SAR扫描区域目标模型分析

根据雷达目标测绘区域的特点，结合地面目标的特性系统，给出了合成孔径雷达的目标测绘区域目标的模拟目标模型。根据该区域目标模型可以计算出测绘区域的目标回波信号，经处理后得到测绘区域图像。实验结果表明该区域目标模型可满足对目标回波的处理要求。     

图像目标跟踪及其在UCAV中的应用

在图像跟踪中主要因素是目标的几何中心，只考虑目标的相对运动特性，就可以设法减少图像处理的工作量。由于目标的边缘不可能占满整幅图像．在目标边缘检测时不必对整幅图像进行处理。为此，从估计的中心向给定方向寻找目标的边界．得到目标边界点的一个子集合．再由该子集得到目标中心的近似值．并以此为基础构造目标跟踪方法，利用图像检测实现无人战斗机对目标的跟踪。仿真结果表明．该方法对于目标的跟踪是有效的。     

图样的知识目标分类与例证性分析

根据教育目标分类学的观点分解课程教学目标，再分别对分解的目标进行例证性分析，能更客观地验证教育目标的实效性和教育过程的可行性。本文通过对图样的知识目标分类与例证性分析，为工程图学教育目标检测做一尝试。     

我国会计教育目标的特征及其实现

确定会计教育目标是会计教育改革的首要问题。会计教育目标具有诸多特征，这些特征都是客观存在的，并且，将影响会计教育目标的确定。文章从会计教育目标的内涵入手，从不同层面对其特征进行了探讨和分析，并对会计教育目标的实现提出了若干建议和对策。     

航拍高光谱图像中基于投影的自动目标检测算法

针对未知环境条件下的高光谱图像目标检测问题进行了研究，提出了一种基于投影的自动目标检测算法。该算法通过构造正交投影算子预先对部分干扰物信息进行削弱，再以无监督的自动目标搜寻方法找到场景中可能的目标物，将图像数据向可能目标物所张成的子空间投影以增强目标物的信息，然后用匹配的方法完成检测。有效减弱了干扰物对目标检测的影响，缩小了目标搜索的范围。应用此算法对实验采集数据进行处理，取得了较好的结果。     

复杂环境下一种基于改进核相关滤波的视觉鲁棒目标跟踪方法

目标跟踪在自动驾驶和智能监控系统等实时视觉应用中发挥着重要作用。在遮挡、相似干扰等情况下，传统的基于相关滤波的跟踪算法容易发生漂移，鲁棒性有待进一步提高。基于此，提出了一种扩展特征描述的检测辅助核相关滤波目标跟踪架构。首先，在传统的核相关滤波目标跟踪算法的基础上，通过目标检测辅助对跟踪结果进行质量判断，实现对遮挡以及目标丢失的判别；然后通过拓展特征模板的构建与匹配，实现抗干扰相似目标判断及目标重定位；最终，以行人跟踪为例进行了试验，分别通过OTB数据及验证试验和移动机器人平台视觉跟踪验证试验，验证了算法的可行性，并对算法的跟踪性能进行了测试。试验结果表明，所提方法能够稳定地跟踪移动目标，对遮挡、相似干扰具有较强的鲁棒性。     

基于目标与相关背景的多特征融合跟踪小目标

本文研究在红外图像序列中跟踪运动小目标的问题。考虑到小目标跟踪要求能够保证跟踪的目标在需要的视场内，同时受到跟踪平台转动的影响，背景在视场内处于时变状态，不能仅仅利用目标的时域轨迹连续性进行跟踪。因此，算法充分利用了目标与相关背景的分布、灰度、形状边界等信息，并加以融合。算法通过在实际包含随机目标的红外图像序列中的应用，它的有效性得到了证明。     

