双向互选最近邻准则下的多目标TDOA无源定位

为有效解决多目标无源定位中的数据关联难题,提出双向互选最近邻多目标数据关联算法。该算法借鉴全局最近邻思想解决多目标到达时差(TDOA)测量数据关联问题,在设置检测门限对时差测量数据进行关联初选的基础上,将所有目标和初选后数据的关联配对关系进行全局考虑,通过对初选后数据的前后向互选来解决多目标时差测量数据的正确关联问题。该算法在从众多时差测量数据关联配对点中提取真实目标位置的同时,可有效解决时差无源定位中的定位模糊问题,算法模块也可应用到多星测时差、测向-测时差等无源定位系统中。仿真结果表明,该算法能有效解决多目标时差测量数据的关联问题,最终实现对多目标的无源定位。     

Tong检测算法性能分析及参数设置

Tong检测算法是常用的信号检测算法,但在其统计性能以及算法参数设置等方面仍缺少全面的结论.针对这些问题,运用统计和递推分析方法对信号搜索单元滞留次数的均值及方差进行了较为详细的理论分析,给出了相应表达式,根据3西格玛原则,提出了一种最大滞留次数限定方法.分析了检测概率、噪声搜索单元和信号搜索单元平均滞留次数与算法中计数器初值和最大值以及预检测信噪比之间的关系.分析结果表明Tong检测算法参数的设置需依据信号强弱和搜索方式,并折衷考虑对检测概率与噪声搜索单元或信号搜索单元平均滞留次数的影响.      

基于序贯关联算法的多目标无源跟踪

基于序贯关联算法,对多目标无源跟踪问题进行了研究。在只有角度信息可以利用的情况下,首先,利用波门技术对各个无源传感器角度测量数据进行关联和滤波,形成参数航迹;然后,将各个无源传感器的参数航迹送到融合中心进行关联配对,并在关联过程中通过构造关联质量函数对参数航迹的关联历史情况进行度量,解决参数航迹关联模糊问题;最后,通过对关联成功的参数航迹进行交叉定位,给出多个不同目标的位置信息,实现分布式无源系统对多目标的数据关联和跟踪,并通过仿真分析,对算法的有效性和可行性进行验证。     

人工智能可解释性评估研究综述CSCD

近年来,可解释人工智能(XAI)发展迅速,成为当前人工智能领域的研究热点,已出现多种人工智能解释方法。如何量化评估XAI的可解释性以及解释方法的效果,对研究XAI具有重要意义。XAI的可解释性评估涉及主、客观因素,是一个复杂且有挑战性的工作。综述了XAI的可解释性评估方法,首先,介绍了XAI的可解释性及其评估的概念和分类;其次,总结和梳理了一些可解释性的特性;在此基础上,从可解释性评估方法和可解释性评估框架两方面,综述和分析了当前可解释性评估工作;最后,总结了当前人工智能可解释性评估研究的不足,并展望了其未来发展方向。     

纳米TiO2光催化材料的研究现状及展望

评述了纳米TiO2光催化材料的发展概况、光催化降解原理及特点，纳米二氧化钛光催化材料粉末及薄膜的一些主要制备方法。介绍了TiO2光催化材料的几种应用研究以及所要克服的技术难点，并对今后的发展方向作了展望。     

基于倾斜角的多目标测向无源定位技术

对多目标测向无源定位问题进行了研究。虽然无源观测站不同,针对同一目标的方位角和俯仰角数据也不同,但它们有共同的倾斜角。基于此,提出了基于倾斜角的多目标测向无源定位算法。该算法分别计算一组与多个目标对应的倾斜角,然后利用倾斜角最接近原则对这2组数据进行关联判断,解决多目标测向数据的关联和定位问题,并通过仿真实验,对算法的有效性和可行性进行了验证。     

基于人工神经网络的多模型目标跟踪算法

针对在目标跟踪中单模型跟踪算法难以应对目标运动形式的变化,而多模型跟踪算法存在结构固定、跟踪精度被非匹配模型削弱且模型切换缓慢的矛盾,文章提出了一种基于人工神经网络的多模型目标跟踪算法。通过分析目标几种基本运动模式的轨迹特点,归纳出目标运动轨迹的特征向量。利用训练好的BP神经网络对滑窗里的轨迹段进行运动模型识别,按结果进行跟踪模型切换,达到使跟踪算法实时适应目标运动状态的目的。仿真结果证明了该算法的有效性,且与传统的多模型算法相比,具有结构更加简单、更强的灵活性和拓展性的特点。