基于Gibbs采样的贝叶斯多目标高分辨方位估计

讨论了一种利用Gibbs采样方法的贝叶斯多目标高分辨定向新方法(BDGS),给出了这种贝叶斯定向新方法的推导过程。该方法将一种新方法Gibbs采样应用于贝叶斯高分辨方法的计算过程。新方法不仅具有贝叶斯多目标高分辨定向方法的优越性能,而且还降低了原贝叶斯方法计算的复杂程度。并在最后给出了新方法的性能分析,与MUSIC(子空间法)和MLE(最大似然法)的比较结果表明新方法有更高的分辨率,在低信噪比情况下性能也较好。

基于高阶非线性模型的多目标高光谱图像解混算法

在高阶非线性混合模型的基础上,提出一种多目标高光谱图像解混算法,解决传统方法受高光谱数据异常值影响而解混精度不高的问题。该算法以重构误差与光谱角分布为目标函数建立优化模型,并同时优化两目标函数以减少数据异常值对模型求解的影响,使解混结果在两个评价指标上得到提升;最后采用差分搜索算法求解多目标优化模型,解决梯度类优化方法易陷入局部极值的问题,从而进一步提升解混精度。实验结果表明,文中算法与传统高光谱解混算法相比,具有更精确的端元丰度估计结果和更高的解混精度。

不量仪器高和目标高的方法建立高程控制网的可行陛分析

建立高等级高程控制网的一般方法是利用高精度的水准仪，采用常规的几何水准的方法进行，但是，这种常规几何水准测量工作量大，效率低，对地形要求也相对较高。

无伴随运动2PRU-PRUR并联机构高维多目标优化设计

设计了一种无伴随运动的面对称一移动两转动2PRU-PRUR并联机构,应用旋量理论分析了机构自由度和运动特性。将末端执行器输出轴设置为偏置形式,可提高姿态能力。采用球面姿态角(方位角和倾摆角)描述该输出轴姿态,并推导出机构逆向位置符号解。以旋量理论为数学工具,给出局部和全域传递性能指标的定义和计算方法。在机构性能评价和工作空间分析的基础上,建立了机构尺度参数昂贵约束高维多目标优化模型,并采用多目标进化算法求解该问题。同时,为提高高维多目标优化算法在解决此模型时的性能,提出了一种矢量角高维多目标差分进化(Vector-angle-based many-objective Differential Evolution,VaDE)算法,可综合平衡个体的收敛性和分布性。应用VaDE求解机构高维多目标优化问题,得到多组Pareto备选解。研究结果可为机构尺度综合和实际应用提供参考。

一种基于目标与背景特征分离模型的高光谱目标检测修正算法

高光谱图像立方体数据可以提供成像场景中地物在可见光和近红外波长范围内的空间信息和地物属性诊断的光谱特征信息,在目标检测与识别方面拥有得天独厚的天然优势。然而,基于高光谱图像数据的目标检测也存在一定缺陷,如经典的高光谱目标检测算法仅利用光谱维度信息检测目标,检测模型要么对背景高维特征矩阵构建的准确度不足,要么对背景先验光谱特征的完备性要求较高,导致算法对不同复杂度的检测场景适应性不强。因此,基于计算复杂度较低、参数需求量较少且检测性能较为优异的经典多目标检测算法—多目标约束能量最小化(MCEM),提出了一种基于目标与背景环境特征分离模型的高光谱目标检测修正算法(R-MCEM)。首先,设计了一个与目标形状、尺寸相近的逐像元移动运算窗口,依次计算窗口中的每个像元与窗口内其他像元的光谱距离之和D1,像元与各类目标的光谱距离之和D2。其次,采用获得D1/D2最小值的像元替换窗口内的所有像元值。然后,自左向右、自上而下逐像元移动窗口,重复窗口内每一个像元与目标、背景像元的光谱距离运算,并确定窗口内与背景相似度最高、与目标相似度最低的像元。直到移动运算窗口遍历整个高光谱图像,大幅提升了基于目标与背景环境特征分离的背景高维特征矩阵准确度。分别设计了基于实测高光谱图像数据和模拟图像数据的修正检测算法性能验证试验,并采用三维操作特征曲线(3D ROC)结合目标与背景分离度(SDBT)开展修正算法的检测精度评估。试验结果表明,提出的修正算法有效减少了虚警率,提高了检测精度。基于实测数据的检测精度、目标与背景分离度由MCEM算法的0.937 7、 0.57提升到R-MCEM的0.993 5、 0.67,基于模拟数据的亚像元检测能力由MCEM的20%丰度提升到R-MCEM的15%丰度。

