DR/GPS组合导航系统滤波技术研究

陆用航位推算系统（DR）的精度主要受到里程系数和航向误差的制约,其误差模型本质具有非线性,因此采用非线性滤波算法能显著提高里程系数和航向误差的估计精度。本文将粒子滤波应用到航位推算（DR）/GPS组合导航系统数据融合过程中,对航位推算 (DR) 与GPS组合导航系统中的里程系数误差和航向误差进行辨识估计,并对里程系数和航向进行修正。粒子滤波存在的主要问题是粒子的退化现象严重,本文将量子粒子群优化 (PSO) 算法与粒子滤波相结合,提出了量子PSO粒子滤波算法,该算法采用量子位对粒子进行编码,引入量子旋转门与变异操作保持了粒子集的多样性,通过量子PSO搜索寻优重新分配粒子,使粒子集有效地逼近真实的后验概率分布,从而有效地减轻了退化现象,提高了粒子滤波的精度。跑车实验结果表明,该算法有效地抑制了DR导航系统误差的增长,提高了组合导航系统的定位精度。     

MEMS惯性鞋式行人导航系统

本文以微机械系统（Micro-Electro-Mechanical System,MEMS）惯性器件为测量单元,搭建行人导航硬件系统并进行系统软件设计,硬件系统选用STM32F405作为核心处理器。通过分析行人脚步运动特点,设计零速修正行人导航算法,通过零速修正卡尔曼滤波器单一条件和三条件的零速检测方法进行导航姿态、速度和位置误差评估,并进行鞋式导航实物实验验证。实验结果表明,所设计的鞋式行人导航算法行之有效,并为行人导航系统实际应用指明了研究方向。     

基于惯性递推原理的行人自主定位方法综述及展望

在室内环境或者卫星信号遮挡环境下,如何实现单兵或者行人的自主定位是目前研究的热点问题.其中,基于惯性递推原理的行人自主定位方法由于无需提前布设基础设施,且具有体积小、成本低、完全自主、不受干扰、实时性高等特点,因此具有广泛的研究价值和意义.本文围绕基于惯性递推原理的行人自主定位方法展开介绍,针对动态步态分析、零速区间检...     

基于多样性约束和离散度分层聚类的无监督视频行人重识别

视频行人重识别是一项应用非常广的计算机视觉任务。目前的视频行人重识别方法通常是基于监督学习的,该方法需要手工标记大量的数据,代价非常高且并不适用于现实场景。本文提出了一种从底向上的基于多样性约束和离散度分层聚类的无监督视频行人重识别方法。该方法首先将每个样本当作是一个不同的类,然后结合类内间离散度进行从底向上的分层聚类,类间和类内离散度都小的类别将被优先合并,同时在聚类准则中加入一项多样性约束来平衡每类中的样本数量,最后,利用线性变化的特征存储器动态更新模型。在Mars和DukeMTMC-VideoReID两个大型视频数据集上的实验结果表明,相比于目前先进的无监督视频行人重识别方法,本文方法在性能上有一定的提升。     

基于跨尺度特征聚合网络的多尺度行人检测

行人的空间尺度差异是影响行人检测性能的主要瓶颈之一。针对这一问题,提出了跨尺度特征聚合网络（TS-FAN）有效检测多尺度行人。首先,鉴于不同尺度空间呈现出的特征差异性,引入一种基于多路径区域建议网络（RPN）的尺度补偿策略,其在多尺度卷积特征层上自适应地生成一系列与其感受野大小相对应的候选目标尺度集。其次,考虑到不同层次卷积特征在视觉语义上的互补性,提出了跨尺度特征聚合网络模块,其通过横向连接、自上而下路径和由底向上路径,有效地聚合具有语义鲁棒性的高层特征和具有精确定位信息的低层特征,实现对卷积层特征的增强表示。最后,联合多路径RPN尺度补偿策略和跨尺度特征聚合网络模块,构建了一种尺度自适应感知的多尺度行人检测网络。实验结果表明,所提方法与当前一流的行人检测方法TLL-TFA相比,在整个Caltech公开测试数据集上（All:行人高度大于20像素）的行人漏检率降低到26.21%（提高了11.94%）,尤其对于Caltech小尺寸行人子数据集上（Far:行人高度在20~30像素之间）的行人漏检率降低到47.30%（提高了12.79%）,同时在尺度变化剧烈的ETH数据集上的效果也取得显著提升。      

