空间移动小目标的检测算法

空间序列图像中移动小目标检测与轨迹提取是空间目标监视、跟踪及编目的关键技术之一.为了及时有效地处理星载可见光相机输出的多维海量数据,提出了一种基于四邻域二值量化方法和改进概率Hough变换的目标检测及轨迹提取算法.相较于美国空间目标在轨检测(MTI,moving target indicator)算法,改进算法虚警噪声点及候选路径数目明显减少,计算复杂度降低,运行效率提高.实验结果表明,算法可有效检测序列图像中快速移动的弱小目标并提取其直线运动轨迹.     

微小型无人直升机避障最优轨迹规划

针对无人直升机在低空复杂环境下避障飞行问题,提出了一种基于非线性最优控制理论的求解策略.以避障机动飞行时间为优化目标,无人直升机六自由度非线性动力学方程为等式约束,直升机飞行性能限制以及三维空间中障碍物限制等因素为不等式约束,建立了避障机动飞行的最优控制模型.然后利用高斯伪谱法（GPM,Gauss Pseudospectral Method）将轨迹规划问题转化为非线性规划（NLP,Non-Linear Programming）问题,并采用序列二次规划算法进行求解.在此基础上研究了障碍物尺寸对最优轨迹的影响.计算结果表明,该方法能够以较高的精度生成真实可行的避障飞行轨迹,最优机动动作取决于障碍物纵横向尺寸比.      

考虑随机干扰的高超声速滑翔飞行器轨迹优化

为解决高超声速滑翔式飞行器具有干扰不确定性的再入轨迹优化问题,提出了一种基于广义正交多项式方法的随机轨迹优化数值求解方法。针对随机干扰,基于广义正交多项式方式对其分布进行采样,形成采样空间,而后将每个采样值代入确定性轨迹优化问题中进行反复迭代求解,得出观测值的样本空间,并计算其期望、方差和协方差,估计输出值。以最大纵程为代价函数对具有随机干扰的高超声速滑翔式飞行器最优轨迹进行了数字仿真。仿真结果表明,基于广义正交多项式的随机轨迹优化方法能够有效处理随机干扰对轨迹优化问题的影响,与蒙特卡洛法相比计算效率大大提高。     

面向智能环境的活动模式迁移学习

针对智能环境中活动模式的学习和挖掘花销大、难以实际操作等问题,提出了能够有效地将已有活动模式迁移到新环境的整体框架。迁移学习框架将活动模式的迁移过程分解为轨迹的迁移和触发持续时间的迁移,首先对已有活动模式中的活动轨迹以及触发持续时间模糊化;然后采用备选轨迹生成(ATSG)算法在新环境中生成备选轨迹集;最后采用相似度计算(SC)算法进行活动模式中的轨迹与备选轨迹间的匹配,利用活动轨迹映射(TM)算法和触发持续时间迁移(TDT)算法对活动信息进行迁移,从而在新环境中得到活动模式。理论分析和实验结果表明,相比于基于频繁模式挖掘得到活动模式的方法,本文方法大幅度地降低了得到活动模式所需的时间开销,同时,利用本文方法获取的活动模式取得了较好的活动识别效果。      

基于约束优化的舰艇区域防空作战能力需求生成

作战能力需求生成是在满足多约束条件下完成的,寻求约束集是能力需求生成的重点;以舰空导弹区域防空为背景,通过对作战需求约束、能力需求约束、技术发展约束以及其他因素约束进行综合分析,提取制约能力指标生成的约束集,建立舰艇防空作战效能目标函数,采用基于罚函数法的快速粒子群算法进行能力指标的约束优化求解;以最大预警距离为变量,对其他作战能力指标优化前后的曲线图进行仿真验证,定量生成舰艇区域防空作战所需的能力指标值,验证了模型算法的可行性,为舰艇区域防空作战能力需求生成提供了定量化依据。      

一种圆柱物料装填机器人残余振动抑制方法

为提高载具内的物料装填效率,提出了一种在载具内受限空间中使用的新型圆柱物料装填机器人,并通过优化关节轨迹,对机器人末端残余振动进行抑制。首先,给出物料装填机器人的总体设计方案和工作流程。然后,结合物料装填机器人的结构特点,应用拉格朗日方法建立封闭形式的刚柔耦合动力学模型,并应用模态分析方法得到机器人末端动态响应计算方法。最后,以物料装填机器人关节残余弹性势能最小为优化目标,使用最大最小蚂蚁系统,对机器人关节轨迹进行优化,并对优化结果进行仿真验证。仿真结果表明,优化后的关节轨迹,在满足快速装填要求的基础上,可以降低约34.4%的关节残余弹性势能和约37.6%的机器人末端振动振幅。      

基于改进深度学习模型的焊缝缺陷检测算法

针对传统深度学习模型在进行焊缝缺陷检测时对小缺陷目标检测效果不理想问题,提出基于改进深度学习Faster RCNN模型的焊缝缺陷检测算法,算法通过多层特征网络提取多尺度特征图并共同作用于模型后续环节,以充分利用模型中的低层特征,增加细节信息;改进模型的区域生成网络,加入多种滑动窗口,从而优化了模型锚点的长宽比设置,提高检测能力。实验表明,改进Faster RCNN模型取得最优的缺陷检测结果,对于小缺陷目标仍取得较好的检测精度,从而验证了算法的有效性。     

基于SVM和EKF的高超声速滑翔飞行器轨迹预报

高超声速滑翔飞行器（HGV）拦截问题中,轨迹预报是成功拦截的重要基础。针对HGV机动能力强、轨迹多变的特点,提出了一种基于支持向量机（SVM）和扩展卡尔曼滤波（EKF）的轨迹预报方法。在HGV的滑翔段机动模式分析的基础上,将HGV的机动运动分解为纵向运动模式和侧向运动模式,进而对运动模式的特征参数予以标定,形成SVM的训练集。建立地基单雷达轨迹跟踪模型,采用EKF对HGV滑翔段轨迹进行稳定跟踪并实现对运动模式特征参数的估计。基于SVM,建立了HGV运动识别框架,实现了对HGV滑翔段轨迹的预报。对平衡滑翔和跳跃机动2种典型机动模式进行数学仿真验证,结果表明,所提方法可以提高对该类目标的轨迹预报精度。