基于高维多目标序贯三支决策的恶意代码检测模型

针对传统基于二支决策的恶意代码检测方法在面对动态环境中的复杂海量数据时,没有考虑在信息不充足条件下进行决策产生影响的问题,本文提出了一种基于卷积神经网络的序贯三支决策恶意代码检测模型。通过卷积神经网络对样本数据进行特征提取并构建多粒度特征集,引入序贯三支决策理论对恶意代码进行检测。为改善检测模型整体性能,避免阈值选取的主观性,本文在上述模型的基础上,同时考虑模型的综合分类性能、决策效率和决策风险代价建立高维多目标序贯三支决策模型,并采用高维多目标优化算法对模型进行求解。仿真结果表明,模型在保证检测性能的同时,有效地提升了决策效率,降低了决策时产生风险代价,更好地拟合了真实动态检测环境。

高机动目标的改进强跟踪CKF自适应IMM算法

为提升高机动目标跟踪精度,提出了一种改进的强跟踪CKF自适应交互多模型跟踪算法。在IMM算法运动模型集中引入CS-Jerk模型,增强对高机动目标的适应能力,采用奇异值分解(SVD)算法解决模型集中因模型扩维而导致CKF算法无法Cholesky分解的问题;提出了一种改进的强跟踪CKF算法,降低强跟踪CKF算法的计算量;利用模型的后验信息对IMM算法模型转移概率进行自适应调整,提高跟踪精度。仿真结果表明,基于所提算法目标的位置均方根误差均值和速度均方根误差均值较IMM-CKF算法分别降低了22.50%和16.58%,有效提高了目标跟踪精度。

基于多特征融合的高机动多目标低截获概率跟踪技术

在多目标跟踪过程中,目标的高机动特性使得传统采用固定运动模型或交互式多模型的目标跟踪算法很难实时精确匹配目标运动模型,从而引起高机动目标的低跟踪精度问题。针对这一问题,本文提出一种基于目标运动状态模型自适应更新的高机动多目标跟踪算法。在多目标跟踪过程中,该算法采用多特征聚类融合算法进行目标运动模型估计,并根据各目标跟踪波动参数进行状态转移矩阵决策更新,同时利用联合概率数据关联实现多机动目标状态转移矩阵自适应更新的关联跟踪,从而解决了传统多目标跟踪算法因目标运动模型失配引起的低跟踪精度问题。在目标跟踪算法的传感器选择上,无源传感器不对外辐射能量,具有较好的低截获概率性能,但其跟踪精度有限,常不能满足多目标高跟踪精度的要求。雷达作为有源传感器,具有较高的跟踪精度。但由于雷达对外辐射信号,容易被防御方截获。针对这一问题,本文提出了一种无源传感器目标跟踪为主,有源雷达间歇跟踪为辅的多传感器协同管理目标跟踪算法。该算法通过对目标跟踪本征堆积误差的判断进行传感器的最优分配,并根据波动参数的大小进行状态转移矩阵决策更新。仿真结果验证了本文所提出的多传感器协同的高机动目标跟踪算法在满足高机动目标跟踪精度的条件下可以有效的提升雷达低截获概率性能。

