基于QAR数据的民机高高原进近着陆风险评估方法

民机高高原进近着陆是高原飞行高风险阶段。为有效实施高高原进近着陆风险识别和等级判据,提出基于熵权可变模糊识别的长短时记忆网络与深度神经网络(LSTM-DNN)相融合的深度学习风险评估方法。基于快速存取记录器(QAR)记录的高高原飞行数据,借鉴民机飞行品质监控（FOQA）咨询通告和行业QAR监控标准,结合指标重要度分析与Delphi专家调查,提取着陆时航向变化大、航迹低、610～305 m进近时下降率大、接地时垂直加速度及153～15 m进近时下降率大5个关键监控项目作为民机高高原进近着陆风险评估指标。为克服评估指标权重主观性偏差,应用熵权法确定评估指标权重,基于可变模糊识别方法构建风险等级隶属函数,建立基于LSTM-DNN的民机高高原进近着陆风险评估模型。以成都—拉萨进近着陆航段为例,提取QAR数据,对该风险评估模型进行训练与测试,并与Logistic多元回归、支持向量机(SVM)等评估方法进行比较,结果表明：所提方法平均准确率达到94.18%,最高可达94.79%,验证了方法的客观有效性。     

基于顶点与主体区域同步检测的精准车牌定位

为应对非约束环境下的车牌精定位问题,提出一种基于顶点局部区域与主体区域同步检测策略的非约束性车牌定位算法。通过删减YOLOv5网络的输出结构,训练得到可同步检测车牌及顶点区域的车牌检测网络,在兼顾精度与计算速度的前提下,实现车牌顶点和主体区域的同步定位。针对一幅图中存在多个车牌区域及顶点区域存在少量漏检和误检的情况,分别设计了车牌顶点归类和单一缺失顶点预测后处理算法,借助顶点间的空间位置关系进行漏检目标预测和误检目标排查,有效改善了因场景复杂导致的个别顶点目标检测效果差的问题。所提算法在中国城市停车场数据集(CCPD)上的测试结果显示,平均精准率达99.25%,平均召回率达98.70%。所提算法不仅能够准确预测出车牌的4个顶点坐标,而且在中端GPU硬件平台上处理速度可达121帧/s,具有较好的应用价值。     

基于多模态掩码Transformer网络的社会事件分类

多模态社会事件分类的关键是充分且准确地利用图像和文字2种模态的特征。然而,现有的大多数方法存在以下局限性：简单地将事件的图像特征和文本特征连接起来,不同模态之间存在不相关的上下文信息导致相互干扰。因此,仅仅考虑多模态数据模态间的关系是不够的,还要考虑模态之间不相关的上下文信息（即区域或单词）。为克服这些局限性,提出一种新颖的基于多模态掩码Transformer网络（MMTN）模型的社会事件分类方法。通过图-文编码网络来学习文本和图像的更好的表示。将获得的图像和文本表示输入多模态掩码Transformer网络来融合多模态信息,并通过计算多模态信息之间的相似性,对多模态信息的模态间的关系进行建模,掩盖模态之间的不相关上下文。在2个基准数据集上的大量实验表明：所提模型达到了最先进的性能。     

自注意力相似度迁移跨模态哈希网络

为进一步提升跨模态检索性能,提出自注意力相似度迁移跨模态哈希网络模型。设计了一种通道空间混合自注意力机制强化关注图像的关键信息,并使用共同注意力方法加强模态信息交互,提高特征学习质量;为在哈希空间重构相似关系,采用迁移学习的方法利用实值空间相似度引导哈希码的生成。在3个常用的数据集MIRFLICKR-25K、IAPR TC-12和MSCOCO上与深度跨模态哈希（DCMH）、成对关系引导的深度哈希（PRDH）、跨模态汉明哈希（CMHH）等优秀方法进行对比实验,结果显示哈希码长度为64 bit的条件下,所提模型在3个数据集图像检索文本任务的平均精确度均值（MAP）达到72.3%,文本检索图像任务的MAP达到70%,高于对比方法。     

基于等级状态方法的 军校本科学员学习能力评价模型

文章以等级状态方法为依托,构建军校本科学员学习能力评价指标体系,优选数据采集的方法途径,创建 数学模型,并进行实证分析,验证整套评价系统是比较客观的,具有推广应用价值。     

基于优化字典学习算法的压缩数据收集

为了提高压缩数据收集对多样化传感数据的适应能力,同时抑制环境噪声对数据收集精度的影响,提出了一种优化字典学习算法来构造压缩数据收集中的稀疏字典。理论分析表明在压缩数据收集中由环境噪声导致的数据收集误差和稀疏字典的自相干程度正相关。为此在字典学习的过程中引入了自相干惩罚项来抑制环境噪声对数据收集精度的影响。该惩罚项还能减少字典学习过程中对训练数据的过拟合,从而进一步提高了该算法的稀疏表示能力。实验表明,该算法的稀疏表示能力高于同类字典学习算法,而且能有效地抑制环境噪声对压缩数据收集精度的影响。      

基于权值分配及多特征表示的在线多示例学习跟踪

针对复杂环境下目标跟踪过程中由于遮挡、目标姿势及光照条件变化引起跟踪漂移的问题,提出一种基于多示例学习（MIL）框架的在线视觉目标跟踪算法。该算法针对多示例跟踪算法采用单一haar-like特征不能准确描述目标外观变化及在学习过程中对样本包中各正负样本示例采用相同权值,忽略不同正负样本示例在学习过程中对包的重要性不同的特点,采用多特征联合表示目标外观构造分类器,通过将多特征互补特性融入在线多示例学习过程中,利用多特征的互补属性建立准确的目标外观模型,克服在线多示例跟踪算法对目标外观变化描述不足的问题;同时,依据不同正负样本示例对样本包的重要程度进行权值分配,提高跟踪精度。实验结果表明,本文跟踪算法对场景光线剧烈变化、遮挡、尺度变化及平面旋转等干扰具有较强的跟踪鲁棒性,通过对不同视频序列进行测试,文中算法在5组测试视频序列上的平均中心位置误差远小于对比增量式学习跟踪,仅为10.14像素,其对比算法IVT、MIL和OAB的中心位置误差分别为17.99、20.29和33.64像素。