被动红外制导导弹的半实物仿真的廉价目标模拟器

本文描述一种节省成本的目标模拟器的设计、研发及实现。该目标模拟器是一种基于数字信号处理器的系统，利用再现技术将目标场景加载至模拟寻的的电路上，本文详细描述目标模拟器的硬件结构，简要叙述了用于目标场景建模和系统控制的软件。概述了验证特定目标模型的数据测定过程。     

基于多传感器的机动目标跟踪与融合技术综述

在分析了目标跟踪技术的重要地位之后，对目标跟踪要素进行了简要介绍。同时，描述了机动目标建模、滤波算法、航迹管理、传感器管理以及目标身份识别技术常用的方法，试图对基于多传感器的机动目标跟踪和识别算法构建一个轮廓和框架。     

论企业财务目标的特点及建立基础

建立财务目标是企业财务管理首要环节，长期以来，人们更多地从纵向角度关注企业财务目标的演进，分析每一种演进的意义。本文试从横向角度阐述财务目标与其财务管理活动相比较布存在的各种特点，结果财务目标的理论意义、历史沿革、现实环境和内在逻辑因素提出其建立基础，旨在从理论和实务上更为有效、快速地确立财务目标。     

基于迁移学习的小样本目标识别研究进展与展望

在空、天、海等复杂环境下的目标识别任务中，高质量的样本数据往往较少。特别是在干扰对抗环境下，某些特定领域的目标信息获取困难，可靠的标注数据较少。小样本问题对深度学习技术在目标识别任务中的应用提出了新的挑战。迁移学习为小样本不确定环境下的目标识别问题提供了新的研究思路。本文针对小样本目标问题，以机载雷达等空天传感器信息对海面目标识别为例，介绍了迁移学习的主要思路和方法，对迁移学习在海面目标识别问题中的应用现状进展进行了总结；分析和归纳了迁移学习在海面目标识别应用中的主要挑战。最后对可解释性及鲁棒性的海洋目标识别技术需求及未来发展方向进行了展望。     

基于自适应Siamese网络的无人机目标跟踪算法

无人机已被广泛应用到军事和民用领域，目标跟踪是无人机应用的关键技术之一。针对无人机跟踪过程中目标易发生形变、遮挡等问题，提出一种基于自适应Siamese网络的无人机目标跟踪算法。首先，利用2个卷积网络构建一个5层Siamese网络，通过对模板特征与当前帧图像特征进行卷积得到目标位置；其次，利用高斯混合模型对以往的预测结果进行建模并建立目标模板库；然后，从模板库中挑选出最可靠的目标模板并以此更新Siamese网络的匹配模板，使Siamese网络能够自适应目标的外观变化；最后，引入回归模型进一步精确目标位置，降低背景对网络性能的影响。仿真实验结果表明：该算法有效降低了形变、遮挡等情况对跟踪性能的影响，具有较高的准确率。     

基于注意力机制和特征匹配的空对地多目标检测与跟踪算法

多目标跟踪算法是实现无人机自主导航的关键技术，为解决现有方法存在的小目标检测能力弱、计算能耗大、鲁棒性差等问题，提出一种基于注意力机制和特征匹配的多目标空对地跟踪算法，以实现航拍视角下对目标的精准高效跟踪。首先，引入通道可分离卷积，实现目标检测模型的轻量化；其次，构造融合空间注意力机制的小目标检测分支，提高对小微目标的检测精度，最后，优化目标跟踪算法的外观重识别网络，提高多目标跟踪效率。使用Visdrone2019-MOT数据集对所提算法进行验证，实验结果表明，所提算法的MOTA值提高了0.６%，FPS值为21.31帧/s，在模型大小和跟踪精度上实现了较好的平衡。     

GOTChA管理法在航空航天领域的应用

采用GOTChA管理法，能够把项目的顶层目标通过细化、量化，分解为清晰明确的各个子目标，对为达目标所要攻克的技术难题进行梳理，并有针对性地采取措施。借助于GOTChA管理法能够把项目从目标确定到最终完成的整个流程规划得非常清楚，每个环节要做的事情和需要突破的技术也很明确。     

