联合足迹识别与监控视频分析的智能刑侦系统

刑侦破案是打击违法犯罪和确保国家长治久安的基本要求。刑侦破案的一大关键是如何有效地利用采集到的信息。为了更好地配合刑侦工作，提出了联合足迹识别与监控视频分析的智能刑侦系统。该系统基于深度学习方法，首先根据足迹信息，包括鞋印长度、宽度、受力分布情况、步长、步幅等，利用卷积神经网络技术实现嫌疑人个人特征的预测；其次联合周边监控视频大数据进行智能分析比较，利用大数据技术快速处理信息，分析视频中行人的个人特点；最后运用虚拟现实仿真技术构建足部压力和鞋底受力分析有限元模型，利用模型获得各种复杂场景下的仿真足迹。三者相互印证，有机结合，快速筛选刑侦对象。实验结果表明，该系统可以高效准确地根据足迹特征实现身高预测，并且与视频监控大数据相结合，可以迅速缩小排查范围并锁定凶手。      

基于深度学习网络的星表非结构化岩石目标辨识方法研究

目标检测技术广泛应用于交通、医疗、安保和航天等领域.目前,目标检测技术面临目标微弱、背景复杂、目标被遮挡等挑战[1].针对星表非结构化模拟地形采集的图像中岩石和石块小目标检测识别率低、误识别率高的问题,研究了当下效果最好、模型轻量化的YOLOv5目标检测算法,在其基础上进行改进优化器与优化检测框重复检测效果的一种满足实时性要求的岩石目标检测算法.具体通过引入空标签负样本、结合随机梯度下降法SGD(stochastic gradient descent)优化模型和非极大值抑制参数调节方法,提升YOLOv5网络模型的特征描述能力和分类准确率.利用在地面试验场采集的复杂地形图像作为数据集,并采用mAP(mean average pre-cision)、画面每秒传输帧数(FPS)、准确率和召回(P-R)曲线等作为性能指标,对所提出的目标检测网络进行了试验验证.结果 表明本文提出的改进网络拥有更高的准确率和更低的虚警率,同时保持原有算法的实时性.     

基于神经网络的仿真转台控制系统

在转台存在偏载、摩擦等不确定负载干扰的情况下,用神经网络与PID(Proportional-Integral-Differential)控制相结合的方法,设计了适应负载变化的转台控制系统.分析了基于BP(Back Propagation)神经网络的自适应PID控制器的基本原理,建立了转台位置控制系统的数学模型,并对控制系统进行仿真分析和实验验证,通过与传统PID控制的对比实验与仿真表明:所设计系统由于有自学习能力,能动态调整PID参数,使系统表现出良好的抗干扰能力和跟踪性能,证明了所设计系统的有效性.该算法结构简单,PID初始参数调整方便,易于在转台实时控制系统中应用.     

成人自考生学习动力现状的调查分析

采取问卷调查、访谈调查的方法，对重庆市部分成人自考生的学习动力现状进行了调查。通过调查发现，成人自考生学习动力受到性别、年龄、职业、工作年限、经济收入等多方面因素的影响，最后提出了相应的建议。     

以非专业素质的发展提升英语学习困难生英语语言素质的研究

在英语学习困难生出席的大学英语课堂上,将培养学生的大胆表达、团队合作精神、文化素养、自省、自我规划和调节、毅力等非专业素质与语言学习活动紧密结合,在提高学生非专业素质的同时,激发其语言学习的动机,并努力长期维持学习动力,从而从根本上提高其英语语言素质。     

五年制高职校新生英语学习现状调查及应对策略

针对五年制高职学生英语学习上出现倦怠、课堂教学很难开展的现状,进行学生英语学习基础的调查,了解并解决以下两个问题：一是调查学生的英语学习基础,弄清英语学习出现倦怠的原因;二是反思教师的教学模式,找到适合提升学生的学习积极性的教学方法。     

基于扩维QLEKF的脉冲星/星间定向组合导航

面向星座卫星高精度自主导航技术需求,设计了一种融合X射线脉冲星和星间定向观测信息的组合导航方法。通过X射线探测器获得脉冲到达时间观测量,照相观测星相机和星间链路设备获得星间相对位置矢量观测量,设计导航滤波器对观测量进行处理,估计参与导航的星座卫星的运动状态。针对地球星历误差影响组合导航性能的问题,将地球相对于太阳系质心的位置扩充为状态向量,设计了扩维扩展卡尔曼滤波器,利用敏感器观测量对导航所需的地球位置矢量进行实时估计,从而削弱地球星历误差的影响。进而,针对滤波器参数选取影响状态估计精度的问题,设计了一种Q学习扩展卡尔曼滤波器（QLEKF）,主要思路是利用Q学习方法的决策能力,自适应地选择适当的滤波器参数以改善估计性能。数学仿真结果表明,所提方法能够有效减小地球星历误差对星座自主导航的影响,取得优于传统滤波算法的定位精度。     

基于深度Q网络的多智能体逃逸算法设计CSCD

当前多智能体追逃博弈问题通常在二维平面下展开研究,且逃逸方智能体运动不受约束,同时传统方法在缺乏准确模型时存在设计控制策略困难的问题。针对三维空间中逃逸方智能体运动受约束的情况,提出了一种基于深度Q网络(DQN)的多智能体逃逸算法。该算法采用分布式学习的方法,逃逸方智能体通过对环境的探索学习得到满足期望的逃逸策略。为提高学习效率,根据任务的难易程度将智能体策略学习划分为两个阶段,并设计了相应的奖励函数引导智能体探索满足期望的逃逸策略。仿真结果表明,该算法所得逃逸策略效果稳定,并且具有泛化能力,在改变一定的初始位置条件后,逃逸方智能体也可成功逃逸。     

Q-learning强化学习协同拦截制导律CSCD

为实现多枚导弹协同拦截机动目标,提升拦截效能,提出了一种Q-learning强化学习协同拦截制导律。首先,基于逃逸域覆盖理论,建立了非线性多弹协同拦截模型。其次,以视线角速率为状态,依据脱靶量构造奖励函数,通过离线训练生成强化学习智能体,并结合传统比例制导控制方法,构建基于强化学习的变导引系数制导律,实时生成实现协同拦截的制导指令。最终,通过数值仿真验证了所提算法的有效性和优越性。     

基于生成对抗近端策略优化的机动策略优化算法

针对传统强化学习算法在生成空战机动策略时存在收敛效率低、专家经验利用不足的问题,研究了基于生成对抗-近端策略优化的策略生成算法。算法采用判别器-策略-价值(DAC)网络框架,在近端策略优化(PPO)算法基础上,利用专家数据和环境交互数据训练判别器网络,并反馈调节策略网络,实现了约束策略向专家策略方向优化,提高了算法收敛效率和专家经验利用率。仿真环境为基于 JSBSim开源平台的 F-16飞机空气动力学模型。仿真结高,PPO果表明,本文算法收敛效率高于算法,生成的策略模型具备较好的智能性。