微文字识别系统关键技术研究

分析研究了微型汉字识别系统设计中的关键技术。主要包括：汉字识别、语音合成、系统设计；该系统通过前端的单片微型摄像头对文字进行图像采集，然后由DSP处理器进行图像分析和汉字识别，最后通过语音合成芯片进行朗读。     

基于压缩感知的手写汉字识别研究

基于压缩感知理论,提出一种手写汉字识别的算法。该算法首先对手写汉字图像进行随机采样得到其特征,然后对其进行稀疏表示,并最小化其l1范数得到样本的稀疏解,最后利用该稀疏解的系数判别测试样本的类别。     

设计特征模型中的装配特征识别

研究了由设计特征模型识别装配特征的算法 ,该算法采用凹凸特征模型为中间模型实现设计特征模型向装配模型的转化。识别算法用特征设计与特征识别相结合的方法有效地识别出设计特征指定面的所有凹凸特征 ,利用判别装配特征的充分必要条件得到所求的装配特征。该方法克服了传统算法的缺点 ,提高了装配特征识别的有效性和可靠性     

基于最大序列相关性的Turbo码交织器识别

针对现有算法在Turbo码交织器识别中存在低信噪比适应性差，且识别性能随交织长度增加而急剧恶化的缺点，提出了基于最大校正序列相关的识别算法。该算法首先利用已识别的交织位置序列对每一帧交织位置上的信息序列进行估计，通过遍历可能的交织位置，并作互相关运算，当遍历位置为交织映射关系时，该位置上的数据序列与估计序列具有最大的相似度，从而完成交织位置识别；然后充分利用这些交织位置上的序列，分别估计出校正数据序列，将校正的序列再与原始序列叠加，完成码元校正，直到所有的交织关系识别完成。所提算法直接利用了截获的软判决信息，同时能够实现码元校正，这就克服了以往算法的两个缺点。仿真结果表明，在信噪比为-1 dB，交织长度为1024时，所提出算法仅仅需要1000数据帧，就能达到100%的识别率，与以往算法相比，性能提升2~3 dB，同时完成一次可靠识别所需的数据量仅需以往算法的1/4。     

抗差自适应分步滤波算法在PPP/INS组合导航中的应用

针对常规抗差自适应滤波算法在PPP/INS组合导航应用中存在难以准确识别和分离观测粗差及运动异常对定位结果影响的问题，基于分类因子自适应滤波原理,提出了一种抗差自适应分步滤波算法。该算法首先执行第一步滤波,对状态模型异常信息进行隔离，仅对观测粗差进行诊断和抗差处理；然后在第一步滤波的基础上，执行第二步滤波，对状态模型异常进行诊断和自适应处理。算法分析表明，抗差自适应分步滤波算法可以准确地识别和分离观测粗差和运动异常扰动。实验结果表明，抗差自适应分步滤波算法能够进一步增强滤波算法抵抗观测粗差和运动异常扰动对滤波结果的影响，提高PPP/INS组合导航系统定位结果的稳定性和可靠性。     

校正训练算法在半连续HMM中的应用

隐马尔柯夫模型用最大似然准则训练的结果，能保证训练过程的最佳，但却不能保证识别过程的最佳，从识别时的最小误识率出发导出的各种准则之下的训练方法，能有效地提高系统的性能。本文将校正训练（CT）算法应用于半连续隐马尔柯夫模型（SCHMM）的训练过程，给出了算法的具体实现步骤，同时对于所需的易混集的建立方法，采用一种适于中小词表系统的动态构造方法来实现。     

数据和知识驱动的空战目标集群类型综合识别

目标集群类型识别是体系作战样式下态势认知的关键，然而现有集群识别算法主要依据专家知识人工进行判读，难以满足作战态势快速、准确理解的需求。提出数据和知识驱动下的推理机制，构建分层精细化推理的集群场景识别框架，预识别层检测目标运动过程中的集群的分群/合群，根据设计基于边界检测的密度峰值聚类确定群的划分情况，得到集群的初步识别结果；再识别层中综合分析集群执行任务、运动特性、电磁特性，对集群目标的多源特性进行多元知识约束下的推理网络构建，在此基础上利用现有数据进行推理网络参数学习，进而使推理获得更为准确的集群类型识别结果。该框架综合知识和数据的优势具有从粗到精的集群目标识别能力，利用多特征综合推理机制对目标集群精细化分析，实现集群类型的准确识别。在典型的集群作战活动场景下推理置信度和正确率两项指标均优于现有算法，验证了所提方法的有效性，提高空战目标集群类型识别的置信度和准确率。     

