智能空戰(zhàn)對抗訓(xùn)練目標(biāo)識別
定 價：98 元
- 作者：王棟
- 出版時間：2023/1/1
- ISBN：9787121447693
- 出 版 社：電子工業(yè)出版社
現(xiàn)有的目標(biāo)檢測識別技術(shù)在理想環(huán)境（背景單一、目標(biāo)分辨率高等）中已經(jīng)取得了顯著的效果，但在更為普適開放的環(huán)境下往往無法正常工作。復(fù)雜場景下小目標(biāo)的檢測和識別研究面臨環(huán)境的復(fù)雜性、目標(biāo)特性的復(fù)雜性和數(shù)據(jù)的不完備性三個層面的挑戰(zhàn)。本文解決該問題的基本思路是在源域知識的指導(dǎo)下，修正目標(biāo)域樣本在特征空間的聯(lián)合概率分布，從而提高樣本目標(biāo)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(shù)據(jù)增強這三個層面展開研究。
王棟，1978年出生，副教授，碩士。多次承擔(dān)重大科研項目，多次獲獎、三等功。負(fù)責(zé)講授碩士研究生和本科生課程有：網(wǎng)絡(luò)技術(shù)與應(yīng)用、計算機硬件基礎(chǔ)、訓(xùn)練評估等課程。公開出版專著教材5部，發(fā)表論文43篇。
目 錄／Contents
第一部分 復(fù)雜場景下的小目標(biāo)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(xiàn)狀6
1.1.3 困難挑戰(zhàn)8
1.1.4 科學(xué)問題11
1.2 研究內(nèi)容和創(chuàng)新點11
1.2.1 研究內(nèi)容12
1.2.2 特色創(chuàng)新13
第2章 復(fù)雜場景下小目標(biāo)檢測與識別的相關(guān)技術(shù)16
2.1 傳統(tǒng)場景下常規(guī)目標(biāo)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(fù)雜場景下小目標(biāo)檢測和識別26
2.2.1 信息增強26
2.2.2 上下文信息發(fā)展現(xiàn)狀28
第3章 上下文信息指導(dǎo)的復(fù)雜場景下小目標(biāo)檢測30
3.1 小目標(biāo)特征淹沒31
3.2 小目標(biāo)檢測算法的原理分析34
3.2.1 復(fù)雜場景下的小目標(biāo)檢測34
3.2.2 上下文信息35
3.2.3 判別式學(xué)習(xí)36
3.3 上下文信息指導(dǎo)的復(fù)雜場景下小目標(biāo)檢測方法37
3.3.1 基于SVM的目標(biāo)候選區(qū)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(jié)果與分析40
3.4.1 子模塊有效性驗證實驗40
3.4.2 WiderFace數(shù)據(jù)集小臉檢測的實驗結(jié)果43
3.4.3 AFW和PascalFace數(shù)據(jù)集人臉檢測的實驗結(jié)果43
3.4.4 DOTA數(shù)據(jù)集遙感圖像小目標(biāo)檢測的實驗結(jié)果45
第4章 信息補償機制的復(fù)雜場景下小目標(biāo)識別48
4.1 問題引出49
4.2 信息補償機制下的小目標(biāo)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(xué)習(xí)生成對抗網(wǎng)絡(luò)的小目標(biāo)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(jié)果與分析63
4.4.1 數(shù)據(jù)集和評價指標(biāo)64
4.4.2 WIDER-SHIP遙感圖像艦船識別的實驗結(jié)果67
4.4.3 HRSC遙感圖像艦船識別的實驗結(jié)果68
4.4.4 CIFAR-10的實驗結(jié)果69
4.4.5 模型消融實驗69
第5章 樣本方向指導(dǎo)的數(shù)據(jù)增強73
5.1 問題概述74
5.2 基于屬性指導(dǎo)的數(shù)據(jù)增強方法分析76
5.3 樣本方向指導(dǎo)的數(shù)據(jù)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(shù)據(jù)集相似度量方法80
5.3.3 基于擾動矩陣的圖像旋轉(zhuǎn)算法82
5.4 實驗結(jié)果與分析82
5.4.1 測試集圖像旋轉(zhuǎn)對學(xué)習(xí)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(qū)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(qū)域推薦和特征提取原理分析92
6.3 基于區(qū)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(qū)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(jié)果與分析96
本部分總結(jié)100
參考文獻103
第二部分 基于機器學(xué)習(xí)的智能空戰(zhàn)深層態(tài)勢感知
第7章 緒論126
7.1 空戰(zhàn)態(tài)勢感知概述128
7.1.1 空戰(zhàn)OODA過程描述128
7.1.2 空戰(zhàn)態(tài)勢感知的層次結(jié)構(gòu)130
7.2 國內(nèi)外研究現(xiàn)狀131
7.2.1 軌跡預(yù)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(guān)理論和數(shù)據(jù)來源136
8.1 數(shù)據(jù)挖掘理論137
8.2 機器學(xué)習(xí)相關(guān)理論138
8.2.1 神經(jīng)網(wǎng)絡(luò)138
8.2.2 支持向量機140
8.2.3 深度學(xué)習(xí)143
第9章 基于粒子群優(yōu)化LSTM的空戰(zhàn)軌跡預(yù)測研究144
9.1 目標(biāo)軌跡預(yù)測問題描述145
9.2 基于PSO-LSTM神經(jīng)網(wǎng)絡(luò)的飛行軌跡預(yù)測147
9.2.1 LSTM神經(jīng)網(wǎng)絡(luò)模型147
9.2.2 傳統(tǒng)粒子群算法149
9.2.3 自適應(yīng)學(xué)習(xí)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(shù)據(jù)選取與處理156
9.3.2 軌跡預(yù)測性能對比分析157
第10章 基于CHCQPSO-LSSVM的空戰(zhàn)目標(biāo)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(shù)據(jù)處理166
10.2.1 參考坐標(biāo)系167
10.2.2 機動動作分類169
10.2.3 飛行數(shù)據(jù)選擇與處理173
10.3 基于CHCQPSO-LSSVM的空戰(zhàn)目標(biāo)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(shù)尋優(yōu)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(shù)據(jù)的構(gòu)造183
10.4.2 實驗設(shè)置183
10.4.3 模型訓(xùn)練184
10.4.4 機動識別準(zhǔn)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(wǎng)絡(luò)的空戰(zhàn)目標(biāo)
意圖識別研究194
11.1 目標(biāo)意圖識別問題描述195
11.2 基于Multi-BiLSTM-Attention網(wǎng)絡(luò)的1對1空戰(zhàn)目標(biāo)
意圖識別研究197
11.2.1 意圖空間描述197
11.2.2 BiLSTM200
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(shù)據(jù)的構(gòu)造205
11.4 仿真實驗與分析208
11.4.1 實驗設(shè)置208
11.4.2 意圖識別準(zhǔn)確性分析212
11.4.3 意圖識別實時性分析218
本部分總結(jié)220
參考文獻224
書單推薦
