重访机制驱动的多无人机协同动目标搜索方法

为实现多无人机高效捕获灰色任务区域内的移动目标,考虑传感器探测概率与虚警概率,提出了重访机制驱动的协同搜索规划（RMD-CSP）方法,以降低目标遗漏与误判概率。考虑无人机飞行性能约束,以最大化任务执行效能为目标建立多无人机协同搜索模型。根据目标先验信息初始化环境搜索信息图（包括目标概率分布图、环境不确定度图与环境搜索状态图）,利用无人机实时探测信息,基于贝叶斯准则持续更新搜索信息图。定制基于环境不确定度更新的重访机制,通过增加长时间未被重访区域的环境不确定度,引导无人机搜索该区域,降低移动目标的遗漏概率;定制基于目标函数权重更新的重访机制,引导无人机快速重访发现新的疑似目标的区域,对疑似目标进行再次确认,减少由于传感器虚警概率造成的目标误判概率。采用滚动时域规划架构,将搜索规划问题分解为一系列短时域规划问题,提升了求解效率。在典型任务想定下,通过数值仿真试验验证了所提方法的有效性。仿真结果表明,RMD-CSP能够在秒级时间内生成每个时域的搜索航迹,相比于光栅式搜索方法与标准的概率启发式搜索方法,能够引导无人机捕获更多的移动目标,同时减少误判次数,有效提升了多无人机协同搜索的任务效能。     

面向电力系统的多粒度隐患检测方法

由于电力系统的安全问题往往会造成严重的经济或社会影响,隐患检测已成为电力系统不可或缺的重要环节。随着人工智能领域的发展,基于深度学习的智能化电力系统隐患检测技术逐渐得到越来越多的关注。但目前的方法大多只是单一地考虑图像的全局特征或局部特征,无法全面彻底表征图像,进而难以捕捉电力领域尤其室外复杂背景下的隐患检测。为此,基于深度学习技术,提出了一种面向电力系统的多粒度隐患检测方法MGNet。通过引入图像的多粒度信息,构建全局和局部网络,进行多粒度级检测;并通过不同粒度级检测结果的协作式融合,增强检测的全面性。在杆塔连接金具隐患和线路通道机械隐患2个数据集上进行了实验比较和分析,对所提模型的检测性能进行评估。通过与现有最优隐患检测基准方法相比,所提方法在2种不同数据集上的平均精度均值分别提升了2.74%和2.77%,验证了模型的有效性。      

基于改进Faster R-CNN的SAR图像飞机检测算法

在合成孔径雷达（SAR）图像分析领域,飞机作为一种重要目标,对其的检测越来越受到重视。针对传统SAR图像飞机检测算法需要人工设计特征且鲁棒性较差的问题,提出了一种基于改进Faster R-CNN的SAR图像飞机检测算法。制作了一个SAR图像飞机数据集（SAD）,以Faster R-CNN为检测框架,利用改进k-means算法设计更合理的先验锚点框,以适应飞机目标的形状特点;借鉴inception模块思想,设计多路不同尺寸卷积核以扩展网络宽度,增强对浅层特征的表达;分析残差网络Layer5层的特征输出具有更大的感受野,对其上采样后进行特征融合以利用更多的上下文信息;同时引入Mask R-CNN算法中提出的RoI Align单元,消除特征图与原始图像的映射偏差。实验结果表明:相比原始的Faster R-CNN算法,所提改进的Faster R-CNN算法在SAR图像飞机数据集上平均检测精度提高了7.4%,同时保持了较快的检测速度。      

气压高度表在GPS卫星导航中的应用

随着交通智能化的不断提高,载运工具的导航和定位大多采用了全球卫星定位系统(GPS)。但是当GPS信号受到干扰或缺失时,就会出现定位误差较大或是不能定位的情况。将GPS与气压高度表有效的组合在一起,可以很好解决这一问题。本文给出了气压高度表的数学模型,并提出了在可见星只有三颗时的GPS和气压高度表组合的实现方法。     

现代物流管理模式研究

物流的概念最早是在美国形成的,当初被称为Physical Distribution(即PD),即"实物分配"或货物配送。1963年被引入日本,被理解为"在连接生产和消费间对物资履行保管、运输、装卸、包装、加工等功能,以及作为控制这类功能后援的信息功能,它在物资销售中起了桥梁作用"。 现代物流是以满足消费者的需求为目标,把制造、运输、销售等市场情况统一起来考虑的一种战略措施。运输是物流业务的中心环节,然而现代物流又不局限于运输职能,当航空企业向第三方专业物流公     

简述质量信息的收集与管理

在简述质量信息的概念与分类的基础上探讨质量信息收集与管理的工作过程,强调质量信息的收集渠道及管理措施。     

基于MDT平台的CAPP系统工序图生成方法

在 MDT 平台 ARX 开发环境中,利用 MCAD　API 函数完成 CAPP 系统中工序图的图形生成,并在 AutoCAD环境下利用其开发工具 ARX　实现工艺信息标注。     

维修性增长的Bayes方法

对指数维修产品作m个阶段的维修性试验，第i阶段的修复率地(i=1，2，…，m)满足顺序约束条件：μ1≤μ2≤…≤μm，据此，本文用Bayes方法估计了修复率μm(或平均修复时间MTTR Mm)。在取共轭型先验分布或无信息先验分布时，推导了μm的边缘后验密度及其Bayes精确可信下限，为满足工程实践的需要，还推导了μm的Bayes近似可信下限，并用数值例说明了这些方法。