基于BP神经网络的雷达点迹分类方法

提出了一种解决复杂电磁环境下目标检测后仍包含杂波的基于反向传播(BP)神经网络的雷达点迹分类方法。该方法可以在目标检测后进一步区分目标点和杂波点,提高目标跟踪的质量。同时,对BP神经网络进行了训练,并与K最近邻域法和支持向量机作了对比,发现该方法的分类精度可达87. 3%,较后两种方法精度分别提升19. 6%和7. 6%。实验结果表明:基于BP神经网络的雷达点迹分类方法有效。     

基于超声电机的力矩补偿装置控制方法研究

为补偿卫星载荷运动产生的干扰力矩,设计了一种基于超声电机的力矩补偿机构。基于传统控制策略的比例、积分、微分(PID)闭环负反馈控制系统调速效果难以令人满意,在这种情况下建立了系统的数学模型,设计了基于模糊PI控制的闭环调速控制系统,并与传统的PI控制进行了对比。根据干扰力矩的给定形式,设计了飞轮运行的正弦速度给定曲线,仿真结果表明,该方法能够有效补偿载荷干扰力矩。此外,设计了以数字信号处理器(DSP)芯片为核心的硬件驱动控制电路,并进行了实验验证。结果表明,该算法比传统的PI控制效果更好,速度曲线跟踪精度明显提升。     

基于多表观特征子模型更新的鲁棒视觉跟踪

在视觉跟踪中,传统模型更新算法在遮挡、光照变化及自身旋转等情况下通常存在鲁棒性较差的问题.为改善该性能,提出一种对多表观特征相应子模型进行选择性更新的鲁棒视觉跟踪算法.该算法首先建立候选子模型库,然后通过三个互补特征融合的粒子滤波跟踪确定当前帧目标位置和信息,最后将当前帧三种特征直方图信息与候选库中各子模型分别计算加权相似度,更新候选库后与阈值比较,判断是否更新当前子模型.实验结果表明：本文算法能够对特征相应子模型进行有效的选择性更新,与对比算法比较,在多种复杂变化的跟踪条件下,总体上能够具有更好的跟踪鲁棒性.     

远程多普勒激光雷达

本文介绍了美国林肯实验室远程“火池”多普勒激光雷达的性能和应用,主要叙述了改进型“火池”雷达及其识别假目标试验。     

基于DDS的家用超声治疗仪设计

针对家用超声治疗仪存在谐振频率易漂移及精度低等问题,该文提出了一种将模糊控制器、比例、积分、微分（PID）控制器和锁相环技术结合的复合跟踪策略。通过直接数字式频率合成(DDS)技术结合STM32L151产生超声信号,利用T型网络进行阻抗匹配,对超声治疗仪性能进行测试。实验结果表明,该治疗仪声 电转换效率高,输出的超声波具有精度高,不易失谐等优点。     

红外相机扫描镜轨迹跟踪的迭代学习控制方法

为提高星载广域红外相机的观测效率与凝视成像质量,扫描镜需要在几十毫秒的时间内完成角度切换,实现角秒级的轨迹跟踪控制。在闭环带宽有限的情况下,性能指标难以通过基于经典控制理论的算法实现。针对枢轴支撑的扫描镜机构,提出了一种基于迭代学习的高阶系统轨迹跟踪控制方法,推导了迭代学习律,并通过预测型算法对学习律进行了优化,避免了误差高阶导数的计算。然后通过频域分析说明了算法收敛性,选取了关键参数。通过仿真与原理样机实测验证了其应用效果。测试结果表明,算法在闭环带宽低于2 Hz的情况下,无需辨识被控对象的高阶特性,即可实现扫描镜对角加加速度超过106 （°）/s3轨迹的高精度跟踪控制,跟踪误差优于±1.5",满足相机应用要求。     

融合运动信息与表观信息的多目标跟踪算法

多目标跟踪是计算机视觉领域的重要研究方向,其在智能视频监控、人机交互、机器人导航、公共安全等领域有着重要的作用。目前目标跟踪算法仍面临诸多的挑战,例如遮挡、背景复杂、运动模糊等因素所造成的影响难以完全规避。文中基于一种简单的在线跟踪方法,提出一种融合多类信息的算法,有效地提升了跟踪器的性能。模型关注于帧与帧之间的目标检测与数据关联问题,依赖于不同帧之间目标运动与表观的相似性,当目标丢失及存在遮挡时,融合多源信息减少相关的不确定性。同时,该算法在真实环境中可实现实时跟踪的性能。实验评估结果表明,提出的跟踪器在公开数据集上具有良好的性能,可以显著减少目标丢失率以及身份交换率。     

Learning multiple instance deep representation for objects tracking

Object tracking has been widely used in various intelligent systems, such as pedestrian tracking, autonomous vehicles. To solve the problem that appearance changes and occlusion may lead to poor tracking performance, we propose a multiple instance learning (MIL) based method for object tracking. To achieve this task, we first manually label the first several frames of video stream in image level, which can indicate that whether a target object in the video stream. Then, we leverage a pre-trained convolutional neural network that has rich prior information to extract deep representation of target object. Since the location of the same object in adjacent frames is similar, we introduce a particle filter to predict the location of target object within a specific region. Comprehensive experiments have shown the effectiveness of our proposed method.     

一种复杂环境下的多假设分支跟踪方法

在雷达环境杂波强、目标运动特性复杂、需要同时跟踪多批目标的情况下,目标跟踪过程中容易因关联错误造成跟踪错误。本文提出的多假设航迹跟踪方法在目标的机动特性不明时,建立航迹的多个假设航迹,对假设航迹进行隐形跟踪。该方法中航迹具有父、子、孙三类分支属性之一,其中父航迹为原始航迹,子航迹是在父航迹基础上建立的假设航迹,孙航迹是在子航迹基础上建立的假设航迹。通过父、子、孙三类分支航迹之间的继承和替代,可以同时跟踪丢点、密集杂波区、机动状态不明的多批目标,降低航迹关联错误的概率,实现对目标的稳定跟踪。