红外成像制导中目标图像序列的仿真生成

在红外成像制导技术的算法研究中，目标红外图像序列是进行仿真验算的基础，通常真实的图像序列较难获得，本文通过建立空间目标的透《视投影模型来模拟红外成的过程，并由计算机作图得到目标的二值图像，为目标识别、跟踪算法及制导率的仿真验算打下了基础。     

美国弹道导弹目标特性测量雷达的发展

简要介绍了美国弹道导弹目标特性测量雷达的发展历程，着重介绍了美国典型的弹道导弹目标特性测量雷达的情况，对夸林导弹靶场的改进情况和近年来目标特性测量雷达的研制动态进行了介绍和分析，并提出了目标特性测量雷达今后的发展方向。     

基于自适应深度网络的无人机目标跟踪算法

针对无人机（UAV）视频中目标易受到遮挡、形变、复杂背景干扰等问题，提出一种基于自适应深度网络的无人机目标跟踪算法。首先，基于主成分分析（PCA）和卷积神经网络（CNN）算法，设计3阶的自适应深度网络进行目标特征提取，该网络对图像的H、S、I通道分别进行主成分分析学习，将得到的特征向量输入网络进行分层卷积，优化了网络结构，提高了网络的收敛速度和精度。其次，将目标深度特征输入核相关滤波算法进行目标跟踪，通过分析相邻2帧图像的变化率，采用分段自适应调整学习率的算法进行目标模板更新，有效地改善目标遮挡问题。仿真实验结果表明，该算法有效地避免了复杂因素干扰导致的跟踪精度下降，具有较好的鲁棒性，相较于全卷积跟踪（FCNT）算法平均跟踪精度提高了9.62%，平均跟踪成功率提高了11.9%。     

基于目标分配的无人机航路规划

在航路规划中．如果存在多个目标点，优化问题就会变得复杂化。因此，在多目标点存在的情况下，航路优化问题应充分考虑目标的有关因素及空域状况，对目标和航路进行优化选择以取得某种效益。针对这一问题，提出了目标选择及航路规化的优化模型．并提出了一种改进的A*算法——大规模平行扩展A*算法对这一问题进行求解。在此基础上，针对无人机的水平飞行航路进行了规化。结果表明，通过该方法可以有效地解决多目标点存在时的航路规划问题。     

武装直升机IFFC系统目标状态估计器的设计与仿真探讨

目标状态估计器(TSE-Target State Estimator)是综合飞行／火力控制(IFFC-Integrated Flight and Fire Control)系统中的一个重要组成环节，它对测量的目标参数进行滤波估值，提高了火控系统的命中率。本文阐述了目标状态估计器的设计一般方法，并以地面匀速运动的坦克为目标，对其进行了设计与仿真。     

基于PCA-MPSO-ELM的空战目标威胁评估

目标威胁评估是空战对抗过程中的关键环节。由于影响空战目标威胁评估的因素复杂多样，且指标之间存在相关性，导致传统的评估算法无法得到准确客观的评估结果。由此，提出了一种基于主成分分析法和改进粒子群算法优化的极限学习机（PCA-MPSO-ELM）的目标威胁评估算法。首先，综合分析了影响目标威胁程度的指标，利用主成分分析法对原始评估指标进行线性变化处理得到综合变量，消除了评估指标之间的相关性，实现了对评估数据的降维；在此基础上，构建ELM神经网络并利用改进的粒子群算法优化极限学习机的输入权值和阈值，提高了目标威胁评估模型的精度。最后，在空战训练测量仪中选取空战对抗数据，利用威胁指数法构造了目标威胁评估样本数据，通过仿真实验分析了PCA-MPSO-ELM算法的精度和实时性，结果表明所提算法可以快速准确地进行空战目标威胁评估。