红外烟幕干扰多威胁目标研究

在当前威胁环境下,传统红外烟幕干扰理论无法有效指导水面舰艇干扰来袭红外成像导弹流;为分析传统发射理论的不足并寻求恰当的红外烟幕发射时机,制定合理的红外干扰弹补发决策,必须对红外烟幕干扰多威胁目标进行研究;在建模分析的基础上,结合仿真实例得出了特定态势下的红外烟幕干扰多威胁目标发射时机和补发需求结论;对红外烟幕干扰弹的发射决策制定和节约既定弹药具有较大现实意义.     

基于灰色关联分析的舰船目标分类识别

对舰船目标辐射噪声进行分析,提取其特征组成特征向量,基于灰色系统理论中的灰色关联分析方法,以灰色关联度为基本依据,能够明显区分不同类型和不同航速的舰船目标。     

不完备目标信息系统中的可变精度粗糙集模型

文中以同时具有缺席型和遗漏型未知属性值的不完备目标信息系统为研究对象,根据特征关系,研究可变精度粗糙集的模型及其性质．可变精度粗糙集模型与原始的粗糙集模型不同,它是建立在集合多数包含的基础上的,因而该模型是基于特征关系的经典粗糙集模型的推广形式,而基于特征关系的经典粗糙集模型则是可变精度粗糙集模型的一种特殊表现形式．文中对新模型的主要性质作了阐述和证明,结果表明：在不完备目标信息系统中,新模型与原始的粗糙集模型相比具有更高的近似精度,可进行更为精确的度量．     

水下自主作业系统轨迹跟踪与动力定位

论述了一种水下自主作业系统的轨迹跟踪和动力定位控制算法.该系统由一个水下智能机器人和一个机械手组成,具有非线性、强耦合、高维数、时变等特点.在充分考虑了各种水动力因素的基础上,使用Quasi-Lagrange方程建立系统的动力学数学模型.采用滑模控制方法,并利用模糊逻辑动态调节滑膜控制器的增益系数,进行了计算机仿真试验.结果表明该方法对水下自主作业系统的轨迹跟踪与动力定位控制性能优良.     

高精度科技测量仪 法如华夏臂亮相中国

法如科技FARO是世界上自主开发和生产第一台便携式三坐标测量臂和激光跟踪仪的厂家,同时也是目前世界最大的便携式坐标测量机的制造商。作为世界领先的便携式计算机辅助测量系统设备供应商,美国法如科技公司在1月12日隆重推出专门针对中国市场度身打造的全新品——法如华夏臂!该产品具有法如旗舰产品“Quantum”测量臂一样的人机工程学设计理念,其测量精确度高达005毫米,但在价格上却占有较强的竞争优势,是一款高性价比的产品!该产品将给中国客户带来投资上的更大灵活选择及应用。     

目标成本控制在海洋工程项目中的应用

以PL-19330万吨FPSO项目为例,系统描述了目标成本控制在海洋工程项目中的应用,为未来的海洋工程项目目标成本控制提供了宝贵的经验。     

开敞式蝶形码头墩位平面布置的优化研究

通过三维不规则波波浪、潮流水池物理模型实验和OPTIMOOR数学模型计算相结合的方法,针对不同LNG船型尺度进行了多种环境荷载作用下LNG船舶系靠泊状态时缆绳张力及船舶运动量的研究.以减少环境荷载作用下船舶运动量以及均匀缆绳张力分布为优化目标,提出了开敞式蝶形码头泊位长度和墩位平面布置确定的原则和方法.     

船舶柴油机调速器参数整定的多目标优化和多属性决策研究

综合考虑系统在输入阶跃扰动和负荷扰动两个工况时的超调量、稳定时间和ITAE指标,研究了PID控制器参数寻优的问题。采用多目标遗传算法求出Pareto最优解,使用信息熵法和逼近理想解的排序方法（TOPSIS）对Pareto最优解给出了排序。计算了一艘水面船舶柴油机调速器控制的数值算例,结果表明本文方法有效,所设计的PID性能优异,可以工程实际应用。     

基于自适应阈值DBSCAN的路侧点云分割算法

针对路侧采集的激光雷达点云数据随距离增大而密度下降导致同一目标的点云被分割成多个目标的问题,提出了一种基于自适应阈值DBSCAN的路侧点云分割算法。首先,使用改进GPF和直通滤波对采集的路侧点云进行过滤,提取出道路区域上的非地面点云;然后,基于有效距离和sigmoid函数构建自适应系数函数,对DBSCAN聚类算法集群生长中近邻点搜索时半径阈值的选取规则进行优化;最后,利用自适应阈值DBSCAN聚类算法对非地面点进行聚类,得到隶属于单个目标的点云。采集了1 055帧真实场景的连续数据进行测试,结果显示：C-H系数平均约增加3倍、D-B系数平均减少4.52%、轮廓系数平均增加77.78%,这表明基于自适应阈值DBSCAN的分割算法能提高点云簇的类内一致性和类间差异性,有效减少路侧激光雷达点云的过分割现象,具有较高的工程应用价值。     

融合Lite-HRNet的Yolo v5双模态自动驾驶小目标检测方法

针对目前自动驾驶领域的目标检测算法在对道路小目标和密集目标进行检测的时候出现漏检的问题,提出一种融合Lite-HRNet的Yolo v5网络。首先为了获得高分辨率的特征检测图将Lite-HRNet作为Yolo v5的主干网络,以增强对小目标及密集目标的检测。为提升暗光场景下的检测性能,将红外图像与可见光图像进行动态权值融合,充分发挥可见光图像与红外图像的互补优势。由于主干网络进行了充分的特征融合,为加快检测速度取消在检测层中的特征融合结构。其次为了加快收敛速度和提高回归精度采用α-EIoU作为边界框损失函数,同时为选取针对数据集更合适的先验框,使用二分K-means算法进行聚类,并且使用小目标数据增强算法对数据集进行样本扩充。最后在flir数据集上进行对比测试,根据实验结果,提出的算法比Yolo v5在平均精度上提高了7.64%,小目标和密集目标的漏检率明显减少。