数据挖掘在无人船舶目标图像识别中的应用

为了缩短无人船舶目标图像的识别时间,提高目标图像的质量,提出了数据挖掘在无人船舶目标图像识别中的应用。利用数据挖掘技术确定无人船舶目标图像的阈值,根据目标图像的阈值误差分割了目标图像,采用图像边缘点提取公式将图像边缘点连接成线,提取出目标图像的外轮廓,完成无人船舶目标图像的预处理;通过目标图像识别算法的改进设计,得到了目标图像的识别流程,实现了数据挖掘在无人船舶目标图像的识别中的应用研究。仿真实验结果表明,数据挖掘在无人船舶目标图像识别方法与基于航拍技术的目标图像识别方法相比,目标图像的识别时间缩短了35.1%。     

基于频域滤波的噪声识别去噪算法

在频域滤波的基础上,对图像的高频部分进行噪声识别,区分边缘与噪声,进而通过改进的空间滤波算法实施去噪,使图像边缘细节部分得到保护,再将处理后的高频图像与其对应的低频图像进行融合,以获得完整的高质量图像.实验结果表明通过新算法处理后的图像可以达到较好的降噪效果.     

基于拓扑识别的舰船电力系统自适应保护策略

舰船电力系统使命的特殊性及系统配置的独特性使其继电保护策略与陆地电力系统有所不同.随着系统容量和网络结构的不断发展,以离线整定为特征的传统三段式电流保护已不能满足保护要求.通过分析舰船电力系统保护的特点和需求,提出基于拓扑识别的自适应保护策略,能根据系统网络拓扑结构自动在线调整保护整定值.典型实例的分析结果验证了其在改善保护性能方面的可行性及有效性.     

基于条件熵约简和粗糙集规则匹配的反辐射无人机作战目标威胁识别

文章采用粗糙集的方法来处理威胁识别中的不确定、未知信息,利用条件熵度量威胁识别属性的重要程度,并提出了一种新的规则匹配方法识别威胁等级。通过实例分析与对比,证明此方法能够为反辐射无人机作战目标威胁等级的判断提供了一种可行的途径。     

条形码在港口单证部门的应用

集装箱的进出口涉及大量单证,如装箱单、设备交接单、站场收据单和预约单等。随着港口箱量的不断增多,港口单证部门（如单证中心）和检查桥处理的单证数量大大增加。如何准确有效地输入单证信息并妥善管理这些单证是现代化港口面临的新课题,而条形码技术和无线射频识别技术的不断进步及应用无疑为单证的现代化管理提供了极大的便利。     

虹膜识别技术的应用与发展

虹膜识别技术是一种生物特征识别技术,本文在分析其研究现状、识别流程的基础上,简单的介绍了虹膜图像的采集、虹膜定位、归一化与增强、虹膜编码、比较与判决等主要内容。     

基于行为识别的智能车纵向决策研究

针对智能车纵向决策问题,提出基于环境车辆偏离车道程度识别运动模式的方法;构建动态环境车辆横纵向轨迹预测模型,并求解;构建保持、先行、避让在内的决策集,提出基于预测轨迹的单个车辆决策方法,并基于所有动态环境车辆的决策结果在加速、减速和匀速3 种结果中做出综合决策. 实车实验表明：在直行、换道和转弯运动模式下轨迹预测平均误差分别为0.11,0.29,0.80 m,预测精度较高;复杂动态环境下,本文提供的纵向决策信息提升了智能车行驶的安全性和舒适性.     

基于轻量级卷积神经网络的烟雾识别算法

由于烟雾图像场景模糊不清,背景复杂多变,难以捕获到有效特征,导致算法识别误报率和漏报率较高;此外,深度卷积神经网络结构复杂,参数繁多,难以缩短其计算时间至1 ms内,这成为实时火灾预警的一大难题. 为了解决上述问题,提出了一种基于4种Inception结构的轻量级卷积神经网络SInception （sequeeze-and-excitation inception）在此基础上加入SE Block （sequeeze-and-excitation block）用于对烟雾特征进行重新分配;同时,为了避免由于训练样本不足引起的过拟合,原始数据集上采用数据增强技术以及生成对抗网络生成更多训练样本,并在后续实验中采用了融合暗通道先验特征的策略. 实验结果表明:该网络在增强的数据集GAN-Aug-YUAN上将识别误报率降为0的同时将准确率提升至99.65%,且计算时间减少到0.26 ms.      

智能网联环境下单交叉口车辆轨迹优化

为了提高信号灯前车辆的通行效率,改善交通流整体运行水平,本文从减少车辆延误和降低燃油消耗两个角度入手,在智能网联环境下,提出了一种车辆编组识别算法和针对编组头车的多目标线性轨迹优化模型(MOLP-pl)。首先对智能驾驶员跟驰模型（IDM）进行改进,调整车辆状态,减少车辆随机到达状态下车辆速度和车头时距分布的差异,同时为后续MOLP-pl轨迹优化模型的运行提供先决条件。在此基础上,以车辆编组为优化单元,通过车辆编组识别算法识别编组头车和跟随车辆,将编组头车的行驶轨迹作为优化对象并建立相应的数学模型。为了提高车辆轨迹优化模型的求解效率和精度,对其进行线性化重构,采用线性求解器计算编组头车加速度,构建编组头车最佳时空轨迹,然后,利用IDM跟驰模型计算跟随车辆的行驶速度,从而使编组车辆最大效率的通过交叉口。最后,利用SUMO构建的仿真实验表明：本研究提出的车辆轨迹优化算法可显著提高信号灯前车辆的通行效率,在三种不同的交通饱和度条件下,相对于无速度引导场景,车辆延误分别降低了8.56%、12.42%、64.79%,燃油消耗分别降低了17.21%、18.34%、12.64%;相对于逻辑控制场景,延...     

基于3D CNN的道路视频交通状态自动识别

为了从视频直接有效地提取交通信息,提出了基于三维卷积神经网络 （3D convolutional neural networks,3D CNN）的交通状态识别方法.首先,以C3D （convolutional 3D）深度卷积网络为3D CNN原型,对卷积层数量与位置、平面卷积尺寸及三维卷积深度进行优化调整,形成了37个备选模型;其次,建立了视频数据集,对备选模型进行系统的训练测试,提出了交通状态识别模型C3D*;然后,对C3D* 和现有三维卷积网络模型进行视频交通状态识别测试分析;最后,对比测试了C3D* 及常用二维卷积网络的交通状态识别效果. 对比结果显示:针对视频交通状态识别,C3D* 的F均值为91.32%,比C3D、R3D （region convolutional 3D network）、R (2+1) D （resnets adopting 2D spatial convolution and a 1D temporal convolution）分别高12.24%、26.72%、28.02%;与LeNet、AlexNet、GoogleNet、VGG16的图像识别结果相比,C3D* 的F均值分别高32.61%、69.91%、50.11%、69.17%.