基于双重分类深度学习的低空目标自动检测方法

由于图像数量多,因此准确、高效的目标检测是提升靶场光测图像处理自动化程度的关键步骤.针对低空目标图像及目标类型多、目标特性变化等情况导致传统目标检测算法适应性差的问题,提出了一种基于双重分类深度学习的低空目标自动检测方法.该方法基于深度学习目标检测框架YOLO V3,根据低空目标的亮度和形状的双重属性特征,将网络输出层...     

基于多种空间信息的高光谱遥感图像分类方法

在高光谱遥感图像分类方法中,空间特征和光谱特征的融合可以有效地改善分类效果。针对单一空间特征的信息表达不充分问题,提出了一种联合多种空间特征的高光谱图像空谱分类方法。利用超像素信息对分类结果进行后处理去掉椒盐噪声,并创造性地将超像素信息应用于分类前处理,提出了一种利用超像素信息对像素点的特征向量进行线性加权融合的方法。试验结果表明,所提方法的性能优于目前的通常方法。     

基于支持向量机的机场智能驱鸟决策

为提高机场鸟击防范管理水平,实现探鸟雷达与多种驱鸟设备联动,提出一种基于支持向量机（SVM）的机场智能驱鸟决策方法。该方法包括训练和测试两部分。训练部分利用机场鸟类探测预警与驱赶联动系统获取的大量历史鸟情信息,结合专家知识,通过数据预处理与支持向量机训练,建立驱鸟策略分类模型;测试部分根据驱鸟实时智能决策结果,对驱鸟策略分类模型进行持续修正与优化。通过某机场的实测鸟情信息数据与若干驱鸟实例,证明驱鸟策略分类模型具有较高的决策正确率,并能够通过自身修正与优化应对各种新问题。本文方法针对实时鸟情信息,实现了多种驱鸟设备的优化组合,克服了驱鸟设备长期重复运行造成的鸟类对驱鸟设备的耐受性问题,极大改善了驱鸟效果。      

核空间聚类在图像纹理分类中的简化算法

模糊c均值聚类已广泛应用于模糊模式识别领域,但对于线性不可分数据并不适用.在核方法中通过将输入数据经过非线性映射投影到高维特征空间来解决非线性分类的问题.将传统的模糊c均值聚类算法应用于核空间中,对线性不可分的样本进行了核空间聚类的分类实验,得到了正确的分类结果.由于图像分类中分类样本(对应图像像素)数目庞大,造成了核空间聚类算法中特征距离的计算量过大.因此,在核空间聚类的基础上,提出了对图像先进行过分割,再对过分割的图像块进行核空间聚类的方法,大大降低了高维空间特征距离计算的运算成本,并取得了良好的分类效果.      

基于微多普勒的空间锥体目标微动分类

空间锥体目标在飞行时存在多种微动,具体可分为章动、进动及自旋,准确获取目标微动形式是弹道目标微动及结构参数估算的前提。首先分析了3种微动形式下锥体目标锥顶及锥底滑动型散射源微多普勒及其频谱分布特性,发现自旋锥体目标散射源微多普勒为0 Hz,章动锥体目标任意散射源微多普勒谱的峰值非等间距分布,进动锥体目标任意散射源微多普勒谱的峰值等间距分布。据此提出利用微多普勒阈值识别自旋、利用微多普勒谱峰值是否等间距分布识别章动和进动的分类方法。最后通过仿真说明了本文分类方法的有效性,可为空间锥体目标微动分类提供一定的参考。     

基于朴素贝叶斯K近邻的快速图像分类算法

朴素贝叶斯最近邻(NBNN)分类算法具有非特征量化和图像-类别度量方式的优点,但算法运行速度较慢,分类正确率较低.针对此问题,提出一种朴素贝叶斯K近邻分类算法,基于快速近似最近邻(FLANN)搜索特征的K近邻用于分类决策并去除背景信息对分类性能的影响;为了进一步提高算法的运行速度及减少算法的内存开销,采用特征选择的方式分别减少测试图像和训练图像集的特征数目,并尝试同时减少测试图像和训练图像集中的特征数目平衡分类正确率与分类时间之间的矛盾.该算法保留了原始NBNN算法的优点,无需参数学习的过程,实验结果验证了算法的正确性和有效性.     

机场道面承载力对大型运输机ACN及胎压的要求

为了使未来的大型运输机尽量与我国现有机场道面能达到的承载力相适应,在调查大量机场道面结构类型、结构层厚度、道面承载强度、所受过的最大胎压的基础上,根据机场道面超载使用的相关规定,从尽量减少机场改造的角度,对未来大型运输机的ACN(Aircraft Classification Number)及胎压提出了建议值.建立了足尺9块道面板三维有限元分析模型,对大型运输机采用建议值以单轮、IL-76飞机以及C-5运输机等不同起落架构型作用下的道面结构响应进行了求解.为了达到尽量少改造现有机场的目的,未来大型运输机的ACN在16.1~24.2之间取值以及胎压不高于0.80 MPa比较合理,现有机场道面承载力可保障其在50%以上的机场上正常起降.      

浅析航空公司索赔管理体系的搭建

分析了航空公司索赔开展的依据、索赔工作的内容和索赔工作存在的短板,借鉴成熟的安全管理体系要素,探讨搭建索赔管理体系,以供同行参考。     

一种基于指数损失函数的多类分类AdaBoost算法及其应用

 提出一种新的多类分类AdaBoost算法——使用多类分类指数损失函数的前向逐步叠加模型FSAMME（forward stagewise additive modeling using a multi class exponential loss function）。该算法是基于原始的两类分类AdaBoost算法归结为使用两类分类指数损失函数的前向逐步叠加模型的统计学观点,将两类分类的前向逐步叠加模型自然扩展到多类分类情况下得到的,并采用多类指数损失函数和前向逐步叠加模型对FSAMME进行了详细的理论证明。该算法大大降低对弱分类器的精度要求,只需每个弱分类器的精度比随机猜测好;算法简单明了,不用把多类问题转化为多个两类问题,而是直接求解多类分类问题,大大减小计算复杂度和计算量。通过对基准数据库的测试分类及航空发动机故障样本的诊断,结果表明:FSAMME算法一方面可达到较高的分类诊断准确率,其准确率明显高于AdaBoost.M1,略高于AdaBoost.MH;另一方面可大大减小计算成本,满足在线快速分类诊断的要求。