陀螺仪随机误差的渐进遗忘多新息Kalman滤波

MEMS陀螺仪由于小体积、低价格等优点在民用领域得到了广泛应用,但是由于工艺水平限制,MEMS陀螺仪测量数据中存在大量的随机误差。为了减小MEMS陀螺仪测量的随机误差、提高测量精度,提出了基于渐进遗忘多新息Kalman滤波的随机误差滤波方法。建立了MEMS陀螺仪随机误差的AR模型,在经典Kalman滤波中引入了多新息修正方法,并使用渐进遗忘因子削弱历史数据的积累干扰作用,从而给出了随机误差的渐进遗忘多新息Kalman滤波方法。同时,使用经典Kalman滤波和渐进遗忘多新息Kalman滤波对MEMS陀螺仪输出数据进行处理,并使用Allan方差分析各噪声含量,可知：渐进遗忘多新息Kalman滤波后的数据其QN噪声比经典Kalman滤波减小了2个数量级,ARW噪声减小了1个数量级,BI噪声减小了2个数量级,RRW噪声和RR噪声减小为原来的约1/5,实验结果验证了渐进遗忘多新息Kalman滤波在陀螺仪随机误差滤波中的先进性。     

基于迁移学习的暴恐图像自动识别

利用人工智能和深度学习技术自动化地分析互联网海量图片,快速、准确地识别有害的暴恐图像并及时处置是反恐工作的重要手段之一。研究了利用深度学习和迁移学习技术对暴恐图像进行分类识别。首先,定义了暴恐图像的主要概念特征,并针对性地构建数据集;其次,针对暴恐图像正样本较少的问题,设计深度神经网络模型和迁移学习方式;最后,基于构建的训练数据集进行模型训练和测试。结果显示:所提方法可以快速、准确地对互联网图片进行分类识别,平均分类准确率达到96.7%,从而有效降低人工检测的劳动强度,为反恐预警工作提供决策支持。