摘要：针对部分可观多传感器多目标协同跟踪问题,提出了一种基于潜博弈的分布式优化算法。以传感器为博弈方,选择广义Fisher信息矩阵(Generalized Fisher Information Matrix,GFIM)为跟踪收益函数,将探测和通信约束下的多传感器多目标分配问题描述为一个局部信息博弈模型,证明了该模型是一个潜博弈模型,至少存在一个可行的纯策略纳什均衡(Nash Equilibrium,NE)。为了提高计算效率,设计了一种改进并行最佳响应动态(Modified Parallel Best Response Dynamic,MPBRD)的分布式决策算法,分析了算法的复杂度。仿真结果显示,在小规模场景下,基于潜博弈的分布式优化算法能够达到集中式全枚举优化算法的跟踪性能,计算时间大大缩短。在大规模场景下,基于潜博弈的分布式优化算法具有较好的收敛性,满足大规模传感器决策的实时性需求。

摘要：为解决SAR图像目标识别中样本缺乏和方位角敏感问题,提出了一种基于DRGAN和SVM的SAR图像目标识别算法。首先,采用多尺度分形特征对SAR图像进行增强,经过分割得到目标二值图像,基于Hu二阶矩估计目标的方位角。然后对估计得到的目标方位角进行量化编码,结合原始图像作为输入,对设计的DRGAN模型参数进行训练与优化。由于DRGAN中的深度生成模型将目标姿态与外观表示进行解耦设计,故可利用该模型将SAR图像样本变换到同一方位角区间。基于变换后的训练样本分别提取归一化灰度特征,利用SVM训练分类器。采用MSTAR数据集在多个不同操作条件下对提出的算法进行测试,实验结果表明,在带变体的标准操作条件下,能够达到97.97%的分类精度,优于部分基于CNN模型的分类精度,在4种扩展操作条件下的分类精度分别为97.83%,91.77%,97.11%和97.04%,均优于传统方法的分类精度。在SAR图像目标方位角估计存在一定误差的情况下,训练得到的GAN模型作为SAR图像目标旋转估计器,能够使得在不进行复杂样本预处理的前提下,仍然取得较高的SAR图像目标识别精度。

摘要：本文基于单参数变换群理论提出了一种新的自适应滤波器的设计方法 ,并且给出了滤波器与图象卷积的算法 .参数变化后的滤波器的可以表示为事先给定的一组基本滤波器的线性组合 .这种滤波器在不同方向、尺度和位置上和图像进行卷积时 ,可以显著提高运算效率 .最后给出了一个图像边缘提取的算例 ,表明这种方法是有效的 .

摘要：给出了带有多个挠性附件的充液飞行器的动力学方程,针对此模型采用变结构控制方法设计了系统的控制器.控制任务包括操纵天线使之跟踪事先给定的运动规律,并保持星体在惯性空间稳定,同时有效地抑制附件的弹性振动.通过仿真算例验证了此控制律的有效性.

摘要：针对无人机图像背景复杂、分辨率高、目标尺度差异大等特点,提出了一种实时目标检测算法YOLOv5sm+。首先,分析了网络宽度和深度对无人机图像检测性能的影响,通过引入可增大感受野的残差空洞卷积模块来提高空间特征的利用率,基于YOLOv5s设计了一种改进的浅层网络YOLOv5sm,以提高无人机图像的检测精度。然后,设计了一种特征融合模块SCAM,通过局部特征自监督的方式提高细节信息利用率,通过多尺度特征有效融合提高了中大目标的分类精度。最后,设计了目标位置回归与分类解耦的检测头结构,进一步提高了分类精度。采用VisDrone无人机航拍数据集实验结果表明,提出的YOLOv5sm+模型对验证集测试时交并比为0.5时的平均精度均值(mAP50)达到了60.6%,相比于YOLOv5s模型mAP50提高了4.8%,超过YOLOv5m模型的精度,同时推理速度也有提升。通过在DIOR遥感数据集上的迁移实验也验证了改进模型的有效性。提出的改进模型具有虚警率低、重叠目标识别率高的特点,适合于无人机图像的目标检测任务。

