海战场环境中基于射线的碰撞检测算法研究

在海战场环境中,运动的物体之间可能会发生碰撞,文章针对海战场环境中各种运动物体的特点,提出不同类型包围盒的选择原则;针对物体的运动状态,采用基于射线的相交测试方法,提高碰撞检测的效率。     

基于神经网络的磁性目标磁矩反演方法

针对磁性目标定位中的磁矩反演问题,提出一种基于神经网络的磁矩反演技术。首先,基于最小二乘原理,建立了磁性目标磁矩反演模型;其次采用Hopfield网络进行了优化求解,并针对模型求解过程中鲁棒性差的弊端,对网络进化策略进行了自适应修正;最后设计了仿真实验对其有效性进行了检验,仿真结果表明利用修正后的网络求解磁矩反演问题结果令人满意,具有一定的实用性。     

临时对象内存管理算法的研究

传统的内存管理方式在分配与释放临时对象的内存时存在一些局限。本文提出了一种新的应用于临时对象的内存管理算法，该算法内存分配和释放的速度都很快。时间需求十分固定，同时还避免了内存碎片的产生。     

多帧速度场估计方法及在交通视频监测中的应用

基于速度场的运动估计方法是进行运动物体分割的有效途径,提出了一种视频图像处理中基于多帧速度场的运动物体分割方法,针对简单速度场运动物体分割方法的不足,提出对多帧速度场图像提取的运动物体信息相融合的方法。试验结果证明:用此方法提取的运动物体核心点更完备,提高了运动物体分割的准确性。该方法在智能交通、视频监控系统中都有广泛应用。     

预防性维修最佳维修周期决策

综合考虑预防性维修最小费用准则和最大可用度准则,利用多目标规划法优化模型,并利用实例进行验证,证实了这种方法的可行性。     

Thompson变换－FDTD方法模拟不规则形体的电磁散射问题

三角形由于尖锐的角点，半环形由于既有凹面又有角点，它们都给传统的ＦＤＴＤ数值求解造成了一定的困难。这是因为要获得较高的精度，必须细分网格，从而增加内存需求和计算时间。同时三角形柱和半环柱对Ｔｈｏｍｐｓｏｎ－ＦＤＴＤ方法来说也是“坏”的形状，它使得Ｔｈｏｍｐｓｏｎ变换的精度有所下降。本文通过模拟这两种典型的不利形体的散射问题，进一步验证了Ｔｈｏｍｐｓｏｎ－ＦＤＴＤ法对散射体几何形状变化具有较强的适应能力     

地下建筑物的扬压力计算

扬压力是影响建筑物特别是地下建筑物稳定的重要荷载。对于土基上的扬压力计算,传统算法是把建筑物基底面看作是扬压力的作用面,不考虑土体颗粒同基底面相接触而造成的扬压力的减小。对于黏性土地基,可以引入平面有效空隙率的概念,这样计算的基底扬压力值比常规算法的结果要小,从而可以在安全的前提下有效地节约工程投资。     

高校废弃物回收物流现状分析及对策研究

文章从回收物流的概念入手,探讨了高校废弃物回收物流的特点,分析了高校废弃物回收物流的现状,提出了发展高校废弃物回收物流的对策。     

一种基于物影匹配算法的道路小目标跟踪方法

针对复杂道路环境下小目标抛洒物难以被检测与跟踪，且落地静止像素易被纳入背景而导致目标丢失等问题，本文提出一种基于物影匹配算法(OSMA)的道路小目标跟踪方法来解决上述问题。首先，采用混合高斯模型对背景进行建模以此获取前景图像，对前景图像采用膨胀、腐蚀等形态学处理；其次，根据道路抛洒物移动时在前景产生独立的物与影双轮廓特征，进行连续帧前景轮廓的物影匹配，并将连续的匹配结果定为疑似抛洒物；最后，采用多帧质心偏移法判断疑似抛洒物是否处于静止状态，并对运动状态中的疑似抛洒物进行位置判定与帧间轮廓匹配，从而实现抛洒物的逐帧跟踪。基于大量实验表明：本文所提出的OSMA与核化相关滤波器(KCF)、辨别尺度空间跟踪器(DSST)、背景感知相关滤波器(BACF)、深度注意力跟踪器(DAT)、视觉跟踪时空变换器(SATRK)等跟踪器相比，准确性更优越，可较好解决道路复杂场景下各类抛洒物的跟踪问题；复杂背景、快速旋转的小目标场景中跟踪表现优异，具有良好的跟踪尺度，实时性满足预期要求。     

Classification of underwater still objects based on multi-field features and SVM

A Support Vector Machine is used as a classifier to the automatic detection and recognition of underwater still objects. Discrimination between the objects can be transferred into different projection spaces by the process of multi-field feature extraction. The multi-field feature vector includes time-domain, spectral, time-frequency distribution and bi-spectral features. Underwater target recognition can be considered as a problem of small sample recognition. SVM algorithm is appropriate to this kind of problems because of its outstanding generalizability. The SVM is contrasted with a Gaussian classifier and a k-nearest classifier in some experiments using real data of lake or sea trial. The experimental results indicate that SVM is better than the others two.