基于RBF神经网络的引信智能天线多目标方向估计

提出了一种基于径向基函数 ( RBF)神经网络的引信智能天线多目标方向估计算法 ,对引信智能天线进行了结构和训练算法的设计。理论分析和测试结果表明 ,此算法充分利用了径向基函数神经网络的结构简单、自学习能力强、运算速度快、模式分类能力强等特点 。

约束性神经网络及其在目标方向估计中的应用

目前,在计算机视觉领域,主流的卷积神经网络算法专注于目标的识别和定位,且大多数采用轴对齐包围盒定位目标,而为了对图像做更深刻的语义理解,更加精准地定位各类目标,需要获取目标的方向信息。因此,本文提出一种针对图像目标方向估计的方法,采用卷积神经网络对描述目标方向的两个方向角分量进行回归,规避一些现有方向估计方法直接对方向角回归而产生的缺点。由于方向分量之间存在平方和为1的函数约束,本文提出约束性神经网络的概念,进一步提出利用约束性神经网络解决这类带有输出约束问题的一般性方法,即在Loss层引入约束误差,参与反向传播,并将其具体运用于目标方向估计中。经实验,本文采用的基于约束性神经网络的目标方向估计方法,能够在保证原输出损失的下降速度和幅度的前提下,降低约束误差,提高估计精度。

一种相干信号源分布式目标波达方向估计方法

针对相干信号源分布式目标 ,在具体的空间信号分布函数形式未知的情况下 ,提出了一种基于盲辨识的分布式目标波达方向 (DOA)估计方法。它不用进行多维参数搜索 ,并且适用于非均匀线阵和点目标与分布式目标同时存在或空间信号分布函数形式不同的分布式目标同时存在的情况。理论分析和仿真实验结果表明 ,这种高分辨的分布式目标DOA估计方法的估计性能对相干分布式目标信号源的分布特性是不敏感的。

多目标水声信号的稀疏重构反卷积测向算法

针对浅海复杂定位环境下信噪比低、多信源目标方位估计分辨能力低的问题,文章提出了多目标水声信号的离格稀疏贝叶斯学习重构反卷积测向算法。首先,该算法利用维纳滤波反卷积算法对阵元接收的信号进行“去噪”处理,然后对信号数据进行奇异值分解,从而降低噪声和信号重构过程的计算量;再建立离格稀疏信号模型,通过贝叶斯学习算法得到最大后验概率;最后求出多个目标信源的波达方向估计值。文章所提算法通过使用维纳滤波反卷积超分辨算法,获得了更高的方位估计的分辨率,提高了对多个目标的检测性能。仿真分析和海试实验数据结果表明,与MUSIC算法和OGSBI算法相比,该方法在信噪比大于-8 dB时,方位估计的均方根误差在1°以内,并在多目标定位精度、算法鲁棒性以及运行速度上均有更优的性能,为水下多目标波达方向估计提供了参考。

基于改进社会力模型的密集场景目标方向预测

通过改进传统的社会力模型,建立了一种适用于密集场景中个体目标方向预测的目标预测模型.该模型详细定义了个体在人群中受到的驱动力、躲避力和排斥力,以及3种力的合力对个体运动状态的影响,并由此实现对个体运动目标方向的预测.将该模型应用于大量密集场景视频进行实验测试.结果表明,该模型能够对个体目标方向进行正确估计;同时,该模型能够为更多密集群体行为的相关应用提供研究基础.