基于属性散射中心目标重构加权决策融合的SAR目标识别方法

针对合成孔径雷达(SAR)图像目标识别问题,采用原始图像及其属性散射中心目标重构结果进行决策融合。以核稀疏表示分类(KSRC)为基础分类器,对原始及重构SAR图像进行分类。KSRC通过引入核函数提升分类适应能力;目标重构可有效剔除原始SAR图像中的噪声成分。根据目标重构过程中重构结果与残差的能量关系评估原始SAR图像噪声水平,并以此为依据确定原始图像和重构图像决策结果的权重。采用加权融合手段对两个结果进行处理,判断测试样本的目标类别。基于MSTAR数据集对方法进行测试,实验结果证明了其有效性。

内蒙古地区数据中心热量管理的挑战和对策

内蒙古地区的数据中心是国家“东数西算”工程的关键实践区域,但其热量管理在硬件设备与空间布局、建模与调度策略和热量模拟方法与平台等方面仍面临许多挑战。为使内蒙古数据中心可持续发展,提出了优化设备布局合理规划散热冷却机制、注重清洁能源利用优化运行调度策略和开发热量模拟仿真平台等数据中心热量管理应对策略。并进一步提出展望,即理想的数据中心热量模拟平台应具备数据中心运行状态模拟、轻量级的热模拟、人工智能集成仿真功能和大规模异构跨区域数据中心模仿能力等。

基于双目视觉的三维车辆检测算法

在自动驾驶中,车辆的三维目标检测是一项重要的场景理解任务。相比于昂贵的雷达设备,借助双目设备的三维目标检测方法有成本低定位准确的特点。基于立体区域卷积神经网络(Stereo RCNN)提出了一种用于双目视觉的三维目标检测OC-3DNet算法,有效地提高了检测精度。针对特征提取高分辨率与感受野的矛盾,结合特征提取网络与注意力引导特征金字塔(AC-FPN),有效地提高了算法对小目标的检测精度。针对三维中心投影检测误差大的问题,建立了一种新的三维中心投影与二维中心的约束关系,进一步提升了三维目标检测的精度。实验结果表明,改进后的OC-3DNet算法在以0.7为阈值的三维目标检测上平均精度为43%,较Stereo R-CNN三维目标检测的平均精度提升了约3%。

基于局部密度聚类的雷达目标散射中心区域分割

散射中心是描述雷达目标高频散射机理的重要特征,准确提取雷达目标散射中心参数对解析雷达目标有着极其重要的研究意义。为了提高散射中心参数计算速度,通常将整幅合成孔径雷达(synthetic aperture radar,SAR)图像分解为多个包含散射中心的小区域,对每个小区域分别进行特征提取和参数计算。根据雷达目标散射中心的特点,提出了一种基于局部密度聚类的雷达目标散射中心区域分割技术。首先,对雷达图像进行Frost滤波、基于水平集方法(level set method,LSM)的图像分割和面积滤波的一系列图像预处理获得目标感兴趣(region of interest,ROI)区域,然后对预处理后的图像利用局部密度聚类算法检测散射中心并进行区域分割。实验中,采用模拟数据和真实数据对所提方法和传统图像分割算法展开数值实验,实验结果验证了所提方法在雷达目标散射中心区域分割的有效性和优越性。

基于变权—靶心贴近度的换流变压器状态评估方法

针对换流变压器状态评估中的数据匮乏以及各评价指标间的相互中和等问题,提出一种将变权理论和靶心贴近度相结合的换流变压器状态评估模型。首先,考虑到实际案例中指标的动态发展,采用变权模型根据指标量的劣化程度进行变权处理;其次,为了达到降低数据需求并能准确评估换流变压器状态的目的,采用靶心贴近度模型确定换流变压器对各个状态等级的贴近度;最后,采用隶属度函数将靶心贴近度转化为隶属度并计算换流变压器最终状态情况。实际案例表明:文中提出的状态评估模型不仅能够有效地评估换流变压器的健康状态而且同样适用于电力变压器,在保证评估准确率的前提下,数据需求小,评估过程简单直接,具有实用价值与参考意义。

