掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
論中國
-
>
中共中央在西柏坡
-
>
同盟的真相:美國如何秘密統治日本
-
>
中國歷代政治得失
-
>
中國共產黨的一百年
-
>
習近平談治國理政 第四卷
-
>
在慶祝中國共產主義青年團成立100周年大會上的講話
智能空戰對抗訓練目標識別 版權信息
- ISBN：9787121447693
- 條形碼：9787121447693 ; 978-7-121-44769-3
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
智能空戰對抗訓練目標識別 內容簡介
現有的目標檢測識別技術在理想環境（背景單一、目標分辨率高等）中已經取得了顯著的效果，但在更為普適開放的環境下往往無法正常工作。復雜場景下小目標的檢測和識別研究面臨環境的復雜性、目標特性的復雜性和數據的不完備性三個層面的挑戰。本文解決該問題的基本思路是在源域知識的指導下，修正目標域樣本在特征空間的聯合概率分布，從而提高樣本目標域特征的可分性。本文針對分布不一致的問題，從上下文信息、信息補償以及數據增強這三個層面展開研究。
智能空戰對抗訓練目標識別 目錄
目 錄／Contents
**部分 復雜場景下的小目標檢測與識別方法研究
第1章 緒論 2
1．1 研究背景及意義 3
1．1．1 研究意義 3
1．1．2 研究現狀 6
1．1．3 困難挑戰 8
1．1．4 科學問題 11
1．2 研究內容和創新點 11
1．2．1 研究內容 12
1．2．2 特色創新 13
第2章 復雜場景下小目標檢測與識別的相關技術 16
2．1 傳統場景下常規目標檢測與識別 17
2．1．1 檢測與識別的基本模塊 17
2．1．2 檢測和識別的框架 21
2．2 復雜場景下小目標檢測和識別 26
2．2．1 信息增強 26
2．2．2 上下文信息發展現狀 28
第3章 上下文信息指導的復雜場景下小目標檢測 30
3．1 小目標特征淹沒 31
3．2 小目標檢測算法的原理分析 34
3．2．1 復雜場景下的小目標檢測 34
3．2．2 上下文信息 35
3．2．3 判別式學習 36
3．3 上下文信息指導的復雜場景下小目標檢測方法 37
3．3．1 基于SVM的目標候選區域相似度計算 37
3．3．2 基于譜聚類的圖模型分割 38
3．4 實驗結果與分析 40
3．4．1 子模塊有效性驗證實驗 40
3．4．2 WiderFace數據集小臉檢測的實驗結果 43
3．4．3 AFW和PascalFace數據集人臉檢測的實驗結果 43
3．4．4 DOTA數據集遙感圖像小目標檢測的實驗結果 45
第4章 信息補償機制的復雜場景下小目標識別 48
4．1 問題引出 49
4．2 信息補償機制下的小目標識別算法原理分析 53
4．2．1 低分辨率行為識別與人臉識別 53
4．2．2 基于超分辨率重建的低分辨率物體識別方法 53
4．2．3 基于特征變換的低分辨率物體識別方法 54
4．3 基于表示學習生成對抗網絡的小目標識別算法 55
4．3．1 問題定義和方法概述 55
4．3．2 全局特征注意力機制 60
4．3．3 全局特征注意力機制RL-GAN的LR圖像分類 62
4．4 實驗結果與分析 63
4．4．1 數據集和評價指標 64
4．4．2 WIDER-SHIP遙感圖像艦船識別的實驗結果 67
4．4．3 HRSC遙感圖像艦船識別的實驗結果 68
4．4．4 CIFAR-10的實驗結果 69
4．4．5 模型消融實驗 69
第5章 樣本方向指導的數據增強 73
5．1 問題概述 74
5．2 基于屬性指導的數據增強方法分析 76
5．3 樣本方向指導的數據增強方法 77
5．3．1 基于物體主軸POD的方向描述子 78
5．3．2 基于中值的數據集相似度量方法 80
5．3．3 基于擾動矩陣的圖像旋轉算法 82
5．4 實驗結果與分析 82
5．4．1 測試集圖像旋轉對學習模型檢測性能的影響 83
5．4．2 物體方向的估計 86
5．4．3 主軸方向分布的相似度衡量 87
第6章 基于區域推薦和PHOG的飛機快速檢測算法 90
6．1 問題概述 91
6．2 區域推薦和特征提取原理分析 92
6．3 基于區域推薦和PHOG的遙感圖像中飛機快速檢測算法 93
6．3．1 基于梯度特征的快速區域推薦算法 93
6．3．2 基于PHOG的特征快速提取方法 94
6．4 實驗結果與分析 96
本部分總結 100
參考文獻 103
第二部分 基于機器學習的智能空戰深層態勢感知
第7章 緒論 126
7．1 空戰態勢感知概述 128
7．1．1 空戰OODA過程描述 128
