基于多维特征的战场实体目标分群方法

目标分群问题也称为群形成过程，是态势估计中的一个重点和难点问题，属于信息融合中的高层融合范畴。现有的目标分群方法大多是将空间位置相近的目标聚为一类，极少有分群方法考虑到进行战场态势分析所需的位置、速度、航向、属性和类型等多维特征。为此，首先根据海战场态势分析需求，基于目标的特征属性定义了多维度欧式距离；然后综合利用分类与密度聚类两种分析方法，提出了一种战场实体目标分群方法,以综合实现战场实体目标的实时分群处理；最后，将该算法应用于一个军用场景的数据集上进行仿真实验。仿真结果表明了该方法在海战场环境中实现目标分群处理的可行性和有效性。     

采用局部约束线性编码的像素级舰船目标图像融合

为了提升视觉信息在低能见度条件下的适用性,提出了一种采用局部约束线性编码的像素级舰船目标图像融合方法。首先,采用K均值奇异值分解算法从海量的训练样本中完成过完备字典的学习。其次,在考虑着舰导引实时性任务需求的前提下,采用局部约束线性编码完成融合系数的非迭代求解,相较于压缩感知理论架构下的匹配追踪算法,极大地降低了计算复杂度。此外,设计了一种基于融合系数最大绝对值的融合规则,并根据过完备字典和融合后的局部约束线性系数实现融合图像的重建。最后,利用圆周滤波器提取舰船图像的候选区域。大量试验结果表明,在融合图像质量方面,所提方法在保留高频细节的同时将图像中的舰船目标有效增强了,MI、Q_w、Q^AB/F等客观评价指标优于同类算法;在实时性方面,所提算法的计算速度相比于采用匹配追踪算法的图像融合方案有明显提升。     

基于深度学习的电力数据分析研究

针对传统电力数据分析方法存在适用范围有限、模型复杂等导致电器分类准确率较差的问题,提出了一种基于多层堆叠长短期记忆(Long short-term memory,LSTM)网络的电力数据分析模型。首先,根据电力数据的频谱图、Mel频率倒谱系数(Mel-Frequency Cepstral Coefficient,MFCC)和Mel频谱图提取电力数据的特征,然后将其应用于深度学习模型并提高分类任务的性能,从而改善过拟合问题。其次,建立了一个多层堆叠LSTM模型,从而有效提高模型的分类和回归能力。最后,提出了一种改进的软独热编码和多尺度训练方法,从而防止峰值概率分布,提高模型的泛化能力。实验阶段,以家庭电力数据集为例,对所提模型进行验证。仿真结果表明,所提模型软独热编码及多尺度训练对加快训练效果具有一定效果,最终分类准确率到达89.85%。     

基于二维独立均匀分布对抗自编码的模式识别研究

标准对抗自编码模型能够以自监督方式自适应提取输入样本的特征,并通过对抗机制对提取的特征施加特定的先验分布,从该先验分布进行采样输入解码器,则可生成与输入样本近似的样本。但在实际应用中,有时需要生成指定类别的样本;对于模式识别任务,通常还需要对多类别样本的特征进行提取,并强化特征间差异,从而进行聚类分析。针对上述需求,本文提出基于二维独立均匀分布对抗自编码的分析模型。在该模型中,根据类别信息构建二维均匀分布,便于对不同类别的可视化特征进行专属约束,从而强化不同类别特征间的差异;此外,通过自监督与对抗训练,使得对应特定类别信息的均匀分布样本能够生成指定类别的样本。方法经网络公开数据MNIST数据集进行了验证,研究表明,该方法能够利用与类别信息相关的二维独立均匀分布对隐变量进行约束,提高了特征聚类性能,并能够生成指定类别的样本。     

基于编码重建的快照式光谱成像技术进展

光谱成像技术能同时获得物体的空间信息和光谱信息，在科学研究及工业生产等领域发挥着重要作用。然而传统的高光谱成像系统存在着光学系统复杂、含有精密运动器件、曝光时间长等问题，极大地限制了其在许多场景的应用。近年来，高光谱成像系统向着轻小型化、快照式测量方向发展。简单介绍了光谱成像技术原理与分类，从基本原理、方法与实现等方面对基于衍射元件编码、编码孔径、宽带滤光片编码的快照式光谱成像系统进行了综述，并对现存的一些问题以及将来的应用与发展进行了讨论。     

面向量化分块压缩感知的区域层次化预测编码

在量化分块压缩感知的预测编码中，低参考价值的候选者将导致较差的率失真性能。为了高效地降低编码失真，提出了一种基于螺旋逐块扫描的区域层次化预测编码方法。在以同一采样率进行观测后，各块按由内向外的扫描次序进行预测与量化。当前观测矢量从上下文感知候选集中选取与之具有最小误差的反量化矢量，作为其预测矢量；根据层次相关性，所有块被划分到3种区域之一，通过块编码模型为不同区域设定自适应的质量因子，关键区域被赋予较大的质量因子。与现有的预测编码方法相比，所提方法综合利用了矢量之间的空域相关性和层次相关性，实验结果获得了至少0.12 dB的率失真增益。