一种综合赋权的算法性能评价体系

针对当前自动目标识别算法的性能评价指标过于单一的问题,以行人检测作为应用背景下进行了相关研究。论文设计了一套基于AHP(层次分析法)与CRITIC赋权法的目标识别算法性能评价指标体系。该指标体系针对目标识别算法的准确性、时效性、适应性设计了多个性能评价指标,并综合主观赋权法与客观赋权法对评价指标进行赋权。实验测试结果与ImageNet等计算机视觉挑战赛中person类别的检测排名基本吻合,证实论文提出的性能评价体系可靠。

复杂背景的夜光遥感建筑区检测

提出了一种新的解决夜光遥感复杂背景问题的单阶段深度卷积检测网络,首先通过提取高维特征再特征选择的思想设计分类网络提取语义特征,并研究不同的通道数网络对降噪的影响;提出灰度能量的先验框匹配,将低噪声高质量的匹配框输入SSD检测网络,并使用积分图思想简化计算;使用可变形卷积以适应目标的形变,并获取更强的几何特征表达能力;通过加入顺序连接与密集连接改进全局语义模块,引入了网络的跨层信息交互,其注意力图综合考虑了高低感受野以有效区分小型目标和背景噪声。在夜光遥感数据集上通过实验验证了所设计的网络相比于其他单阶段网络具有优势,对于复杂背景下的建筑区具有较好的检测效果。

基于深度卷积神经网络的红外小目标检测

提出了一种新的解决红外图像小目标检测问题的深度卷积网络将对小目标的检测问题转化为对小目标位置分布的分类问题检测网络由全卷积网络和分类网络组成全卷积网络对红外小目标进行增强和初步筛选实现红外图像的背景抑制分类网络以原始图像和背景抑制后的图像为输入对目标点后续筛选网络中引入 SEnet(Squeeze and Excitation Networks)对特征图进行选择实验验证了整个检测网络相对于传统小目标检测算法的优势所提出的基于深度卷积神经网络的小目标检测方法对复杂背景下低信噪比且存在运动模糊的小目标具有很好的检测效果.

航迹规划策略学习方法研究

分析并研究航迹规划软件中的飞行器操作数据特征,提出一种基于XGBoost算法和K-prototypes算法的航迹规划策略学习方法。在样本采集与分类过程中,根据约束自身特性和规划人员操作特征,将约束分为飞行器环境约束和飞行器特性相关约束,分别采用XGBoost算法和K-prototypes算法进行策略学习,并对飞行器特性相关约束做进一步细分,实现复杂约束的针对性学习及样本分类管理。当航迹不满足约束时,需将已获得的规划策略反馈给规划人员使其得到策略引导。实验结果表明,该方法能准确选取航迹规划策略并给出策略引导信息,降低规划人员的工作强度,提升交互规划效率和规划软件的智能性。

多约束复杂环境下UAV航迹规划策略自学习方法

在多约束复杂环境下,多数无人飞行器(UAV)航迹规划方法无法从历史经验中获得先验知识,导致对多变的环境适应性较差。提出一种基于深度强化学习的航迹规划策略自学习方法,利用飞行约束条件设计UAV的状态及动作模式,从搜索宽度和深度2个方面降低航迹规划搜索规模,基于航迹优化目标设计奖惩函数,利用由卷积神经网络引导的蒙特卡洛树搜索(MCTS)算法学习得到航迹规划策略。仿真结果表明,该方法自学习得到的航迹规划策略具有泛化能力,相对未迭代训练的网络,该策略仅需17%的NN-MCTS仿真次数就可引导UAV在未知飞行环境中满足约束条件并安全无碰撞地到达目的地。

无人飞艇的自抗扰控制研究和控制器优化

研究了一种多螺旋桨推力飞艇的控制问题,首先对螺旋桨和舵偏进行了控制分配,设计了线性自抗扰控制器,并在风干扰下验证了控制效果。介绍了灰狼优化算法的模型和概念,设计了灰狼优化在控制器参数中的优化步骤,对线性自抗扰俯仰角和偏航角控制器进行优化,经过对比分析,灰狼优化在很小的迭代次数下即可得到控制品质较好的控制器参数。

一种自主水下航行器编队航路规划算法

为实现自主水下航行器(AUV)编队航行,提出一种基于粒子群(PSO)的编队航路规划算法。编队航路规划可拆分为具有队形约束的多航路规划和无队形约束的协同航路规划的两个步骤。在步骤一中,将编队中所有航路当作一个粒子,并采用通视分析和混沌映射对粒子进行初始化,改善初始化粒子的质量,将导航点初始化为队形约束形成点、队形约束结束点和多个转弯点。设计最小编队转弯半径实现编队避障,并将编队转弯代价加入粒子适应度,保证编队转弯前后的队形和状态一致性。然后,通过对航路的聚类处理得到一组时、空协同航路。不同任务下的编队航路规划实验,验证了该算法的可行性和有效性。