向量角选择和指标删除的高维多目标进化算法

针对进化算法求解高维多目标优化问题平衡收敛性和多样性所面临的挑战,提出了向量角选择和指标删除的高维多目标进化算法(MOEA/AS-ID)。该算法在环境选择过程中设计了一种包含两种策略的协作机制逐一删除收敛性和多样性差的解以保留精英个体参与下一代的进化。前者基于向量角的选择策略用于选择一对在目标空间具有相似搜索方向的解,后者基于指标的删除策略采用同时兼顾个体收敛性和分布性的I_(SDE)^(+)指标比较被选择的这一对解,然后删除具有较小指标值的解,进而促使种群朝各个方向收敛到帕累托最优前沿,最终平衡解集的收敛性和多样性。在包含各种特征的3组标准测试系列问题DTLZ、SDTLZ、MaF上,MOEA/AS-ID与近年提出的6个涵盖了当前各种类型的高维多目标进化算法执行了广泛的对比仿真实验和数值结果分析。仿真结果和数值分析表明所提算法MOEA/AS-ID求解各种特征的高维多目标优化问题平衡收敛性和多样性的能力具有较强的竞争力。

面向高机动目标检测的激光雷达探测图像分角域识别方法

高速移动和快速变换的运动模式容易导致目标模糊,从而无法准确识别目标的轮廓、形状和位置。为此,提出了面向高机动目标检测的激光雷达探测图像分角域识别方法。首先,通过邻域范围内像素点距离异常检测,去除激光雷达探测图像中的噪声和异常信号;然后,利用L-R算法解决目标高速移动造成的图像模糊问题;最后,采用基于互信息的自适应角域划分方法将图像分割成不同的角度域,并通过卷积神经网络在各角域中进行高精度目标识别,以实现高机动目标激光雷达探测。实验结果表明,该方法能够有效去除高机动目标造成的激光雷达探测图像模糊现象;相较于其他传统方法,该方法的目标识别率和全类平均精度较高、单图识别平均耗时较低,具有良好的识别效果。

面向高维多目标优化的双阶段双种群进化算法

随着目标维度的上升,高维多目标优化问题的帕累托前沿越来越复杂,传统的基于分解的高维多目标进化算法难以挑选出多样性和收敛性良好的种群。针对以上问题提出了一种面向高维多目标优化的双阶段双种群进化算法。该算法将进化过程划分为两个阶段,在第一阶段判断帕累托前沿的形状是否规则,而在第二阶段则根据帕累前沿的形状选择是否对权重向量进行调整,以保证种群在规则及不规则帕累托前沿上都能获得良好的多样性。为了对权重向量进行调整且不影响算法的收敛性,该算法使用了两个种群进行进化,一个主种群正常进化,另一个辅种群作为权重向量。为了在不规则的帕累托前沿上获得一组适应种群分布的权重向量,引入了自然界中能量平衡的概念收集了多样性良好的辅种群作为权重向量。将提出的算法与其他算法在3-10目标的测试问题上进行比较。实验结果表明,提出的算法在大多数测试问题上性能优于比较的算法。

投篮机器人高动态目标篮球抗干扰跟踪方法

针对投篮机器人对目标球识别跟踪过程中,受到目标球运动图像质量较低,且球可能会被场地、人员等遮挡的影响,造成跟踪效果较差的问题。提出一种新的投篮机器人高动态目标球抗干扰跟踪方法。在明确投篮机器人系统结构,确定其现有检测问题的基础上,使用Gabor滤波器对感知子系统获取的视频帧图像进行消噪处理,突出目标特征和轮廓表征;利用背景差分算法提取得到目标边缘轮廓,使用注意力模型完成可跟踪和不可跟踪的投篮机器人目标球跟踪。在对比实验测试中,所提方法能够精准识别发球空间点以及准确追踪目标球,并且平均绝对误差较小,具有较好的抗干扰能力,能够准确地跟踪高动态目标球。