应用神经网络的手写体数字识别算法研究

结合程序代码论述了1个手写体数字识别程序的原理。该识别程序应用了神经网络来实现其功能,采用BP网络。主要论及了关于BP网络的3个问题:反向传播算法;提高BP网络收敛速度的算法;以及文中提出的对网络进行修剪以期能改善其推广能力的1种算法。     

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。     

星点坐标辅助的全天区三角形星图识别算法

随着当前星敏感器视场（FOV）的增大,探测能力的提高,一帧图中拍摄到的恒星更多。但是受星敏感器光谱范围的限制及空间环境干扰影响,星等测试精度一般不高于0.2 mV。为了充分发挥当前星敏感器视场和探测能力的优势,并避免星等误差的影响,提高全天区星图识别算法在线应用的适用性,提出了一种星点坐标辅助的全天区三角形星图识别算法。该方法采用"全局初步搜索识别—局部精细匹配验证—最优结果选取"的算法思想。首先,根据星敏感器探测到的极限星等范围构建导航星表,选取亮星构建角距星表,既确保了星表的完备性,又有利于充分利用星敏感器的探测能力。然后,在三角形约束条件下进行角距匹配识别,得到一个或多个导航三角形,在该识别环节提出了非线性矢量法查找星表,既提高了定位精度,又能采用单精度数据类型降低存储空间。最后,提出局部天区星点坐标匹配算法进一步消除冗余匹配,同时又识别出视场内更多的观测星,有利于提高识别率和定姿精度。试验结果表明,与其他一些经典的星图识别算法相比,所提算法在识别率和星表容量方面更有优势。识别率可达99.9%,且随着星等的增加,存储容量增加的最少。所提算法更加适于大视场、高星等敏感范围的星敏感器在线应用。     

基于STEP和改进神经网络的STEP-NC制造特征识别方法

特征识别是实施STEP-NC重要的一步，也是实现开放式、智能化和网络化STEP-NC数控系统的关键。本文提出了一种基于STEP和改进神经网络的STEP-NC制造特征识别方法。该方法首先在对STEP AP203中性文件进行几何拓扑信息提取后，基于边的凹凸性判断构建了零件最小子图。然后，将混沌算法、遗传算法与BP神经网络算法有机相结合提出了改进的BP神经网络。最后，通过将获得的零件模型最小子图信息数据输入到改进的BP神经网络，实现了对STEP-NC制造特征高效精准地识别。通过实例验证了该方法的有效性和可行性。     

车牌定位与字符分割方法研究

介绍了一种改进的基于纹理特征的车牌定位方法,采用自适应阈值,实现了车牌的准确定位。设定自适应改变大小的投影切割阈值实现了字符分割。最后采用BP神经网络法来识别各个字符。实验结果表明,该方法能够较为准确的实现车牌识别,具有定位准、鲁棒性好等特点。     

基于改进的BP网络的水机温度模型建立

传统的水电仿真系统中的温度模型的构建方法存在模型可移植性比较差、推导过程必须有水电专家的参与、推导过程复杂度大、模型精确度不高等不足,这些都对水电仿真的进一步发展和准确性产生了一定影响。因此需要一种更新的方法来适应水电仿真的发展。为此提出了一种改进的BP网络神经元网络学习算法,通过改进训练算法以提高神经网络的训练效率以及准确度。将这种算法应用于吉林丰满水电厂水电仿真系统的水机温度模型的建立实验中,并与原有的神经网络方法进行比较,比较结果表明,该方法能提高分类准确率和训练速度。     

