基于全信息的正态分布型数据的线性回归分析

针对正态的分布型符号数据,提出一种新的线性回归分析方法.以体现正态的分布型数据的全部原始信息为出发点,给出正态的分布型变量的一阶矩、二阶原点矩、二阶混合原点矩的定义和计算原则.在此基础上,定义针对正态的分布型数据的线性回归模型以及残差信息的平方和,推导最小二乘回归系数.仿真实验证明了该方法所得回归模型在解释能力和预测能力上的有效性以及相对于"中心法"的优越性.给出的正态分布型变量数字特征的定义和计算原则为将其他经典的多元统计方法推广到分布型数据奠定了基础.     

一种基于共面特征点的单摄像机姿态测量方法研究

利用单摄像机采集4个共面特征点图像的方法来测量物体的相对姿态变化。系统选用IR-LED作为特征点并对其发光特性进行优化控制,利用基于双线性插值的高斯曲面拟合方法确定图像特征点的坐标,最终使用解决P4P问题的一种线性解法确定特征点坐标及位姿变化信息。进行了实物和仿真实验,并对该方法进行了不确定度分析,结果表明这种方案具有较高的准确度、实时性。     

基于特征结构配置的导弹可重构控制器设计

针对简化后的导弹姿态控制系统,运用特征结构配置法,提出了一种改进的控制系统的重构方法.根据输出反馈特征值配置原理,给出了原闭环系统特征结构的确定方法,并对可重构控制器的代价函数的确定方法进行了改进.这种算法通过输出反馈可以确保闭环系统的稳定性,同时可以解决故障前后系统阶数不一致的问题.仿真结果表明,该方法能够在保证故障后闭环系统稳定的基础上使系统性能得到最大可能的恢复.      

融合热特征的机场航站楼热成像显著人体检测模型（英文）

弱光背景下的目标检测是航站楼夜间巡检机器人的主要任务之一。然而,那些能够在计算资源有限的机器人平台运行的算法往往难以确保航站楼中人体目标的检测精度。为此,本文提出了一种融合热特征的显著人体检测模型。该模型仍然以U-Net神经网络作为基本架构,但是在解码器模块结构和模型轻量化方面重新进行了设计。一方面,在模型的解码器部分增加了由热特征分支和显著特征分支构成的融合模块,进而设计对图像高温区域更为敏感的预测损失函数,以提升算法在复杂场景下的检测精度;另一方面,通过精简编码器网络结构和控制解码器通道数的方式对模型进行了轻量化改进,以降低算法对计算资源的需求。4个数据集上的实验结果表明,本文方法既能确保较高的检测精度和很好的算法鲁棒性,又能以40 f/s以上的检测速度满足巡检机器人实时检测的需要。     

目标检测中特征不匹配问题研究进展

近年来基于深度卷积神经网络的目标检测器取得了跨越式进展,远远超过传统目标检测算法.但最新的研究表明特征不匹配问题已经成为深度目标检测器性能提升的一个瓶颈.目前在该问题的研究尚未有清晰的总结,因此本文首先对特征不匹配问题进行分析,提出特征不匹配问题的本质是由于目标检测的分类和回归任务优化目标的不一致造成,同时分析了特征不...     

飞机框肋类零件外形样板三维快速设计原理及算法

作为近年来飞机型号研制中常用的内外形控制与协调方式,飞机样板因其使用便捷、成本低廉、技术成熟等优势,在当前飞机研制中仍具有不可替代性。在当前智能化技术快速发展的数字化环境下,依赖二维图纸的样板设计技术已明显成为制约飞机研制效率和周期的重要因素,研究和开发以框肋类零件三维几何模型为基础的样板三维设计技术已成为当前航空产业的迫切需要。针对上述问题,对框肋类零件样板的一大分支--外形样板的三维快速设计原理及算法展开研究,提出钣金零件几何属性提取及外形样板三维快速设计算法,主要内容为:提出框肋类零件基础结构特征定义及提取方法,基于提取结果构建零件弯边特征并计算样板设计所需几何属性,提出外形样板轮廓计算及补加添加算法,最终实现零件外形样板三维模型生成。经由实例测试,验证此算法的可行性与有效性。     

基于图和子图同构算法的制造特征识别方法

针对传统制造特征难以快速识别的难题,提出了基于图和子图同构算法的制造特征识别方法。通过提取零件模型中的几何信息与拓扑信息,构造出加权属性邻接图,对零件模型进行精准描述,为建立制造特征库,定义了文件数据的存储结构,结合子图同构算法以及相关判定规则实现对常见制造特征的识别与匹配。以Creo软件中生成的零件模型为例,在VS2010平台中进行二次开发,最后以界面窗口形式展示识别结果,验证了该方法的有效性。     

基于语料库的大学生二语/外语作文分析述评

本文回顾了近年来国内外基于语料库的大学生二语/外语写作的实证研究成果,内容包括大学生二语/外语写作语言特征以及前人的研究对研究方法和写作教学的启迪。在此基础上,文章分析了大学生二语/外语写作领域内已取得的成绩和有待探讨的课题,从而为今后的研究指明方向。     

基于混合深度特征的红外目标抗干扰识别算法

复杂干扰条件下的红外空中目标识别技术是空战对抗领域的热点研究课题,复杂人工干扰严重遮蔽目标,导致目标特征的连续性与显著性遭到破坏,无法全面描述识别对象的特性,造成空中目标识别准确率下降。针对此问题,提出一种基于图像混合深度特征的空中目标抗干扰识别算法。首先,基于卷积神经网络进行图像深度特征的提取,将深度特征与梯度直方图(Histogram of Gradient, HOG)特征进行有效融合,构建混合深度特征。针对作战场景中的目标与干扰的对抗态势多样性,将支持向量机的二分类模型改进为三分类模型,对目标、干扰以及目标干扰粘连三种状态进行精确分类。实验结果表明：在复杂干扰环境下,基于混合深度特征的空中目标抗干扰识别算法正确率为92.29%,该算法可以有效地解决目标被干扰遮蔽、形成目标干扰粘连状态时的抗干扰识别问题。     

基于视频的行人再识别

行人再识别是指在无交叉区域的多摄像机视频监控系统中,匹配不同摄像机中的相同行人目标。本文提出了一种基于视频的行人再识别方法,用HOG3D来描述一组视频的时空特征,在训练集上用预训练的DenseNet来微调模型参数,利用迁移学习得到的模型来提取视频中行人的表观特征,融合两种特征来描述视频序列中的行人。最后将融合的高维特征降维,并用度量学习方法计算行人对之间的距离。本文在PRID 2011和iLIDS-VID这两个视频数据集上进行了使用,实验结果表明本文的方法取得了较高的累积匹配得分。