基于粒子群优化的多导弹动态武器目标分配算法

针对复杂多变的未来战场环境,对空防御系统需要实现对多个目标进行武器分配。由于传统静态武器目标分配（Static weapon target assignment, SWTA）模型受到很多因素的限制,无法适应战场态势的快速变化。为了解决多导弹的动态武器目标分配（Dynamic weapon target assignment, DWTA）问题,将对空防御过程离散为多个阶段,并根据战场实时态势数据构建了DWTA的数学模型,提出了一种改进的粒子群优化算法,引入了武器转火时间窗等约束条件,在算法中考虑拦截概率和导弹耗费等多个指标。最后通过大量仿真实验,验证了粒子群算法进行多导弹目标分配的合理性和有效性。     

基于Transformer模型的卫星单目位姿估计方法

鉴于测量精度高、设备成本低等优点,基于单目图像的卫星位姿估计方法在交会对接、空间攻防等应用中具有广泛前景。得益于强大的特征提取与表达能力,卷积神经网络在目标单目位姿估计应用中取得了明显优于传统方法的性能表现,但已有基于卷积神经网络的方法存在诸如归纳偏置、绝对距离描述不直接、长距离建模能力不足等问题。聚焦卫星单目位姿估计应用需求,针对以上问题,创新地将Transformer模型应用于卫星目标位姿估计中,提出了一种新颖的端到端卫星单目位姿估计方法。首先,设计了一种基于关键点集合的卫星目标表示方法,并构建了基于该表示方法的损失函数,进一步,结合关键点回归任务特点,设计了端到端的关键点回归网络模型,并改进了用于特征提取的主干网络结构。在公开数据集上实验测试结果表明：本文方法实现了可靠、高效的卫星目标单目位姿估计,并取得了优于已有同类方法的性能。     

基于“时间-特征”协同注意力的机场快轨客流预测

机场快轨客流的准确预测是实现机场轨道交通系统智能化、精细化、高效化管控的基础,对提升机场服务水平和运行效率有着重要意义。由于影响因素众多、相互耦合,且因素对客流时序影响机理复杂,机场快轨客流的准确预测极具挑战。提出了一种基于“时间-特征”协同注意力机制的机场快轨客流预测模型,实现了精准捕捉多维因素在不同时序上对机场快轨客流的影响。基于北京首都国际机场快轨实际客流数据进行实验,结果表明了所提方法的有效性。      

整数规划在航空公司机型分配中的应用

针对航线的市场需求状况，以成本最小为目标函数，运用整数规划，提出了一种机型分配的方法，为航空公司在实际运营中分配机型提供了理论指导。     

站调工作中的注意力分配

管制员在空中交通管制服务工作过程中，同飞行人员一样，存在着合理分配注意力的问题。站调工作以其事务繁杂、在场时间长、服务特性相对偏重而称，在这样的工作环境中如何保持注意力的高度集中，就成为确保飞行计划正常、有序实施的重要因素之一。     

多机协同多目标攻击系统研究

研究了多机协同多目标攻击系统，定义了自主优先权，提出了分组决策的方案，设计了目标分配和火力分配的原则，采用神经网络实现了决策算法，并对整个决策系统进行了仿真；阐述了导弹攻击区的计算方法，用比例导引法实现了空空导弹攻击。最后设计了多目标攻击系统，将空战决策，导弹攻击区判断，导弹攻击融为一体，并进行了仿真。结果验证了空战决策的正确性。它对第四代歼击的火力控制系统的研究有一定的参考价值。     

基于倒置残差注意力的无人机航拍图像小目标检测

针对无人机航拍图像背景复杂、小尺寸目标较多等问题,提出了一种基于倒置残差注意力的无人机航拍图像小目标检测算法。在主干网络部分嵌入倒置残差模块与倒置残差注意力模块,利用低维向高维的特征信息映射,获得丰富的小目标空间信息和深层语义信息,提升小目标的检测精度;在特征融合部分设计多尺度特征融合模块,融合浅层空间信息和深层语义信息,并生成4个不同感受野的检测头,提升模型对小尺寸目标的识别能力,减少小目标的漏检;设计马赛克混合数据增强方法,建立数据之间的线性关系,增加图像背景复杂度,提升算法的鲁棒性。在VisDrone数据集上的实验结果表明：所提模型的平均精度均值比DSHNet模型提升了1.2%,有效改善了无人机航拍图像小目标漏检、误检的问题。     

舰空导弹武器系统加权射击效能优化模型

针对如何优化舰空导弹武器系统加权射击效能这一问题,在考虑转火射击周期的基础上,着重研究了多通道火力分配模型,综合集成了杀伤区模型、火力分配区域模型、目标威胁度评估模型、火力分配模型、加权射击效能模型,对舰空导弹武器系统的作战效能进行了评估。仿真结果表明,所建立的舰空导弹武器系统加权射击效能优化模型是可行的。     

基于高光谱和LiDAR的黄河口湿地植被分类方法

利用无人机（Unmanned Aerial Vehicle, UAV）高光谱影像（Hyper-spectral Imaging, HSI）和激光雷达（Light Detection and Ranging, LiDAR）数据开展黄河口湿地植被分类方法研究。由于高空间分辨率HSI光谱变异性强,以及LiDAR点云密度不均匀,分类结果呈现出“椒盐”现象。为了解决这些问题,本文提出了一种结合空谱特征融合和通道注意力机制的双分支卷积神经网络（SSF-C-DBCNN）。光谱注意力机制通过为每个波段分配不同的权重来减少光谱变异性的影响。空间注意力机制侧重于学习和强调特征表达能力强的密集点云区域空间信息,从而减轻LiDAR点云密度不均匀对结果的影响。最后,在双分支融合特征后引入通道注意力机制来提取更深层次的特征。利用UAV采集的HSI和LiDAR数据进行实验验证,结果表明,本文提出方法的性能优于随机森林和五种深度学习方法,分类结果更为贴合实际土地覆盖,有效地抑制了“椒盐”现象。     

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。