一种智能的惯导陀螺漂移误差消除算法

给出了一套智能的消除惯导陀螺漂移误差算法,即改进的BP(Back Propagation)神经网络模态识别算法。可根据即时的飞行区域、气压计和雷达高度表测量的地形高程数据等,在机载数字地图上实时地进行在线模态识别,找出最合适的匹配区,并对惯性导航系统指示的位置信息进行修正。该算法具有识别精度高、识别速度快和识别准确率高等特点,可用于各类有人驾驶飞行器和无人自主控制的飞行器的惯导误差修正。     

基于神经网络的滚动轴承故障包络信号的自动识别方法

介绍了一种基于神经网络的滚动轴承故障包络信号的自动识别方法。将从包络信号的时域和频域信息中提取的反映滚动轴承故障的特征信息作为BP神经网络的输入,用BP算法对该网络进行训练。利用BP神经网络的智能性来实现滚动轴承故障的智能诊断。     

带BP神经网络的卡尔曼滤波算法在GPS/SINS组合导航系统中的应用

针对带权值调整的Kalman滤波器,运用L-M的BP算法,将BP神经网络嵌入该滤波器中,与BP神经网络滤波器相比,减小了层数,提高了网络训练速度及精度。以GPS/SINS组合导航系统为例进行了仿真,结果既能抑制滤波发散,又能提高滤波精度。     

嵌入式大气数据传感系统的改进算法

简要介绍了嵌入式大气数据传感系统及其空气动力学模型,提出了求解动、静压和修正参数的改进算法.改进算法首先应用Moore-Penrose广义逆矩阵对非线性方程组进行简化.然后采用改进迭代算法和BP神经网络求解动、静压和修正系数.改进算法在精度、可靠性和实时性上都能满足系统的要求.应用BP神经网络,达到系统要求的精度所需要的计算时间只相当于原有算法的5%,具有更大的实时性优势.     

一种结合角距特征的改进栅格星图识别算法

针对栅格算法易受邻域星点影响导致误匹配的问题,提出了一种结合角距特征的改进栅格星图识别算法。首先介绍了改进栅格算法的原理,其次设计了融合栅格识别模式和星角距识别模式的算法实现流程,最后开展了基于不同视角下的大视场仿真星图的算法试验验证和性能分析。结果表明,由于角距特征具有旋转不变性和不易受观测星邻域星点分布影响等特点,结合角距特征对失效观测星进行再匹配的改进栅格算法,在兼顾存储量需求小、运行速度快等优势的同时,识别率和鲁棒性也得到了提升,最高识别率可达98.88%,在位置噪声干扰以及缺失星干扰下,改进算法的识别率仍可保持在95%,说明算法鲁棒性强,具有较好的应用前景。     

基于BP人工神经网络的GPS／SINS组合导航算法

基于扩展Kalman滤波的GPS／SINS组合导航算法，需要对原始的非线性连续系统模型进行线性化和离散化处理，要求系统噪声和测量噪声为零均值的高斯白噪声，且易于出现滤波器发散。BP人工神经网络毋需对所求解的问题建模，能够很好地逼近系统非线性特性，获得较高精度的导航定位信息；还具有计算过程稳定，不涉及矩阵求逆，不需要迭代逼近，以及容易实现并行处理等优点。本文设计适用于GPS／SINS组合导航系统的BP网络模型，并在标准的BP算法基础上，采用共轭梯度法改进网络训练速度及精度。最后，通过仿真算例说明BP网络方法用于GPS／SINS组合导航计算的可行性。     

遗传寻优神经网络在平台温控系统建模中的应用

温度直接影响惯性仪表及惯性平台的使用精度,而高精度温控系统的设计依赖于准确的平台加温模型,针对平台系统中多种惯性仪表加温过程复杂度高,当前采用的阶跃响应辨识方法存在模型适应性差、精度不高等情况,且针对基于梯度下降的BP学习算法存在局部收敛的问题.采用基于遗传算法寻优的神经网络辨识的方法,对惯性仪表加温模型进行建模,试验验证通过遗传寻优后的BP神经网络学习算法,提高了网络的学习精度,进而提高了平台系统中惯性仪表加温过程数学模型的精度,模型适应性较高,为后续惯性仪表的加温控制方法的设计提供了必要的条件.