基于贪心蚁群算法的无人水面艇全局路径规划

为解决无人水面艇(unmanned surface vessel,USV)在地型较复杂小型水域内的全局路径规划问题,提出一种以贪心算法、蚁群算法、栅格法建模为基础,通过加入双向搜索算法来解决传统贪心算法搜索时易陷入局部最优解等问题的贪心蚁群算法。该算法利用贪心算法规划基础路线,利用蚁群算法的信息素机制摆脱局部收敛状态,并通过双向搜索算法降低局部收敛概率。仿真结果表明:该算法搜索时间较传统蚁群算法减少70%以上,迭代次数较传统蚁群算法减少约85%;该算法在处理USV的全局路径规划问题中具有一定的有效性、合理性。     

基于改进动态窗口法的无人水面艇自主避碰算法

为研究避碰规则、无人水面艇(unmanned surface vessel, USV)运动学特点和海上交通复杂度等因素约束下的USV自主避碰技术,在分析初始动态窗口法的基础上,考虑《国际海上避碰规则》(International Regulations for Preventing Collisions at Sea, COLREGs)关于避碰行动时机、避让幅度、复航时机等方面的要求,建立融合避碰规则的动态窗口模型,设计融合避碰规则的动态窗口法。通过对比仿真实验验证该方法的可行性和有效性,具有一定的现实意义。     

基于改进快速行进法的水面无人船全局路径规划

为解决将快速行进法用于水面无人船(unmanned surface vehicle, USV)全局路径规划所得路径安全性低和复杂度高的问题,对快速行进法进行改进。为提高所规划路径的安全性,设置障碍物时间场函数使USV能远距离避障。为降低所规划路径的复杂度,设置梯度拐点评价函数使USV转向次数减少。通过MATLAB分别对改进快速行进法与传统快速行进法、快速行进平方法进行对比分析,仿真结果验证了本文所提算法的可行性和有效性。     

基于单目视觉的水面浮标位置检测

为提高无人水面艇(unmanned surface vessel, USV)在航行过程中对水面浮标位置检测的准确度,提出一种应用于USV的基于单目视觉的水面浮标位置检测方法。该方法通过建立浮标与USV之间的三维场景模型,依据相机成像原理得到浮标投影图像并计算投影面积;利用获取的面积和距离数据,建立面积与距离的关系模型进行距离估计;根据浮标与USV的位置关系估计浮标相对于USV的方位角;根据所估计的距离和方位角计算浮标的位置。通过仿真实验分析浮标旋转角度和观测方位对测距精度的影响,通过实船实验验证方法的可行性。由实验结果可知,在50 m距离内位置检测的平均相对误差小于3.0%,表明本研究所提出的基于单目视觉的水面浮标位置检测方法具有一定的实用性。     

基于回归深度卷积网络的船舶图像与视频检测

为解决船舶图像与视频检测算法识别率低、实时性差的问题,提出基于回归深度卷积网络的船舶图像与视频检测方法。结合YOLOv2特征提取层和YOLOv3的特征金字塔网络(feature pyramid network, FPN)层思想设计新的网络结构,验证不同激活函数效果,采用聚类算法设计锚框大小。实验表明,相比于YOLO系列网络,本文的方法在船舶图像与视频检测中效果更好,在测试集上平均精度均值为0.920 9,召回率为0.981 8,平均交并比为0.799 1,在视频检测中每秒钟检测的帧数为78～80。为港口船舶智能管理和无人船视觉处理提供一种准确度高和实时性好的船舶检测方法。     

基于粒子GT算法的最短避障路径规划的研究

在对求解TSP问题的GT算法进行了细致分析和对比了TSP问题与避障路径规划问题的异同点之后,引入粒子计算和“基因库”概念,对GT算法进行了改造,并将其用于求解避障路径规划问题．实验表明,该算法能够应用于求解避障路径规划问题,并在一定程度上提高了演化算法的效率．     

深度卷积神经网络在迁移学习模式下的SAR目标识别

合成孔径雷达（synthetic aperture radar,SAR）自动目标识别过程主要包括目标特征提取和分类器训练两个步骤。提出一种基于深度卷积神经网络（deep convolutional neural networks,DNNs）的SAR自动目标识别方法,使用一类优化的DNNs网络结构对SAR图像目标进行分类训练。该网络结构自动提取目标类别特征,避免人工预选取特征方法带来的不标准性。在DNNs网络模型训练过程中引入迁移学习的概念,以防止结果陷入局部最优解和加快模型参数的训练。最后使用美国运动和静止目标获取与识别MSTAR数据集进行试验,给出该方法与其他分类方法结果的对比,证明其取得较高的分类正确率。     

基于深度强化学习方法的无线多跳网络能量高效机会路由

由于机会路由能够利用无线信道的广播特性和有损特性,因此一直是提高无线网络路由性能的一个很有效的途径。提出一种基于深度强化学习的无线多跳网络能量高效机会路由算法,该算法使得智能体能够通过训练学习最优的路由策略,以通过机会路由的方式减少传输时间,同时平衡能耗延长网络寿命。此外,本算法还可以极大地缓解冷启动问题并获得较好的初始性能。仿真结果表明,与现有算法相比,该算法具有更好的性能。     

基于人工势场法的自治水下机器人路径规划

为解决自治水下机器人(Autonomous Underwater Vehicle, AUV)的路径规划问题,规划动态人工势场技术路径.在传统人工势场方法的数学模型和仿真试验的基础上,提出1种改进的势场函数,在二维空间中对水下机器人进行数学建模.在Matlab中针对动态障碍物、静态目标物的动态水下环境进行仿真试验.结果表明,运用该技术可以达到良好的效果.     

