KCF算法在车辆目标跟踪上的参数配置研究

对地面车辆目标的视觉跟踪任务首要是满足实时性,其次是在复杂背景下对目标跟踪的鲁棒性。KCF算法作为经典的判别式跟踪算法,凭借其高效的跟踪器学习效率,一直作为主流的实时跟踪算法之一。其中,搜索区域的大小选取在很大程度上决定了能否生成稳定的跟踪器,然而对于不同尺寸的车辆目标,其最优的搜索区域大小通常是不同的。为此,本文以标准数据集OTB2015作为车辆目标视频源,通过分辨率降采样来模拟多组不同尺寸的目标运动场景,论证在不同距离下实现最优车辆跟踪的KCF算法参数配置,为长距离的车辆跟踪任务提供了参数依据。

作战试验安全风险评估框架体系研究

作战试验与以往装备试验相比涉及因素多,人员组织更加复杂,试验环境逼近实战,试验内容具有一定对抗性,必然使其具有高风险属性。然而现有作战试验安全风险评估工作还处于表层阶段,本文根据试验特点对作战试验安全评估的流程框架进行梳理,在系统论的基础上对作战试验安全风险因素分类及相互关系进行研究,建立了适合于作战试验的单一安全风险及综合安全风险评估指标体系,并对各种评估方法进行了简要论述,对作战试验安全风险评估工作的深入开展有积极意义。

基于自适应学习的量子神经网络振动信号压缩

针对一维振动信号的压缩特点,提出一种基于自适应学习的量子神经网络振动信号压缩方法。方法针对梯度下降法3个参数相互影响,导致局部收敛的问题,采用较快的共轭梯度法对网络参数进行更新,根据误差精度函数大小,自适应地选择学习速率,从而使该方法可以用更大的压缩比得到更少的压缩数据。实验结果表明,与基于量子神经网络数据压缩方法相比,基于自适应学习的量子神经网络方法可以进一步提高振动信号的压缩比,减小重构误差,缩短运行时间,更适用于振动信号的在线传输。