摘要：单站多外辐射源雷达定位系统利用多组双基距(BR)和双基距变化率(BRR)量测值对多运动目标定位。量测偏差的存在使得定位性能下降,对此该文提出一种基于迭代后验关联最小二乘估计的联合误差校正和目标定位算法。首先引入辅助变量对BR和BRR非线性观测方程伪线性化,建立目标参数和偏差的联合估计方程。其次,利用辅助变量和目标参数之间的关系构建新的等式方程设计关联最小二乘算法,并采用后验迭代校正固定偏差进一步提高定位精度和全局收敛性。最后对算法的理论误差和全局收敛性进行了分析,仿真结果显示:所提算法具有较好的全局收敛性且目标定位性能达到克拉美罗下界。

摘要：针对一类复杂非线性系统,提出一种新型自适应快速非奇异终端滑模控制(IAFNTSMC)方法,用以解决其在输出时变约束及量化输入情形下的轨迹跟踪问题;利用鲁棒自适应方法处理扰动不确定性,并结合反演策略和终端滑模策略设计控制器;构造一种新型的时变约束障碍Lyapunov函数,用于实现对系统的输出误差进行随时间变化的幅值约束;为提高闭环系统的误差收敛速度,提出一种新型的滑模面构造方案.所提控制方法能够保证闭环系统的输出跟踪误差快速收敛到约束边界内,并确保闭环系统所有信号有界.数值仿真验证了所提方法的有效性.

摘要：目的深度学习已经大量应用于合成孔径宽达(SAR)图像目标识别领域,但大多数工作是基于MSTAR数据集的标准操作条件展开研究。当将深度学习应用于同类含变体目标时,例如T72子类,由于目标间差异小,所以仍存在着较大的挑战。本文从极大限度地保留SAR图像输入特征出发,设计一种适用于SAR变体目标识别的深度卷积神经网络结构。方法设计网络主要由多尺度空间特征提取模块和Dense Net中的稠密块、转移层构成。多尺度特征提取模块置于网络底层,通过使用尺寸分别为1×1、3×3、5×5、7×7、9×9的卷积核,提取丰富空间特征的同时保留输入图像信息。为使输入图像信息更加有效地向后传递,基于Dense Net中的稠密块和转移层进行后续网络层设计。在对训练样本进行样本扩充基础上,分析了输入图像分辨率及目标存在平移和不同噪声水平等情况对模型识别精度的影响,与用于SAR图像目标识别的深度模型识别精度在标准操作条件下进行了对比分析。结果实验结果表明,对T72 8类变体目标进行分类,设计的模型能够取得95. 48%的识别精度,在存在目标平移和不同噪声水平情况下,平均识别精度分别达到了94. 61%和86. 36%。对10类目标(包括不含变体和含变体情况)在进行数据增强的情况下进行模型训练与测试,分别达到了99. 38%和98. 81%的识别精度,略优于其他对比模型结构识别精度。结论提出的模型可以充分利用输入图像以及各卷积层输出的特征,学习目标图像的细节差异,不仅适用于SAR图像变体目标的识别任务,同时在标准操作条件下的识别任务也取得了较高的识别结果。

摘要：针对旁瓣零陷凹面约束的稀疏平面阵列优化及算法早熟等问题,该文基于参数自适应的思想,提出一种混合三角变异差分进化算法。通过引入旁瓣零陷凹面约束矩阵,构建自适应惩罚函数,时变权重组合变异策略与交叉策略,提高算法前期全局搜索能力和后期收敛能力,最终实现峰值旁瓣电平和旁瓣零陷凹面的平面阵列约束优化。仿真结果表明,对比混合三角变异策略前的算法,该算法在完成稀疏阵列峰值旁瓣电平优化的同时,能在指定旁瓣区域完成零陷凹面设计,降低有源干扰影响。

摘要：传统变结构多模型方法(VSMM)在处理高机动目标状态估计问题和大观测误差时存在因模型集合与真实模式匹配欠佳导致估计质量下降的问题.本文结合最小信息熵准则(ME)提出一种反馈式变结构多模型融合算法(MEVSMM),将在所有模型相关的在线估计信息进行反馈,进而选取状态估计分布信息熵最小的模型集作为当前有效模型集,计算多模型估计结果;结合粒子滤波算法(PF)和设计擂台赛算法(CM),构造了易于工程实现的次优算法(PF–MEVSMM).理论分析与仿真表明,与传统VSMM算法相比,本法具有模型集更精简、有效,融合估计结果鲁棒性更强、精度更高的优点.