基于表观细粒度辨别网络的近海船舶目标检测方法

近海船舶目标检测是一项非常具有挑战性的任务,受到学者专家广泛关注。基于卷积神经网络（CNN）和注意力机制的检测器在近海船舶目标检测方面的应用取得了显著成就。然而,船舶目标检测存在着表观相似和背景干扰导致检测过程中出现误检的问题。为此,本文提出了一种用于Faster RCNN（更快的基于区域的卷积神经网络）的表观细粒度辨别的检测头模块。该模块包括类别细粒度分支和高效全维动态卷积定位分支。其中类别细粒度分支通过全局特征建模和灵活的感知范围来挖掘和利用类别细粒度辨别特征,高效全维动态卷积定位分支通过高效灵活的感知船舶边界信息来区分目标与背景,从而减少误检漏检问题。通过在近海船舶公开数据集Seaships7000 上进行实验验证,本文算法减少了误检漏检,提升了检测器性能。     

基于室内无线模型的穿墙损耗校正

K-M（Keenan-Motley）模型将单墙固定损耗值相加来计算室内无线信号穿透多墙的总损耗值，存在较大误差。针对该问题选取多种室内场景分别进行连续波（Continuous Wave，CW）测试，对无线信号穿墙损耗的影响因素和变化规律进行分析，提出了一种基于人工神经网络的室内无线模型穿墙损耗校正方法，对预处理后的测试数据进行训练并建立预测模型。经验证该预测模型符合校正判别准则，在实际场景下具有良好的预测准确度。     

弹上电子产品发射可靠性试验验证必要性判别方法

提出了弹上电子产品开展发射可靠性验证试验的必要性判别方法,论述了弹上电子产品完成飞行可靠性验证试验后,无须再开展发射可靠性验证试验,为工程决策提供了技术支撑。     

机载多传感器数据融合模型和方法研究

随着多种传感器探测技术的快速发展,数据融合方法的不断被提出和采用。文中提出了一种机载多传感器探测系统结构,并分析了其关键技术,将贝叶斯判别法应用在完成目标估计和判别的数据融合方面。探讨了该方法实现机载多传感器数据融合模型及其可靠性。     

基于快速提升KLDA准则的MSTARSAR目标特征提取与识别研究

 核线性判别准则(KLDA)是一种非线性特征提取准则。利用KLDA提取MSTAR SAR图像特征，既达到较理想的识别概率，又可克服SAR图像对方位的敏感性。但此时训练样本最多，KLDA的计算代价高。为了解决这一问题，提出一种快速特征向量选择法（FFVS）。FFVS把类别和方位相似的SAR图像分成若干组，然后快速选择各组中部分图像组成一个集合且其到高维特征空间的映射作为一组基。利用该组基的线性组合表示任一样本和投影算子，降低了KLDA中核矩阵的阶数，达到降低计算代价的目的。实验结果表明，FFVS与KLDA组合能达到理想的识别结果。     

基于主元核相似度免疫机制的故障诊断方法及应用

1引言目前,国内外已发展了多种应用于航空发动机的智能故障诊断方法,如专家系统方法、神经网络方法,以及新近提出的基于支持向量机的诊断方法。但这些方法需要有足够的已知故障模式的训练样本才能发挥出优异的性能,而且算法实时性较差,难以满足快速在线诊断的要求[1]。传统的基     

如何判断放大电路中负反馈的类型

介绍了如何判断反馈类型的一种简单，直观的方法，并对其合理性进行了分析验证。     

基于DELMIA的飞机货物可装载性平台设计

现阶段国内航空货运时间周期中95%要用在航空货运站,尤其是收货时对于特殊尺寸的货物能否装入窄体客机货舱的判断耗时较多。为了解决这一问题,在Visual Studio环境下,利用基于V5 Automation的DELMIA软件二次开发技术,建立了数据库,设计了货物可装载性判别应用平台,利用折半查找法实现货物数据与货舱装载...     

A discrete event systems approach to discriminating intermittent from permanent faults

Almost all work on model-based diagnosis （MBD） potentially presumes faults are per- sistent and does not take intermittent faults （IFs） into account. Therefore, it is common for diag- nosis systems to misjudge IFs as permanent faults （PFs）, which are the major cause of the problems of false alarms, cannot duplication and no fault found in aircraft avionics. To address this problem, a new fault model which includes PFs and IFs is presented based on discrete event systems （DESs）. Thereafter, an approach is given to discriminate between PFs and IFs by diagnosing the current fault. In this paper, the regulations of （PFs and IFs） fault evolution through fault and reset events along the traces of system are studied, and then label propagation function is modified to account for PFs and the dynamic behavior of IFs and diagnosability of PFs and IFs are defined. Finally, illustrative examples are presented to demonstrate the proposed approach, and the analysis results show the fault types can be discriminated within bounded delay if the system is diagnosable.