反舰导弹航路规划的递推算法

为了减小武器系统的作战反应时间,针对具有航路规划功能的反舰导弹,总结了导弹进行航路规划所需满足的约束条件,提出一种信息处理量小、计算迅速的无威胁规避航路规划算法——递推算法。递推算法秉承导弹按预定攻击方向攻击目标所需导航点最少的原则,根据一定的假设条件,由目标位置开始,按攻击方向的反方向,依据平面几何理论,依次递推得到所有导航点位置,以及导弹在各导航点的转弯角度,直至发射点。仿真数据表明,由该算法得到的参考航路,相对较短且便于工程实现。     

宇宙中有多少颗恒星？

宇宙中的恒星数量是根据银河系的恒星数量推算出来的。     

基于过程神经网络的液体火箭发动机状态预测

提出一种基于极限学习算法的离散过程神经网络模型,用于解决液体火箭发动机状态预测这一难题。首先,在历史数据的基础上建立离散过程神经网络（DPNN）预测模型;然后,根据在线更新的数据样本,采用递推极限学习（EL）算法对双并联前馈离散过程神经网络（DPFDPNN）隐层到输出层的权值进行更新,并应用权值更新后的过程神经网络对发动机状态进行预测;最后,以液体火箭发动机状态预测中氢涡轮泵扬程预测为例,分别采用有权值更新和无权值更新两种预测模型进行了试验。结果表明,通过更新过程神经网络权值可以使模型具有更高的预测精度和更好的适应能力,该方法能够为液体火箭发动机状态预测提供一种有效的解决途径。      

两轴稳定平台的过顶盲区问题

过顶盲区问题是目标在导弹的小离轴角附近区域运动时,由于框架角速率限制产生的稳定平台不能正常跟踪目标机动的一种现象.根据光电探测系统成像的几何关系,分别对直角坐标框架和极坐标框架稳定平台的目标成像关系进行了分析,进而给出极坐标框架稳定平台的过顶盲区的数学描述,并对这种盲区的成因进行了分析.结合三种情况的目标机动速度,在Matlab的Simulink环境下对极坐标框架稳定平台的过顶盲区现象进行了仿真.最后,基于分区域变参数的PID控制方法,给出了目标在过顶盲区内作垂直向上机动时的一种控制方案,并与普通PID控制进行了对比仿真研究.实际仿真结果表明,通过数学分析得到的极坐标框架稳定平台的过顶盲区模型与实际情况相符合,并且基于分区域变参数的PID控制方法能够改善极坐标框架稳定平台的跟踪特性.      

基于渐进式注意力和分块遮挡的跨域行人重识别

针对跨域行人重识别中遮挡造成特征匹配缺失及细粒度辨识性特征被忽略的问题，提出了基于渐进式注意力和分块遮挡的跨域行人重识别方法。该方法通过学习行人未遮挡区域的多粒度辨别性特征，实现空间不对齐下的特征匹配。渐进式注意力模块将特征逐步分割为多个局部块，依次学习每块的辨别性特征，由粗到细地感知前景信息，从而解决目前网络不能提取多层次辨识性特征的问题，增强了特征的匹配能力；渐进式分块遮挡模块很好地适应模型逐步变强的学习能力特性，通过由易到难地生成遮挡数据，有效提取了未遮挡区域的辨识性特征，进而解决模型错误识别遮挡样本的问题，使得所提模型在遮挡情况下的鲁棒性得到有效提高。实验结果表明：所提方法在首位命中率和平均精确度2个指标上与当前主流方法相比具有显著的优越性；与2020年CVPR会议中QAConv行人重识别方法相比，在DukeMTMC-reID数据集(MSMT17→DukeMTMCreID)上的2个指标分别高出2.3%和6.2%，能够更加有效地实现跨域行人重识别，在OccludedDuke数据集(DukeMTMC-reID→Occluded-Duke)上的2个指标分别达到49.5%和39.0%，...