一种可变锚框候选区域网络的目标检测方法

目标检测作为计算机视觉领域的热点问题，目前基于深度学习的目标检测方法可以分为2类:两步检测和一步检测，前者有着较高准确性，后者有着较好速度，但是为提高检测的性能两者都引入了锚机制。为提高目标检测系统的性能，基于深度卷积神经网络的两步检测算法引入了注意力引导（AG）模块，通过对候选区域网络（RPN）的锚机制进行引导，使得对于预选锚框形状的选择更具有多样性；同时针对传统的后处理方式非极大值抑制（NMS）算法存在的误检和漏检的问题，提出了一种置信度因子的NMS（Cf-NMS）算法，对于模型的整体性能有着很大的贡献。实验结果说明，所提方法虽然在速度性能上有略微的下降，但是无论是在RPN变体还是现有的先进算法在准确性方面都有提升。      

基于编队控制的自适应HELLO更新算法

在无人机(UAVs)编队自组织网络中,针对无人机之间位置信息更新周期不合理,从而导致编队控制不稳定和控制开销过大的问题,提出一种基于无人机编队控制的自适应HELLO更新算法。该算法应用编队控制稳定性理论推导出无人机组成期望编队的控制延时上限,结合该延时上限和编队运动状态自适应地设定HELLO更新周期。仿真结果表明,本文提出的算法与固定HELLO更新周期算法相比,既能保证在组编控制过程的稳定性,又能实时维护稳定阶段的链路,并且显著减少网络中不必要的控制开销。      

基于改进Hopfield神经网络的对地攻击型无人机自主能力评价

对地攻击型无人机是当前最先进的无人装备之一，无人机必须具备很高的自主能力，自主能力成为无人机的典型作战能力。针对对地攻击型无人机的自主能力量化评价问题，从感知能力、决策能力、行为能力和安全能力4个方面，并侧重机载装备参数分析，提出了一套完整的自主能力评价指标体系。结合模型因素库，运用奇异值分解设计Hopfield神经网络权值矩阵，利用基于稀疏度的权值删减算法改进网络结构。构建自主能力评价标准，对对地攻击型无人机系统自主能力进行量化分级。仿真结果表明:相对于传统Hopfield神经网络，改进算法能够在一定范围内删除非关键的连接权值，降低网络复杂度，工程上更容易实现对地攻击型无人机系统自主能力的量化评价。      

航空高动态网络链路感知OLSR路由算法

针对航空高动态无人机（UAV）网络环境中节点移动速度快、网络拓扑变化快,导致网络链路稳定性差、数据到达率低和信息拥塞度高等问题,提出了一种航空高动态网络链路感知OLSR（OLSR-LA）路由算法,该算法利用接收的2个连续Hello消息的多普勒频移、能量等信号特征,计算出航空高动态无人机网络中2个相邻节点的相对速度和移动趋势,从而得出这2个节点之间链路的保持时间。根据节点MAC层接口队列长度衡量网络局部的负载程度,并利用ARIMA-WNN组合预测模型预测下一时刻节点负载的预测值,并通过Hello消息传递给邻居节点。根据链路感知情况,采用基于局部路由负载均衡（RRLB）算法避免拥塞的发生。仿真结果表明,与传统OLSR算法相比,本文提出的算法有效提高了分组交付率,降低了端到端的传输延时,增加了网络吞吐量,从而提高了整个无人机网络传输的有效性和实时性。