掃一掃
關(guān)注中圖網(wǎng)
官方微博
智能空戰(zhàn)對抗訓(xùn)練目標(biāo)識別 版權(quán)信息
- ISBN：9787121447693
- 條形碼：9787121447693 ; 978-7-121-44769-3
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
智能空戰(zhàn)對抗訓(xùn)練目標(biāo)識別 內(nèi)容簡介
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(gè)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(bǔ)償以及數(shù)據(jù)增強(qiáng)這三個(gè)層面展開研究。
智能空戰(zhàn)對抗訓(xùn)練目標(biāo)識別 目錄
目 錄／Contents
**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(diǎn) 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(qiáng) 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(jì)算 37
3．3．2 基于譜聚類的圖模型分割 38
3．4 實(shí)驗(yàn)結(jié)果與分析 40
3．4．1 子模塊有效性驗(yàn)證實(shí)驗(yàn) 40
3．4．2 WiderFace數(shù)據(jù)集小臉檢測的實(shí)驗(yàn)結(jié)果 43
3．4．3 AFW和PascalFace數(shù)據(jù)集人臉檢測的實(shí)驗(yàn)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(shí)驗(yàn)結(jié)果 45
第4章 信息補(bǔ)償機(jī)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(bǔ)償機(jī)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(jī)制 60
4．3．3 全局特征注意力機(jī)制RL-GAN的LR圖像分類 62
4．4 實(shí)驗(yàn)結(jié)果與分析 63
4．4．1 數(shù)據(jù)集和評價(jià)指標(biāo) 64
4．4．2 WIDER-SHIP遙感圖像艦船識別的實(shí)驗(yàn)結(jié)果 67
4．4．3 HRSC遙感圖像艦船識別的實(shí)驗(yàn)結(jié)果 68
4．4．4 CIFAR-10的實(shí)驗(yàn)結(jié)果 69
4．4．5 模型消融實(shí)驗(yàn) 69
第5章 樣本方向指導(dǎo)的數(shù)據(jù)增強(qiáng) 73
5．1 問題概述 74
5．2 基于屬性指導(dǎo)的數(shù)據(jù)增強(qiáng)方法分析 76
5．3 樣本方向指導(dǎo)的數(shù)據(jù)增強(qiáng)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(shí)驗(yàn)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(jì) 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(jī)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(jī)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(shí)驗(yàn)結(jié)果與分析 96
本部分總結(jié) 100
參考文獻(xiàn) 103
第二部分 基于機(jī)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(jī)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(jī)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(jī) 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(shí)驗(yàn)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(jī)動識別研究 163
10．1 機(jī)動識別問題描述 164
10．1．1 多元時(shí)間序列識別 164
10．1．2 分級識別 166
10．2 機(jī)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(jī)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(jī)動識別 177
10．3．1 QPSO算法 177
10．3．2 改進(jìn)雜交機(jī)制的QPSO算法 179
10．3．3 參數(shù)尋優(yōu)流程 181
10．3．4 機(jī)動識別模型 182
10．4 仿真實(shí)驗(yàn)與分析 183
10．4．1 機(jī)動識別樣本數(shù)據(jù)的構(gòu)造 183
10．4．2 實(shí)驗(yàn)設(shè)置 183
10．4．3 模型訓(xùn)練 184
10．4．4 機(jī)動識別準(zhǔn)確性分析 187
10．4．5 機(jī)動識別實(shí)時(shí)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 BiLSTM 200
11．2．3 Attention機(jī)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(shí)驗(yàn)與分析 208
11．4．1 實(shí)驗(yàn)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(shí)時(shí)性分析 218
本部分總結(jié) 220
參考文獻(xiàn) 224
**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(diǎn) 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(qiáng) 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(jì)算 37
3．3．2 基于譜聚類的圖模型分割 38
3．4 實(shí)驗(yàn)結(jié)果與分析 40
3．4．1 子模塊有效性驗(yàn)證實(shí)驗(yàn) 40
3．4．2 WiderFace數(shù)據(jù)集小臉檢測的實(shí)驗(yàn)結(jié)果 43
3．4．3 AFW和PascalFace數(shù)據(jù)集人臉檢測的實(shí)驗(yàn)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(shí)驗(yàn)結(jié)果 45
第4章 信息補(bǔ)償機(jī)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(bǔ)償機(jī)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(jī)制 60
4．3．3 全局特征注意力機(jī)制RL-GAN的LR圖像分類 62
4．4 實(shí)驗(yàn)結(jié)果與分析 63
4．4．1 數(shù)據(jù)集和評價(jià)指標(biāo) 64
4．4．2 WIDER-SHIP遙感圖像艦船識別的實(shí)驗(yàn)結(jié)果 67
4．4．3 HRSC遙感圖像艦船識別的實(shí)驗(yàn)結(jié)果 68
4．4．4 CIFAR-10的實(shí)驗(yàn)結(jié)果 69
4．4．5 模型消融實(shí)驗(yàn) 69
第5章 樣本方向指導(dǎo)的數(shù)據(jù)增強(qiáng) 73
5．1 問題概述 74
5．2 基于屬性指導(dǎo)的數(shù)據(jù)增強(qiáng)方法分析 76
5．3 樣本方向指導(dǎo)的數(shù)據(jù)增強(qiáng)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(shí)驗(yàn)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(jì) 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(jī)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(jī)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(shí)驗(yàn)結(jié)果與分析 96
本部分總結(jié) 100
參考文獻(xiàn) 103
第二部分 基于機(jī)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(jī)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(jī)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(jī) 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(shí)驗(yàn)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(jī)動識別研究 163
10．1 機(jī)動識別問題描述 164
10．1．1 多元時(shí)間序列識別 164
10．1．2 分級識別 166
10．2 機(jī)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(jī)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(jī)動識別 177
10．3．1 QPSO算法 177
10．3．2 改進(jìn)雜交機(jī)制的QPSO算法 179
10．3．3 參數(shù)尋優(yōu)流程 181
10．3．4 機(jī)動識別模型 182
10．4 仿真實(shí)驗(yàn)與分析 183
10．4．1 機(jī)動識別樣本數(shù)據(jù)的構(gòu)造 183
10．4．2 實(shí)驗(yàn)設(shè)置 183
10．4．3 模型訓(xùn)練 184
10．4．4 機(jī)動識別準(zhǔn)確性分析 187
10．4．5 機(jī)動識別實(shí)時(shí)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 BiLSTM 200
11．2．3 Attention機(jī)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(shí)驗(yàn)與分析 208
11．4．1 實(shí)驗(yàn)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(shí)時(shí)性分析 218
本部分總結(jié) 220
參考文獻(xiàn) 224
展開全部
智能空戰(zhàn)對抗訓(xùn)練目標(biāo)識別 作者簡介
王棟，1978年出生，副教授，碩士。多次承擔(dān)重大科研項(xiàng)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(jì)算機(jī)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。
書友推薦
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
名家?guī)阕x魯迅:故事新編
- >
煙與鏡
- >
巴金－再思錄
- >
名家?guī)阕x魯迅:朝花夕拾
- >
姑媽的寶刀
- >
大紅狗在馬戲團(tuán)-大紅狗克里弗-助人
- >
我與地壇
本類暢銷