结合区域引导和双注意力机制的高光谱目标检测判别式学习网络

高光谱图像(HyperSpectral Images,HSIs)具有高光谱分辨率和丰富的光谱信息,其具有的大量窄波段电磁波有利于获取感兴趣目标的理化信息,并根据对应的光谱特征对不同物质进行有效区分,从而完成目标检测任务.然而有限样本、少量先验信息、高维相似背景及不同类别差异小所导致的目标和背景混淆问题使得高光谱目标检测(Hyperspectral Target Detection,HTD)面临挑战.为此,本文提出结合区域引导和双注意力机制的高光谱目标检测判别式学习网络(Region-guided and dual-Attention Discriminative learning Network,RADN),以缓解标记样本少的条件下不同类别相似度高和相同类别差异性大导致的背景和目标不易区分的问题,减少高维冗余特征带来的计算复杂度,同时提升检测精度.本文使用经验性区域引导网络训练,采用光谱约束的无监督聚类方法确定网络输入,选择性地关注高光谱图像中的显著性特征和感兴趣区域.此外,本文在网络中添加双通道注意力机制来辅助复杂背景分布的估计,并在网络中引入不同类别光谱先验损失函数,进一步减少高维复杂背景以及光谱变化对于目标的干扰.实验结果和分析表明,RADN在不同数据集上的性能优于现有先进的算法.

改进NSGA-III求解高维多目标绿色柔性作业车间调度问题

为解决NSGA-III在求解上述模型存在初始解质量差与局部搜索效率低的问题,提出一种改进的NSGA-III(NSGA-III-TV)。基于MSOS编码,分别对OS和MS染色体采取不同混合初始化策略以提高初始解质量;基于关键路径,采用改进N6邻域结构进行邻域搜索,有效缩短完工时间并降低搜索盲目性,同时采用3种有效变异算子扩大算法搜索空间,提高后期收敛能力。结果表明:NSGA-III-TV在求解高维多目标柔性作业车间调度问题上具有较好的性能以及实用性,为企业生产制造车间的智能绿色转型升级提供了有力支持。

基于天基平台的空中高机动目标检测方法研究

提出了一种基于天基合成孔径雷达平台实现空中高机动目标的检测方法,相比于逆合成孔径雷达系统实现空中运动目标检测具有极大的灵活性。同时,文中充分考虑了空中运动目标(如飞机、导弹等)的机动性,区别于现有合成孔径雷达地面动目标显示方法对空中机动目标进行匀速直线运动的假设,因此文中方法更具有实际应用的价值。文中方法先采用相邻互相关方法对运动目标进行降阶处理,通过keystone方法对动目标进行统一的走动校正,然后对动目标信号进行变尺度的维格纳威尔分布变换,最后通过傅里叶变换能够充分实现对机动目标的有效相干积累,因而适用于低信噪比下对空中机动目标的检测。

改进NSGA-Ⅲ的高维多目标柔性作业车间低碳调度方法研究

针对考虑低碳指标的柔性作业车间调度问题,建立了以碳排放量、机器能耗、完工时间和机器负载为优化目标的高维多目标柔性作业车间低碳调度(MaOFJLCSP)数学模型。鉴于NSGAⅢ在求解上述模型存在初始解质量差和易陷入局部最优的问题,提出一种改进NSGA-Ⅲ(NSGA-Ⅲ-HD)。首先,提出了一种基于混沌映射的实数编码机制,并在此基础上引入立方混沌映射对种群进行初始化,提高初始种群的质量;其次,设计了多种群精英存储的选择策略,在避免算法陷入局部最优的同时丰富了种群的多样性;最后,融合层次分析法和逼近理想解法(AHP-TOPSIS),选出一个更加全面且准确的调度方案。通过基准测试算例Brandimarte数据集和实例数据对改进算法进行验证对比,结果表明,NSGA-Ⅲ-HD在求解MaOFJLCSP时具有较高的优越性。