三级淋巴结构:肿瘤免疫治疗的预后因素与新兴靶点

三级淋巴结构(TLS)是指非生理条件下由于长期发生炎症而形成的异位淋巴组织,是架构在成纤维细胞网络上的淋巴细胞聚集体,包含两个重要的结构区域——T细胞区和滤泡B细胞区。TLS在肿瘤中以不同的成熟状态存在,最终形成生发中心,其内含有T滤泡辅助细胞和滤泡树突状细胞,并且与B细胞紧密联系。近年研究明确了新生的TLS的关键特征、相关的生物标志物及检测手段,进一步阐述了TLS通过刺激相关的肿瘤抗原调控淋巴细胞的浸润,以增强抗肿瘤免疫效应的作用机制。对TLS与肿瘤患者临床获益之间的相关性研究结果表明,TLS可作为包括免疫治疗在内的生物治疗的良好预后和预测因素。目前,研究者正在开发诱导TLS形成的技术,包括使用趋化因子、细胞因子、抗体、抗原提呈细胞或合成支架等。在“冷肿瘤”和“热肿瘤”中诱导TLS新生联合抑制炎性环境的治疗剂或免疫检查点抑制剂的方案,代表了肿瘤治疗的新希望。

异构工业控制网络多源目标入侵自动识别研究

异构工业控制网络多源目标特征处在不断变化中,具有起伏性,导致入侵识别精准度较低。提出考虑数据特征实时变化的入侵自动识别方法,并应用到异构工业控制网络中。设定归一化入侵特征空间,将全部网络数据规范到该空间内,并根据最大值和最小值比对将超出范围数据重新作归一化处理。以时域矩阵偏度特征、峰度特征以及包络起伏度特征作为入侵特征提取类别,分别计算工业控制网络中三种特征数据大小。在此基础上,首先计算一组入侵数据样本在网络中的各项特征表现;然后将表现参数转换为聚类中心值,求解待识别目标与聚类中心间欧式距离;最后按照距离大小完成入侵目标自动识别。试验数据证明:该方法在工控网络中识别精准度较高,并可在多种网络攻击环境下实现精准识别。该方法具有较好的应用效果。

基于密度峰值聚类的宽角域散射中心聚类

宽角域合成孔径雷达(wide-angle synthetic aperture radar,WA-SAR)有着更广泛的角度覆盖范围,基于此得到的宽角域散射中心(wide-angle scattering centers,WA-SCs)包含了目标物体更加丰富的电磁散射特征,这对雷达的目标建模、目标识别等有着重要的意义。为了克服WA-SCs数据维度高、所含信息复杂的特点,并从中提取出所需的目标物体特征,采取密度峰值聚类(density peak clustering,DPC)算法研究WA-SCs。基于SLICY模型数据,从聚类内部评价指标、聚类可视化和算法自动化程度3个方面,将本文算法与经典的K-means、DBSCAN和MeanShift算法进行了对比实验。结果表明,DPC算法具有自动化程度高、高维数据适应性强、聚类精度高等优点,有望为后续的一系列基于WA-SCs的目标建模、目标识别等工作提供技术支撑。

基于生物视觉center-surround机制的光团目标检测与跟踪

基于生物视觉的center-surround机制,提出一种用改进的LoG(Laplacian of Gaussian)算子检测光团目标的方法。首先明确了光团目标的成像模型,分析了LoG算子的性质及其响应,接着提出了归一化的LoG算子。理论上指出该算子可用于检测光团目标。仿真和实验证明:该算子可以用于检测图像中已知大小和未知大小的光团目标,并且实用性优于其他常规方法。结合Kalman滤波和粒子滤波,该算子还可以用于序列图像中单目标和刚体的跟踪。理论推导和实验结果表明,该方法是稳健和高效的。

空中目标动态电磁散射数据仿真系统设计与实现

电磁散射数据是目标识别研究的基础,但由于试验测量成本高、可重复性差等问题,空中目标电磁散射实测数据十分有限。基于去遮挡的N点模型和电磁计算数据插值研究了空中目标动态电磁散射数据仿真方法,设计了空中目标动态电磁数据仿真系统,该系统将电磁散射仿真与实际飞行场景相结合,支持场景自定义和空中目标三维模型库扩展。分析了飞机和巡航导弹2类目标仿真数据及成像结果,结果验证了仿真方法正确性和系统有效性,可为研究实际场景下的空中目标识别提供支撑。

基于光斑轮廓特征的目标快速识别算法研究

大视场的视觉着陆引导系统在引导无人机自主着陆过程中,需要快速检测出安装在无人机上的合作目标。该合作目标在图像上是以光斑形式存在,因此为了满足系统的实时性要求,本文提出了基于轮廓特征的快速检测光斑算法。该算法是根据光斑在图像中的特征,采用了目标裁剪方法,将原始图像中的光斑部分裁剪出来,从而降低算法运算量;再通过图像预处理,消除背景的无关信息与噪声干扰,增强光斑的清晰度;最后利用最小二乘算法进行椭圆拟合定位出光斑的中心位置。将本实验算法与其他光斑检测算法进行实验对比,从而验证系统的实时性。结果表明:利用本文算法可以在保证精度的同时将运行时间缩减到36 ms。

