书籍详情

智能空战对抗训练目标识别

智能空战对抗训练目标识别

作者:王栋 著

出版社:电子工业出版社

出版时间:2023-01-01

ISBN:9787121447693

定价:¥98.00

购买这本书可以去
内容简介
  现有的目标检测识别技术在理想环境(背景单一、目标分辨率高等)中已经取得了显著的效果,但在更为普适开放的环境下往往无法正常工作。复杂场景下小目标的检测和识别研究面临环境的复杂性、目标特性的复杂性和数据的不完备性三个层面的挑战。本文解决该问题的基本思路是在源域知识的指导下,修正目标域样本在特征空间的联合概率分布,从而提高样本目标域特征的可分性。本文针对分布不一致的问题,从上下文信息、信息补偿以及数据增强这三个层面展开研究。
作者简介
  王栋,1978年出生,副教授,硕士。多次承担重大科研项目,多次获奖、三等功。负责讲授硕士研究生和本科生课程有:网络技术与应用、计算机硬件基础、训练评估等课程。公开出版专著教材5部,发表论文43篇。
目录
目 录/Contents

第一部分 复杂场景下的小目标检测与识别方法研究
第1章 绪论\t2
1.1 研究背景及意义\t3
1.1.1 研究意义\t3
1.1.2 研究现状\t6
1.1.3 困难挑战\t8
1.1.4 科学问题\t11
1.2 研究内容和创新点\t11
1.2.1 研究内容\t12
1.2.2 特色创新\t13
第2章 复杂场景下小目标检测与识别的相关技术\t16
2.1 传统场景下常规目标检测与识别\t17
2.1.1 检测与识别的基本模块\t17
2.1.2 检测和识别的框架\t21
2.2 复杂场景下小目标检测和识别\t26
2.2.1 信息增强\t26
2.2.2 上下文信息发展现状\t28
第3章 上下文信息指导的复杂场景下小目标检测\t30
3.1 小目标特征淹没\t31
3.2 小目标检测算法的原理分析\t34
3.2.1 复杂场景下的小目标检测\t34
3.2.2 上下文信息\t35
3.2.3 判别式学习\t36
3.3 上下文信息指导的复杂场景下小目标检测方法\t37
3.3.1 基于SVM的目标候选区域相似度计算\t37
3.3.2 基于谱聚类的图模型分割\t38
3.4 实验结果与分析\t40
3.4.1 子模块有效性验证实验\t40
3.4.2 WiderFace数据集小脸检测的实验结果\t43
3.4.3 AFW和PascalFace数据集人脸检测的实验结果\t43
3.4.4 DOTA数据集遥感图像小目标检测的实验结果\t45
第4章 信息补偿机制的复杂场景下小目标识别\t48
4.1 问题引出\t49
4.2 信息补偿机制下的小目标识别算法原理分析\t53
4.2.1 低分辨率行为识别与人脸识别\t53
4.2.2 基于超分辨率重建的低分辨率物体识别方法\t53
4.2.3 基于特征变换的低分辨率物体识别方法\t54
4.3 基于表示学习生成对抗网络的小目标识别算法\t55
4.3.1 问题定义和方法概述\t55
4.3.2 全局特征注意力机制\t60
4.3.3 全局特征注意力机制RL-GAN的LR图像分类\t62
4.4 实验结果与分析\t63
4.4.1 数据集和评价指标\t64
4.4.2 WIDER-SHIP遥感图像舰船识别的实验结果\t67
4.4.3 HRSC遥感图像舰船识别的实验结果\t68
4.4.4 CIFAR-10的实验结果\t69
4.4.5 模型消融实验\t69
第5章 样本方向指导的数据增强\t73
5.1 问题概述\t74
5.2 基于属性指导的数据增强方法分析\t76
5.3 样本方向指导的数据增强方法\t77
5.3.1 基于物体主轴POD的方向描述子\t78
5.3.2 基于中值的数据集相似度量方法\t80
5.3.3 基于扰动矩阵的图像旋转算法\t82
5.4 实验结果与分析\t82
5.4.1 测试集图像旋转对学习模型检测性能的影响\t83
5.4.2 物体方向的估计\t86
5.4.3 主轴方向分布的相似度衡量\t87
第6章 基于区域推荐和PHOG的飞机快速检测算法\t90
6.1 问题概述\t91
6.2 区域推荐和特征提取原理分析\t92
6.3 基于区域推荐和PHOG的遥感图像中飞机快速检测算法\t93
6.3.1 基于梯度特征的快速区域推荐算法\t93
6.3.2 基于PHOG的特征快速提取方法\t94
6.4 实验结果与分析\t96
本部分总结\t100
参考文献\t103
第二部分 基于机器学习的智能空战深层态势感知
第7章 绪论\t126
7.1 空战态势感知概述\t128
7.1.1 空战OODA过程描述\t128
7.1.2 空战态势感知的层次结构\t130
7.2 国内外研究现状\t131
7.2.1 轨迹预测研究\t131
7.2.2 机动识别研究\t132
7.2.3 意图识别研究\t133
7.3 研究意义\t134
第8章 相关理论和数据来源\t136
8.1 数据挖掘理论\t137
8.2 机器学习相关理论\t138
8.2.1 神经网络\t138
8.2.2 支持向量机\t140
8.2.3 深度学习\t143
第9章 基于粒子群优化LSTM的空战轨迹预测研究\t144
9.1 目标轨迹预测问题描述\t145
9.2 基于PSO-LSTM神经网络的飞行轨迹预测\t147
9.2.1 LSTM神经网络模型\t147
9.2.2 传统粒子群算法\t149
9.2.3 自适应学习策略的PSO算法\t150
9.2.4 PSO-LSTM模型\t152
9.2.5 算法流程\t153
9.3 仿真实验与分析\t155
9.3.1 轨迹数据选取与处理\t156
9.3.2 轨迹预测性能对比分析\t157
第10章 基于CHCQPSO-LSSVM的空战目标机动识别研究\t163
10.1 机动识别问题描述\t164
10.1.1 多元时间序列识别\t164
10.1.2 分级识别\t166
10.2 机动动作分类与数据处理\t166
10.2.1 参考坐标系\t167
10.2.2 机动动作分类\t169
10.2.3 飞行数据选择与处理\t173
10.3 基于CHCQPSO-LSSVM的空战目标机动识别\t177
10.3.1 QPSO算法\t177
10.3.2 改进杂交机制的QPSO算法\t179
10.3.3 参数寻优流程\t181
10.3.4 机动识别模型\t182
10.4 仿真实验与分析\t183
10.4.1 机动识别样本数据的构造\t183
10.4.2 实验设置\t183
10.4.3 模型训练\t184
10.4.4 机动识别准确性分析\t187
10.4.5 机动识别实时性分析\t192
第11章 基于Multi-BiLSTM-Attention网络的空战目标
意图识别研究\t194
11.1 目标意图识别问题描述\t195
11.2 基于Multi-BiLSTM-Attention网络的1对1空战目标
意图识别研究\t197
11.2.1 意图空间描述\t197
11.2.2 BiLSTM\t200
11.2.3 Attention机制\t201
11.2.4 Multi-BiLSTM-Attention模型\t203
11.3 意图识别样本数据的构造\t205
11.4 仿真实验与分析\t208
11.4.1 实验设置\t208
11.4.2 意图识别准确性分析\t212
11.4.3 意图识别实时性分析\t218
本部分总结\t220
参考文献\t224
猜您喜欢

读书导航