7．1．2 空戰態勢感知的層次結構 130
7．2 國內外研究現狀 131
7．2．1 軌跡預測研究 131
7．2．2 機動識別研究 132
7．2．3 意圖識別研究 133
7．3 研究意義 134
第8章 相關理論和數據來源 136
8．1 數據挖掘理論 137
8．2 機器學習相關理論 138
8．2．1 神經網絡 138
8．2．2 支持向量機 140
8．2．3 深度學習 143
第9章 基于粒子群優化LSTM的空戰軌跡預測研究 144
9．1 目標軌跡預測問題描述 145
9．2 基于PSO-LSTM神經網絡的飛行軌跡預測 147
9．2．1 LSTM神經網絡模型 147
9．2．2 傳統粒子群算法 149
9．2．3 自適應學習策略的PSO算法 150
9．2．4 PSO-LSTM模型 152
9．2．5 算法流程 153
9．3 仿真實驗與分析 155
9．3．1 軌跡數據選取與處理 156
9．3．2 軌跡預測性能對比分析 157
第10章 基于CHCQPSO-LSSVM的空戰目標機動識別研究 163
10．1 機動識別問題描述 164
10．1．1 多元時間序列識別 164
10．1．2 分級識別 166
10．2 機動動作分類與數據處理 166
10．2．1 參考坐標系 167
10．2．2 機動動作分類 169
10．2．3 飛行數據選擇與處理 173
10．3 基于CHCQPSO-LSSVM的空戰目標機動識別 177
10．3．1 QPSO算法 177
10．3．2 改進雜交機制的QPSO算法 179
10．3．3 參數尋優流程 181
10．3．4 機動識別模型 182
10．4 仿真實驗與分析 183
10．4．1 機動識別樣本數據的構造 183
10．4．2 實驗設置 183
10．4．3 模型訓練 184
10．4．4 機動識別準確性分析 187
10．4．5 機動識別實時性分析 192
第11章 基于Multi-BiLSTM-Attention網絡的空戰目標
意圖識別研究 194
11．1 目標意圖識別問題描述 195
11．2 基于Multi-BiLSTM-Attention網絡的1對1空戰目標
意圖識別研究 197
11．2．1 意圖空間描述 197
11．2．2 BiLSTM 200
11．2．3 Attention機制 201
11．2．4 Multi-BiLSTM-Attention模型 203
11．3 意圖識別樣本數據的構造 205
11．4 仿真實驗與分析 208
11．4．1 實驗設置 208
11．4．2 意圖識別準確性分析 212
11．4．3 意圖識別實時性分析 218
本部分總結 220
參考文獻 224
**部分 復雜場景下的小目標檢測與識別方法研究
第1章 緒論 2
1．1 研究背景及意義 3
1．1．1 研究意義 3
1．1．2 研究現狀 6
1．1．3 困難挑戰 8
1．1．4 科學問題 11
1．2 研究內容和創新點 11
1．2．1 研究內容 12
1．2．2 特色創新 13
第2章 復雜場景下小目標檢測與識別的相關技術 16
2．1 傳統場景下常規目標檢測與識別 17
2．1．1 檢測與識別的基本模塊 17
2．1．2 檢測和識別的框架 21
2．2 復雜場景下小目標檢測和識別 26
2．2．1 信息增強 26
2．2．2 上下文信息發展現狀 28
第3章 上下文信息指導的復雜場景下小目標檢測 30
3．1 小目標特征淹沒 31
3．2 小目標檢測算法的原理分析 34
3．2．1 復雜場景下的小目標檢測 34
3．2．2 上下文信息 35
3．2．3 判別式學習 36
3．3 上下文信息指導的復雜場景下小目標檢測方法 37
3．3．1 基于SVM的目標候選區域相似度計算 37
3．3．2 基于譜聚類的圖模型分割 38
3．4 實驗結果與分析 40
3．4．1 子模塊有效性驗證實驗 40
3．4．2 WiderFace數據集小臉檢測的實驗結果 43
3．4．3 AFW和PascalFace數據集人臉檢測的實驗結果 43
3．4．4 DOTA數據集遙感圖像小目標檢測的實驗結果 45
第4章 信息補償機制的復雜場景下小目標識別 48
4．1 問題引出 49
4．2 信息補償機制下的小目標識別算法原理分析 53
4．2．1 低分辨率行為識別與人臉識別 53
4．2．2 基于超分辨率重建的低分辨率物體識別方法 53
4．2．3 基于特征變換的低分辨率物體識別方法 54
4．3 基于表示學習生成對抗網絡的小目標識別算法 55
4．3．1 問題定義和方法概述 55
4．3．2 全局特征注意力機制 60
4．3．3 全局特征注意力機制RL-GAN的LR圖像分類 62
4．4 實驗結果與分析 63
4．4．1 數據集和評價指標 64
