结合改进CNN和双线性模型的CBIR方法

针对现有基于内容的图像检索(Content-Based Image Retrieval,CBIR)方法中图像特征维度较大等问题,提出一种结合改进卷积神经网络(Convolutional Neural Network,CNN)和双线性模型的CBIR方法。采用一种低维度池化方法代替传统CNN中的池化过程,以此降低图像特征映射的维度。基于双线性模型的思想,使用两个特征提取器进行特征提取,并在每个图像位置上对两个特征进行内积,以形成最终的图像描述符。通过计算图像间的曼哈顿距离度量来评估相似性,获得相关图像及其排序。实验结果表明,该方法能够准确检索出相关图像,并具有较低的检索时间和内存消耗。

四阶动力学建模和随机最优控制的UAV目标跟踪

现存大多数固定翼无人机(UAV)跟踪地面目标的方法需要一个或多个严格的假设,限制了实际应用,针对此问题,提出一种基于四阶动力学建模和随机最优控制的UAV跟踪方法。使用四阶动力学方程对UAV随机动态和目标进行初始化建模;通过一个适当的状态转换概率函数帮助UAV为每一个滚转动作画出蒙特卡罗样本;通过随机优化控制问题的解决确定最优控制反馈策略。仿真实验结果验证了该方法在实际应用中的有效性,与其他优秀方法相比,提出的方法的UAV仰角没有超出瞬时视场角(-152°~32°)的范围,目标没有逃离UAV的视线之外,而其他方法会使目标逃离UAV视线一次或两次。另外,能容忍的最高平稳风速最高达6 m/s,高于其他方法。