雷达属性散射中心的快速目标分类和参数估计

雷达属性散射中心模型的属性参数能够提供目标更为丰富的重要信息,属性散射中心参数估计对解析雷达目标有着极其重要的研究意义。针对雷达属性散射中心模型,提出了基于深度学习的雷达属性散射中心快速目标分类和参数估计的技术。首先利用ViT(vision transformer)深度学习网络将雷达属性散射中心分类为局部式和分布式两类,然后基于TS2Vec框架构建针对属性散射中心参数估计的卷积神经网络(convolutional neural network for attribute scattering centers,ASCNN),最后分别对两种数据进行训练以实现局部式和分布式属性散射中心的参数估计。基于属性散射中心模型展开数值实验,实验结果表明,该方法对雷达属性散射中心目标分类的准确率高达99%以上;雷达属性散射中心参数估计的速度超过传统方法的10000倍以上,且精度更高,验证了所提方法的有效性和优越性。

类生命体生物打印技术的伦理风险及其审思

类生命体生物打印技术的应用发展,引发了现代生物医学领域的重大变革。与此同时,在“打印形态”“介入形态”和“增强形态”等方面产生了一系列的伦理危机、风险与挑战。因此,亟须对类生命体生物打印技术的发展进行伦理审思。在此过程中,需要以“击靶德性论”审慎对待“技术热情”。同时,将该技术赋予医学人文价值关怀,并制定从“形似”到“神似”的“禁止—允许”的伦理规约,以解决类生命体生物打印、介入与增强产生的伦理问题。

面向无人机目标的检测与实时跟随

随着无人机在各个领域的应用越来越广泛,目前对于无人机的管制需求也逐步上升,同时由于无人机平台算力、能源有限,有效的检测与跟随算法显得尤为重要。基于深度学习的方法对于目标检测十分有效,但其直接应用于空中目标跟随这一任务还存在稳定性与安全性不足以及目标阴影的干扰这些问题。针对目标检测时阴影干扰问题,提出了基于HSV色彩空间的阴影识别算法,能够对检测对象阴影区域进行分割识别,从而排除阴影对目标检测的干扰;为了得到了更精准的目标无人机三维位置,设计了二次定位算法,将纯检测框中心点与目标无人机结构上相对固定中心点进行了加权融合,减少了目标框大小浮动对目标位置估计的影响;在避障策略中融合了无人机相关约束以此避免了无人机跟随时的过度震荡,并利用动态环境下的自定位算法对追踪无人机的控制结果进行检测与实时修正,提升整个动态跟随过程中的鲁棒性。所提算法经虚幻4平台下的仿真与实物实验中得到验证,能够将无人机跟随任务的跟随精度控制在0.1 m级。

基于热力图预测的免“锚框”人物目标检测算法

传统的目标检测算法通常预设许多候选的目标边界框(“锚框”)穷举待检测目标的潜在位置,在对边界框进行置信度计算后筛除冗余边界框确定人物位置,此类检测方法需要复杂的后处理程序,检测效率低。针对待检测的人物目标,提出基于热力图预测的免“锚框”目标检测算法,将人物目标的检测转化为对人物热力图的最大值,即目标中心点的检测。通过中心点进行目标尺寸的回归,最终确定目标位置,免除对“锚框”的依赖和计算,从而有效降低计算成本,大幅提高目标检测的速度。实验结果表明:与传统基于“锚框”的检测算法Faster R-CNN和SSD相比,所提算法目标检测速度大幅提升,达到45帧/s,同时检测精度相较前两者在不同数据集上均有所改善。在现实场景测试中,即使视频中存在人物交叉遮挡情况,该算法也能实时跟踪和精准检测人物位置,达到实时检测的目的。

基于对称性评价的曲线对称中心拟合算法

在缺乏形状先验信息的前提下,对有噪声干扰的一维图像(灰度曲线)进行中心位置估计是机器视觉测量中的关键问题之一。以曲线与其镜像的匹配误差作为对称性评价函数,提出一种对称中心拟合算法,并采用最小二乘法计算最佳匹配点作为对称中心。该算法在使用中需要迭代计算,并可能收敛至错误的位置,通过对迭代初始值选取可能产生的局部收敛进行分析,证明了局部极值点仅可能出现在真值相邻的半像素之内,就此提出了收敛点验证策略,解决了错误收敛的问题。通过仿真模拟与实例,验证了对称中心拟合算法在各种干扰下的稳健性,在强噪声干扰下,灰度质心法的位置变化量达到了数十甚至上百像素,而对称中心拟合算法的位置变化量均方根值仍能保持在1像素左右,在其他噪声条件下,对称中心拟合算法的表现也远优于灰度质心法。