基于卷积神经网络与主动学习的高光谱图像分类

在利用主动学习方法进行高光谱图像分类时,往往存在空-谱特征不能得到有效利用和样本需要进行手动标注的问题。针对这些问题,提出一种结合卷积神经网络的主动学习方法进行高光谱图像分类。该方法首先提取像素的空间邻域组成训练样本,通过卷积神经网络对样本的空间特征和光谱特征进行学习并对数据进行初步分类;然后,基于高光谱图像的空间相似性和光谱相似性,对无标注样本进行标注,并将其加入标注训练集以提高分类器的分类精度。在Salinas、PaviaU和Indian Pines这3个高光谱数据上的实验结果表明,该方法能在较少标注样本的情况下,有效提高高光谱图像的分类精度。     

基于Maklink图和布谷鸟搜索算法的施工水域路径规划

为提高船舶在复杂施工水域通行的安全性,提出一种基于Maklink图和布谷鸟搜索(cuckoo search, CS)算法的船舶路径规划方法。利用改进的Maklink图构建施工水域环境模型;设置变量参数并用改进的CS算法对模型进行求解,其中采用基于Dijkstra算法得到的最短路径长度作为种群个体的适应度值;采用3个衡量算法性能的指标——优化性能指标、时间性能指标和动态性能指标,对多种算法进行分析比较。结果表明,采用指数型自适应步长和线性自适应发现概率对CS算法进行改进,能提高其在路径规划中的搜索效率和迭代速度,并可以保证求出一定精度内的近似最优解,显示出该算法的优越性。     

基于深度学习的智能移动边缘网络缓存

针对移动边缘网络缓存问题,提出把计算资源推送到网络边缘,使边缘接入热点能有数据分析能力,构建基于深度学习的深度缓存策略,进一步提升缓存效率。在边缘接入热点处构建基于长短期记忆神经网络模型的缓存内容文件流行度预测系统,通过分析本地数据给出内容文件流行度预测。把内容文件流行度预测系统整合到移动边缘网络缓存系统中最大化缓存命中率,提出深度缓存策略,大大提升移动边缘网络缓存性能。在真实视频数据集上进行测试,实验结果表明：提出的内容流行度预测系统的准确度高于现有最优方法;提出的深度缓存策略与传统的缓存算法相比,在相同的缓存命中率指标下大约仅需一半的缓存存储空间。     

基于USV与AUV异构平台协同海洋探测系统研究综述

对基于无人水面艇(USV)和多自主水下机器人(AUVs)组成的异构协同海洋探测系统进行综述.首先介绍不同的USV与多AUVs组成的异构海洋探测系统的最新进展和应用成果,从系统设计概念和技术特点对这些异构系统进行分析和比较;其次对多水下机器人异构系统研究中的协同关键技术进行综述,重点分析协同问题中异构协同、系统任务分配、...     

基于不同骨架UNet++网络的建筑物提取

基于深度学习方法的建筑物自动提取具有精度高、速度快的技术特点,对城市规划、防灾减灾等的行业应用具有重要意义。针对高分辨率遥感影像建筑物自动提取,引入深度学习特征功能模块和传统遥感应用技术验证环节,形成不同骨架模块、UNet++网络和真实性检验的建筑物遥感提取功能模块嵌合的深度学习业务化应用技术体系,通过VGG、ResNet和Inception等传统卷积网络模型骨架对基础网络进行改造,提升模型运行效率,强化模型特征学习能力,通过真实性检验验证算法的有效性、适用性,展示完整的遥感应用技术链条。以Mnih公开的马萨诸塞州建筑物数据集为数据源,和传统非全卷积网络模型和全卷积网络模型等方法进行对比分析,结果表明通过增加模型深度和宽度可以有效提升模型建筑物提取效果,基于InceptionV3-UNet++骨架模型在召回率、准确度、CSI、F₁分数、Kappa系数和总精度表现最为优秀,分别达到85.14%、90.50%、0.781 6、0.877 4、0.850 4和95.57%,并在WHU数据集上验证了它的鲁棒性。该方法在建筑物提取结果和细节上都有显著提高,特别是对复杂不规则...     

基于卷积神经网络(CNN)的泥质烃源岩TOC预测模型——以鄂尔多斯盆地杭锦旗地区为例

总有机碳含量（TOC）是烃源岩评价的重要指标。传统的TOC预测模型有ΔlogR和BP神经网络,但是ΔlogR的拟合精度较低,BP神经网络容易陷入局部最优。针对这些问题,提出一种基于卷积神经网络（convolutional neural network,CNN）预测烃源岩TOC的方法。以鄂尔多斯盆地杭锦旗地区上古生界泥质烃源岩为研究对象,通过对比实验验证该方法的有效性。实验结果表明,CNN可用于TOC预测,且预测精度高于ΔlogR和BP神经网络。利用CNN对108口钻井的山1段和太原组泥岩的TOC值进行预测,并结合沉积微相做出TOC平面图,发现研究区的东南部和中部的沼泽沉积微相的TOC值较高,分流河道沉积微相的TOC值较低。TOC值的平面分布与沉积微相分布在整体上具有良好的匹配关系,显示了CNN方法计算TOC的可行性。