摘要：现代战场环境的日益复杂化和激烈化,多约束条件下制导律的设计成为研究热点.本文首先介绍了末端制导律的研究背景和研究意义,概述了由于环境的复杂,目标的高机动性,及飞行器运动的非线性、强耦合性和多时变性性等因素带来制导律设计上的困难.然后对具有多终端约束条件下末端制导律的设计方法进行分类,将其分为单终端约束制导律和多终端约束制导律,并对具有终端角度、弹着时间、和终端速度的某一种或几种约束的制导律方法进行归纳总结.最后对下面4种末端制导律的发展趋势进行了展望:三维制导律、制导控制一体化、多飞行器协同制导和多模复合末制导.

摘要：高铁接触网安全监测的主要方法是采用可见光高清相机捕捉接触网零部件的图像序列,通过图像处理和计算机视觉技术实现对零部件的检测、识别与跟踪.在整个监测系统中,定位器检测识别是必要的基础工作.传统的目标检测算法受限于特征描述子的设计,难以依靠人工设计出具有通用性、鲁棒性、高精度的特征描述子.于是提出基于Faster R-CNN模型实现高精度的接触网定位器检测,同时采用Hough变换检测出定位器的骨架轮廓,并通过滤线机制筛选出定位器的最优拟合直线段,为定位器坡度的非接触式精准测量做好基础性工作.

摘要：目的大数据环境下的多视角聚类是一个非常有价值且极具挑战性的问题。现有的适合大规模多视角数据聚类的方法虽然在一定程度上能够克服由于目标函数非凸性导致的局部最小值,但是缺乏对异常点鲁棒性的考虑,且在样本选择过程中忽略了视角多样性。针对以上问题,提出一种基于自步学习的鲁棒多样性多视角聚类模型(RD-MSPL)。方法 1)通过在目标函数中引入结构稀疏范数L2,1来建模异常点;2)通过在自步正则项中对样本权值矩阵施加反结构稀疏约束来增加在多个视角下所选择样本的多样性。结果在Extended Yale B、Notting-Hill、COIL-20和Scene15公开数据集上的实验结果表明:1)在4个数据集上,所提出的RD-MSPL均优于现有的2个最相关多视角聚类方法。与鲁棒多视角聚类方法(RMKMC)相比,聚类准确率分别提升4. 9%,4. 8%,3. 3%和1. 3%;与MSPL相比,准确率分别提升7. 9%,4. 2%,7. 1%和6. 5%。2)通过自对比实验,证实了所提模型考虑鲁棒性和样本多样性的有效性;3)与单视角以及多个视角简单拼接的实验对比表明,RD-MSPL能够更有效地探索视角之间关联关系。结论本文提出一种基于自步学习的鲁棒多样性多视角聚类模型,并针对该模型设计了一种高效求解算法。所提方法能够有效克服异常点对聚类性能的影响,在聚类过程中逐步加入不同视角下的多样性样本,在避免局部最小值的同时,能更好地获取不同视角的互补信息。实验结果表明,本文方法优于现有的相关方法。