基于类脑模型与深度神经网络的目标检测与跟踪技术研究

目标检测与跟踪技术广泛应用于交通、医疗、安保和航天等领域.目前,目标检测与跟踪技术面临目标微弱、背景复杂、目标被遮挡等挑战.同时,随着脑科学研究的不断深入,人们对人脑视觉系统的理解逐渐透彻,利用类脑计算解决复杂背景下高精度目标检测与跟踪问题成为相关领域的重要研究方向.本文结合神经工程导向的类脑模型和计算机工程导向的深度神经网络(Deep Neural Networks, DNNs),提出多种基于类脑模型与深度神经网络的目标检测与跟踪算法,包括：基于演算侧抑制的目标检测算法,基于结构 对比度(Structure Contrast, SC)视觉注意模型的弱小目标检测算法和基于记忆机制与分层卷积特征的目标跟踪算法.实验结果表明,将类脑模型和深度神经网络应用于目标检测和跟踪领域,有利于实现复杂条件下的高精度目标检测和鲁棒性目标跟踪.     

肼类动态标准气体发生装置的设计

研制了用于制取肼类标准气体的动态配气装置。该装置通过精密控制的蠕动泵连续不断地注射一定量的肼类液体 ,同时以加热的高纯氮气作为载气 ,在动态中混合均匀后得到一定体积分数的肼类标准气体。结果显示 ,在载气温度、载气流量以及环境温度一定的条件下 ,通过控制进给流量可制备体积分数为 (0 .1～ 10 0 )× 10 -6的肼类标准气体     

类X-37B升力体再入飞行通信特性中断研究

针对再入非平衡等离子流场的数值仿真方法及等离子体鞘套对不同波段电磁波传输特性的预测开展研究。首先,利用某工程钝头体飞行器再入实测通信飞行测量数据,初步校验数值仿真等离子体特性和通信特性方法的正确性;其次,在典型弹道下针对升力体再入飞行器开展等离子体鞘套数值仿真,分别给出S波段、Ka波段与K波段电磁波衰减特性,研究指出结合当前国内中继星体制情况采用高频段电磁波Ka波段或K波段中继通信方式是解决通信黑障的技术途径之一;最后,研究了电磁波数衰减受传播方向角和攻角的影响规律。研究结果可为发展解决我国再入飞行器通信黑障的设计方案提供参考。     

基于聚类的航天器多余物粒径特征识别方法

针对焊锡粒多余物粒径特征识别过程中,粒径区分度不足和粒径特征参数类间交叉对分类准确率的不利影响,提出基于聚类的高精密航天器多余物粒径特征识别方法.从信号时域与频域分析技术出发,选取多个特征参数构建多余物粒径初始特征参数向量;采用Fisher比量化各个特征参数对粒径的区分能力并削除贡献率较低的特征参数,从而构建最终多余物...     

基于粒子群聚类算法的雷达信号分选

在电子对抗领域,雷达信号分选的研究是一个重要课题。电子战的信号环境日趋复杂,雷达信号的处理面临高密度信号环境,雷达脉冲相互交错。对粒子群聚类算法进行了研究分析,把粒子群聚类算法应用到雷达分选中,仿真实验证明该方法能够得到很好的雷达信号分选效果,为雷达信号分选提供了新思路。     

基于神经网络的BTT导弹逆控制方案设计

对基于神经网络的倾斜转弯(BTT)导弹逆控制进行了研究。用径向基函数(RBF)神经网络结构和最近邻聚类算法,对导弹系统逆动力学系统进行动态模型辨识,以辨识模型为控制器与BTT导弹控制系统串联构成动态伪线性系统;用逆系统法设计了一种用于BTT导弹非线性控制的经典控制与神经网络在线自学习综合控制方案,实现了导弹三通道的线性化控制和输出的渐近无差跟踪。仿真结果表明:该方案可根据设计指标要求实现对BTT导弹的非线性控制,且有较强的鲁棒性。     

刚体姿态估计的类Rodrigues参数算法研究

针对Rodrigues参数描述刚体姿态运动时的缺陷,提出了一种类Rodrigues参数的姿态估计算法,从定义上避免了Rodrigues参数和修正Rodrigues参数在π-,-π,2π,-2π时的奇异。推导了类Rodrigues参数描述的姿态运动学微分方程,给出了坐标变换的类Rodrigues参数描述,讨论了类Rodr...     

基于SPWD多载波频率估计算法的改进

针对目前提出的多载波估计算法存在的速度与精度的问题,基于模糊控制理论,改进和完善了多载波信号载频估计算法.通过对多载波时隙ALOHA网络真实卫星信号的载频频点提取,验证了该改进算法的时效性.     

一种双模互锁的容软错误静态锁存器

针对太空环境下粒子辐射引发的软错误已经成为芯片失效的主导原因,提出一种容软错误锁存器结构——DIL\|SET。该结构在内部构建基于C单元的双模互锁结构,针对单事件翻转进行防护。ISCAS\|89标准电路在UMC 018μm工艺下的实验表明,使用DIL\|SET代替未经加固的静态锁存器,面积开销增加499%～5347%,软错误率平均下降99%以上。
     

结合邻域聚类分割的高光谱图像异常检测支持向量数据描述方法

支持向量数据描述方法在高光谱图像小异常目标检测中具有较好的检测性能,但是待检异常的几何形状受到约束和背景的选择具有盲目性影响检测效果,且检测需要对整幅图像进行遍历导致计算量大。提出邻域聚类分割和支持向量数据描述相结合的异常检测方法,首先利用邻域聚类方法分割图像,将几何尺寸小的分割块作为潜在异常目标;其次选择与潜在异常的形状和大小相适应的背景窗进行背景像元收集;最后采用SVDD方法从潜在异常中快速且准确地检测出异常目标。对HYMAP图像的实验结果表明,该算法提高了复杂地物背景下异常的检测性能,降低了SVDD用于高光谱图像异常检测的计算量。