4．4．2 WIDER-SHIP遙感圖像艦船識別的實驗結果 67
4．4．3 HRSC遙感圖像艦船識別的實驗結果 68
4．4．4 CIFAR-10的實驗結果 69
4．4．5 模型消融實驗 69
第5章 樣本方向指導的數據增強 73
5．1 問題概述 74
5．2 基于屬性指導的數據增強方法分析 76
5．3 樣本方向指導的數據增強方法 77
5．3．1 基于物體主軸POD的方向描述子 78
5．3．2 基于中值的數據集相似度量方法 80
5．3．3 基于擾動矩陣的圖像旋轉算法 82
5．4 實驗結果與分析 82
5．4．1 測試集圖像旋轉對學習模型檢測性能的影響 83
5．4．2 物體方向的估計 86
5．4．3 主軸方向分布的相似度衡量 87
第6章 基于區域推薦和PHOG的飛機快速檢測算法 90
6．1 問題概述 91
6．2 區域推薦和特征提取原理分析 92
6．3 基于區域推薦和PHOG的遙感圖像中飛機快速檢測算法 93
6．3．1 基于梯度特征的快速區域推薦算法 93
6．3．2 基于PHOG的特征快速提取方法 94
6．4 實驗結果與分析 96
本部分總結 100
參考文獻 103
第二部分 基于機器學習的智能空戰深層態勢感知
第7章 緒論 126
7．1 空戰態勢感知概述 128
7．1．1 空戰OODA過程描述 128
7．1．2 空戰態勢感知的層次結構 130
7．2 國內外研究現狀 131
7．2．1 軌跡預測研究 131
7．2．2 機動識別研究 132
7．2．3 意圖識別研究 133
7．3 研究意義 134
第8章 相關理論和數據來源 136
8．1 數據挖掘理論 137
8．2 機器學習相關理論 138
8．2．1 神經網絡 138
8．2．2 支持向量機 140
8．2．3 深度學習 143
第9章 基于粒子群優化LSTM的空戰軌跡預測研究 144
9．1 目標軌跡預測問題描述 145
9．2 基于PSO-LSTM神經網絡的飛行軌跡預測 147
9．2．1 LSTM神經網絡模型 147
9．2．2 傳統粒子群算法 149
9．2．3 自適應學習策略的PSO算法 150
9．2．4 PSO-LSTM模型 152
9．2．5 算法流程 153
9．3 仿真實驗與分析 155
9．3．1 軌跡數據選取與處理 156
9．3．2 軌跡預測性能對比分析 157
第10章 基于CHCQPSO-LSSVM的空戰目標機動識別研究 163
10．1 機動識別問題描述 164
10．1．1 多元時間序列識別 164
10．1．2 分級識別 166
10．2 機動動作分類與數據處理 166
10．2．1 參考坐標系 167
10．2．2 機動動作分類 169
10．2．3 飛行數據選擇與處理 173
10．3 基于CHCQPSO-LSSVM的空戰目標機動識別 177
10．3．1 QPSO算法 177
10．3．2 改進雜交機制的QPSO算法 179
10．3．3 參數尋優流程 181
10．3．4 機動識別模型 182
10．4 仿真實驗與分析 183
10．4．1 機動識別樣本數據的構造 183
10．4．2 實驗設置 183
10．4．3 模型訓練 184
10．4．4 機動識別準確性分析 187
10．4．5 機動識別實時性分析 192
第11章 基于Multi-BiLSTM-Attention網絡的空戰目標
意圖識別研究 194
11．1 目標意圖識別問題描述 195
11．2 基于Multi-BiLSTM-Attention網絡的1對1空戰目標
意圖識別研究 197
11．2．1 意圖空間描述 197
11．2．2 BiLSTM 200
11．2．3 Attention機制 201
11．2．4 Multi-BiLSTM-Attention模型 203
11．3 意圖識別樣本數據的構造 205
11．4 仿真實驗與分析 208
11．4．1 實驗設置 208
11．4．2 意圖識別準確性分析 212
11．4．3 意圖識別實時性分析 218
本部分總結 220
參考文獻 224
展開全部
智能空戰對抗訓練目標識別 作者簡介
王棟，1978年出生，副教授，碩士。多次承擔重大科研項目，多次獲獎、三等功。負責講授碩士研究生和本科生課程有：網絡技術與應用、計算機硬件基礎、訓練評估等課程。公開出版專著教材5部，發表論文43篇。
書友推薦
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
煙與鏡
- >
羅庸西南聯大授課錄
- >
中國歷史的瞬間
- >
史學評論
- >
自卑與超越
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
山海經
本類暢銷
