简介:针对传统军事命名实体识别方法存在人工构建特征复杂和军事文本分词不准确等问题,提出了一种基于深度学习的军事命名实体识别方法。结合双向长短时记忆(Bi-directionalLongShort-TermMemory,Bi-LSTM)神经网络对较长句子上下文的记忆能力、字向量(characterembedding)对汉字语义的表示能力和条件随机场(ConditionalRandomField,CRF)对标注规则的学习能力,构建了character+Bi-LSTM+CRF实体识别模型。为验证方法的有效性,在军事想定语料集上进行了实验,结果表明:该方法比传统方法识别效果好,识别准确率、召回率和F值均大幅提升。
简介:为进一步提高弹道导弹目标多传感器综合识别正确率,提出了一种基于二维主成分分析(Two-DimensionalPrincipalComponentAnalysis,2DPCA)的多传感器特征级综合识别方法。该方法将多个传感器的特征集经标准化后组合成二维特征矩阵,引入图像压缩技术中的2DPCA方法进行特征提取,然后将其用于弹道导弹目标特征级融合识别。以3部雷达部署下弹头目标的雷达散射截面积(RadarCrossSection,RCS)特征融合为例进行仿真验证,结果表明:相比于传统的主成分分析(PrincipalComponentAnalysis,PCA),2DPCA的识别率更高,计算复杂度更低,为弹道导弹目标识别提供了一种新的思路。
简介:为提高无人车行驶过程中前方车辆检测的准确性和实时性,提出了基于激光雷达(LIghtDetectionAndRanging,LIDAR)深度信息和视觉方向梯度直方图(HistogramsofOrientedGradients,HOG)特征的车辆识别和跟踪方法。目标首次进入视野时,聚类处理激光雷达深度信息并确定假设目标的候选区域,采用车辆尾部的HOG特征对假设目标进行验证。在HOG特征验证前,基于最小二乘支持向量机(LeastSquaresSupportVectorMachine,LS-SVM)算法对样本集HOG特征进行训练学习,生成车辆分类器模型。对于验证后的目标车辆,采用激光雷达获取的深度信息对目标车辆进行持续跟踪。构建了2种车辆模型,结合最小二乘直线拟合方法提取出车辆特征,生成目标模型。同时,提出了基于多特征马氏距离的目标关联代价方程,实现了多目标的关联;完成了基于卡尔曼滤波的车辆状态滤波和位置估计,更新了跟踪器模型。通过有效的管理策略,实现了目标跟踪的3个状态:1)初始化模型的生成;2)跟踪过程中跟踪器的更新与预测;3)目标驶离视野时跟踪器的删除。最后,通过试验验证了跟踪算法的有效性。
简介:针对飞机地面空调保障装备的操作训练和检测需求,设计了一种多功能的飞机地面空调保障装备模拟负载。设计了该模拟负载的总体框架、风道采样以及电气系统,并将该模拟负载与飞机空调车进行了冬季对接实验,结果表明:该模拟负载可以较好地模拟冬季飞机空调车的空调保障过程,并能够检测和保存飞机空调车的风量、压力、温度和湿度参数,具有良好的工作性能。