融合自适应卷积神经网络的SAR图像舰船目标检测方法

合成孔径雷达(Synthetic Aperture Radar,SAR)舰船目标检测是微波遥感的重要应用,然而随着海面尤其是近海背景越来越复杂,同时舰船尺寸大小不一,导致检测算法性能下降,出现漏检、错检等问题,严重影响目标的检测效果。针对上述问题,本文提出一种复杂场景下的融合自适应卷积神经网络的SAR图像舰船检测方法。首先,为了提高主干网络的特征提取能力,设计了一种用于特征提取的自适应全方位动态高效聚合网络(Omni-Dimensional Dynamic and Efficient Layer Attention Network,OD-ELAN)模块。该模块是在高效注意网络(Efficient Layer Attention Network,ELAN)中融合了动态卷积,使得自适应OD-ELAN模块能够输入特征的不同动态调整卷积核的权重。其次,为了提高网络对目标的定位能力,在头部网络中使用显示视觉中心机制(Explicit Visual Center,EVC)来加强网络在空间上对不同区域的感知能力,使网络能够更加灵活地适应不同尺寸、比例和位置的特征。然后对头部网络结构进行设计,在降低网络的计算量的同时保持网络检测的准确性。最后,使用平滑交并集(Smoothde Intersection over Union,SIOU)损失函数衡量预测边界框与真实边界框之间的重叠程度,提升网络对检测目标的定位能力。为了验证自适应卷积神经网络的有效性,使用SAR船舶检测数据集(SAR Ship Detection Dataset,SSDD)和高分辨率SAR图像数据集(High Resolution SAR Images Dataset,HRSID)进行消融实验和对比实验。消融实验结果中显示本文网络每次改进后的检测效果都有所提升。改进后的网络对SSDD数据集舰船目标检测的平均精度提升了7.81%,准确率提升了4.95%,召回率提升了11.8%。对HRSID数据集舰船目标检测的平均精度提升了10.6%,准确率提升了10.03%,召回率提升了11.84%。实验结果表明,在对小目标和复杂背景下的舰船目标检测时,改进后的算法显著减少了误检和漏检的情况。

银屑病的慢病管理

银屑病是一种常见的慢性自身免疫性疾病,病情迁延难愈、影响美观,对患者的生活质量和心理健康造成了严重影响。此外,银屑病还常累及多种共病,如关节炎、代谢综合症、心血管疾病、精神心理疾病等,约57.9%的银屑病患者至少合并1种银屑病共病。针对以上,对银屑病及其共病的长期治疗与管理尤为重要。慢病管理是一种系统性的治疗模式,通过管理疾病的根本原因和风险因素来维持患者的健康状态。本文阐明了银屑病及其共病的综合慢病管理方案的重要性,介绍了规范化诊疗中心的建设、达标治疗理念的引入以及远程医疗技术的应用在银屑病慢病管理中的实施。同时,围绕政策因素和卫生经济学对银屑病慢病管理的进一步优化展开讨论。

川渝地区天然气与氢能产业融合度提升研究

氢能研究及产业发展在世界范围形成新一轮热潮,氢能如何与传统化石能源特别是天然气融合发展成为重要的研究课题;川渝地区作为具有代表性的天然气产销重合地,对其开展天然气与氢能融合发展研究极具指导意义。在分析天然气与氢能产业融合制约性因素上,本文通过层次分析法建立了评价模型,得到了影响度最高的制约性因素,并通过模糊评价法对川渝地区天然气与氢能产业融合度进行评价。最后提出建议:(1)通过氢能产业链长制促成装备制造与氢气供应的协调发展;(2)开展颠覆性技术研发,释放气氢融合的巨大经济发展动能;(3)深入推进区域氢能交易中心和碳交易市场建设,加速高碳能源向低碳能源的转型升级;(4)强化企业氢能人才队伍体系建设,加快提升企业转型内生动力。

基于RANSAC和三维谱峰分析的全姿态散射中心建模

全姿态散射中心模型是一种性能优良的光学区复杂目标电磁散射参数化模型。针对传统的基于候选点筛选和聚类的全姿态散射中心建模方法易出现虚假散射中心和遗漏真实散射中心的问题,该文提出了一种基于目标三维空间电磁散射强度场谱峰分析的建模方法。首先,基于目标多视一维散射中心参数,利用随机采样一致性(RANSAC)方法和Parzen窗函数方法估计目标在三维空间中的电磁散射强度场。然后,通过谱峰分析、散射中心关联和多视量测融合,得到全姿态三维散射中心的位置。最后,利用二值形态学处理修正全姿态散射中心的角度可见性,估计全姿态散射中心的散射系数和类型参数。仿真结果表明,该文方法所提取的全姿态散射中心与目标几何结构具有极强的关联性,相较传统方法,在缩减三维散射中心数量的同时提升了模型的表示精度。