MaOEA/A2R:一种基于A2R支配关系的高维多目标进化算法

传统的Pareto支配关系在高维目标空间存在固有缺陷,而一些改进的支配方法在平衡高维目标解群的收敛性与多样性上尚有提升空间.基于此,提出一种参考向量关联区域(小生境)自动缩减的支配关系A2R(dominance relation based on the Automatically reduced region Associated with the Reference vector).该支配方法在进化全过程中逐代缩减小生境规模,从而实现收敛性与多样性自动平衡,而且不引入额外参数.另外,提出利用基于L_(p)-范式(p=1/M,M为目标数)的拥挤距离度量高维目标解群的多样性.将上述两种策略嵌入到经典的NSGA-II(Nondominated Sorting Genetic Algorithm II)框架,设计一种基于A2R支配关系的高维多目标进化算法MaOEA/A2R(Many-Objective Evolutionary Algorithm base on A2R).该算法与其他5种代表性的高维多目标进化算法一同在5-、10-、15-和20-目标的DTLZ(benchmark MOP proposed by Deb,Thiele,Lau-manns,and Zitzler)和WFG(benchmark MOP pro-posed by Walking Fish Group)基准测试问题上进行IGD(Inverted Generational Distance)和HV(Hyper Volume)性能测试.结果表明,MaOEA/A2R算法总体上具有较好的收敛性和多样性.由此表明,MaOEA/A2R是一种颇具前景的高维多目标进化算法.

一种改进的GMPHD高机动多目标跟踪算法

由于高机动多目标跟踪场景中目标个数未知、运动形态复杂,采用传统的GMPHD滤波算法容易出现跟踪误差大、目标数目估计不准确、目标航迹难以区分等问题。针对以上问题,在GMPHD滤波算法的基础上,提出了一种自适应CS模型的标签化GMPHD滤波算法,借助标签化手段显式区分目标航迹,并对漏检目标航迹外推,同时将适用于单目标的自适应CS模型拓展到机动多目标场景,将目标机动性变化实时反馈到目标状态估计上。通过与扩展GMPHD、平方根容积GMPHD和自适应CS-GMPHD算法的仿真对比实验,验证了所提算法在高机动多目标场景下计算耗时低且跟踪精度高的性能优势。

基于动态分解和角度惩罚距离的高维多目标进化算法

多个领域的优化可归纳为高维多目标优化问题,高维多目标进化算法是解决此类问题的有效方法,然而该方法普遍存在收敛性和多样性较难平衡的问题.针对此问题,本文提出一种基于动态分解和角度惩罚距离的高维多目标进化算法.该算法基于动态分解将种群分成多个类,此过程无需预先设定参考向量,可根据种群自身分布信息进行分解.之后,基于改进的角度惩罚距离从每类中选择个体,从而平衡收敛性与多样性.此外,设计基于Pareto支配、拐点、m近邻角度三原则的锦标赛匹配选择机制.本文算法与9种高维多目标进化算法在27例高维多目标优化测试题上进行对比实验.实验结果表明,本文算法能有效解决不同类型的高维多目标优化问题,并且在不同目标个数上具有较好的稳定性.

基于IGD^(+)指标的两阶段选择高维多目标进化算法

针对在高维空间下多目标进化算法难以维持种群收敛性和多样性平衡的问题,本文提出一个基于IGD^(+)指标的两阶段选择高维多目标进化算法(MaOEA–ITS).在第1阶段,算法基于IGD^(+)指标选择收敛性良好的精英个体,其所需的参考点通过引入切割平面截距法构建.在第2阶段,MaOEA–ITS使用模糊c均值算法对参考向量进行聚类,聚类后的参考向量引导种群分解策略对剩余个体进行环境选择,从而维持种群的多样性.另外,为了保护能够提高种群多样性的极值解,本文提出一个参考点分布自适应策略.最后,通过仿真实验来验证MaOEA–ITS的有效性和优越性.