对于用户的价值;每个行为a∈A,有一个关联执行代价Ca≥0,代表它执行每个行为的代价.P为所有有效规划集,Gp∈G为目标集,目标是寻找一个规划p在功能ug和执行代价之间寻找最大差,即arg p∈P max sum (ug)from g∈Gp-sum (Ca) from c∈p针对局部满意问题,提出了一种新的启发式搜索算法.该算法经过验证,取得了明显的效果.
文摘首先提出了一个名为状态树搜索(State- tree Search) ,用以计算随机流网络可靠性的算法,在此基础上提出了一个改进的算法—SS- MC(State- tree Search & Monte Carlo) .状态树搜索方法通过在一个状态树中搜索所有的有效状态来计算网络的可靠性;而SS- MC方法将分层抽样技术引入状态树搜索过程来实现大规模网络的可靠性评估.仿真结果表明SS- MC方法是有效的,并具有较小的方差.
文摘现有行为识别方法在未能持续覆盖造成视频监控盲区所引起行为数据缺失的情况,难以有效实施特征分析、行为分类补全,无法准确识别出智能体完整的行为动作序列.为此,本文提出一种基于深度学习和智能规划的行为识别方法.首先,利用深度残差网络对图像进行分类训练,然后使用递归神经网络对图像特征进行提取深度信息以增强分类效果;其次,运用智能规划的STRIPS(Stanford Research Institute Problem Solver)模型,将深度学习提取的图像特征命题信息转化为规划领域的模型描述文档,并使用前向状态空间搜索规划器推导出完整的行为动作序列.在HMDB51等行为识别公共数据集中,本方法与生成式对抗网络、深度卷积逆向图网络、深度信念网络、支持向量机等同类先进方法相比展现出更好的性能.
文摘A constrained partial permutation strategy is proposed for matching spatial relation graph (SRG), which is used in our sketch input and recognition system Smart Sketchpad for representing the spatial relationship among the components of a graphic object. Using two kinds of matching constraints dynamically generated in the matching process, the proposed approach can prune most improper mappings between SRGs during the matching process. According to our theoretical analysis in this paper, the time complexity of our approach is O(n 2) in the best case, and O(n!) in the worst case, which occurs infrequently. The spatial complexity is always O(n) for all cases. Implemented in Smart Sketchpad, our proposed strategy is of good performance.