-
公开(公告)号：CN117556718B
公开(公告)日：2024-03-29
申请号：CN202410046968.1
申请日：2024-01-12
Applicant: 西北工业大学
IPC: G06F30/27 , G06N3/006 , G06N3/0499 , G06N3/084 , G06F111/08 , G06F119/14
Abstract: 本公开实施例是关于一种基于神经网络和多策略组合灰狼优化算法的火力分配方法。本公开实施例根据四维灰狼信息策略、协同参数自适应寻优策略、加权组合位置更新策略、非线性因子收敛策略和突变因子策略，提出了多策略组合灰狼优化算法，结合了神经网络打击能力评估模型评估火力分配方案，解决了多导弹空对面打击多目标火力分配的问题。
-
公开(公告)号：CN103617433A
公开(公告)日：2014-03-05
申请号：CN201310644150.1
申请日：2013-12-02
Applicant: 西北工业大学
IPC: G06K9/66
Abstract: 本发明公开了一种基于简化直推式学习法的在线目标跟踪方法，用于解决现有在线目标跟踪方法应用受局限的技术问题。技术方案是使用一个矩形框表示目标，并在目标周围提取训练样本，提取样本的HOG特征作为目标表示，得到初始的目标检测器。在下一帧图像中，生成候选目标样本并提取HOG特征。分类器在每一帧图像上单独训练。给定一个分类器的最大空间尺度，如果分类器的大小没有超过最大空间尺度，则直接将当前训练结果加入到分类器集合中，然后将训练好的当前结果加入到分类器集合中。本发明通过图像的空间结构约束，生成准确的训练样本标签，提高了分类器的性能。此外，在每帧图像上单独训练分类器，与背景技术相比较，应用范围更广。
-
公开(公告)号：CN103136529A
公开(公告)日：2013-06-05
申请号：CN201310064794.3
申请日：2013-03-01
Applicant: 西北工业大学
Abstract: 本发明公开了一种基于Grab-Cut与光流分割的非刚体目标跟踪方法，用于解决现有非刚体目标跟踪方法精确度差的技术问题。技术方案是首先采用Hough进行目标表示和检测。其次将Grab-Cut与光流相结合，在Grab-Cut的初始分割基础上，再利用光流法去除初始分割结果中的背景区域，以得到更加精确的分割结果。最后，采用随机森林进行在线学习，更新目标样本，以适应目标及场景的变化，达到更加鲁棒的非刚体目标跟踪结果。本发明仅用一个矩形框表示目标不精确的缺陷，提高了非刚体目标跟踪方法的精确度。
-
Patent Agency Ranking
-
公开(公告)号：CN117556718A
公开(公告)日：2024-02-13
申请号：CN202410046968.1
申请日：2024-01-12
Applicant: 西北工业大学
IPC: G06F30/27 , G06N3/006 , G06N3/0499 , G06N3/084 , G06F111/08 , G06F119/14
Abstract: 本公开实施例是关于一种基于神经网络和多策略组合灰狼优化算法的火力分配方法。本公开实施例根据四维灰狼信息策略、协同参数自适应寻优策略、加权组合位置更新策略、非线性因子收敛策略和突变因子策略，提出了多策略组合灰狼优化算法，结合了神经网络打击能力评估模型评估火力分配方案，解决了多导弹空对面打击多目标火力分配的问题。
-
公开(公告)号：CN118862315B
公开(公告)日：2025-01-24
申请号：CN202411333236.7
申请日：2024-09-24
Applicant: 西北工业大学
Abstract: 本申请属于飞行器突防策略设计技术领域。本公开实施例是关于一种基于深度强化学习的飞行器突防方法。本公开实施例引入回归网络增强了深度神经网络的结构；根据脱靶量与能量优化的需求，提出了终端与过程组合、强奖励与弱激励引导形式的奖励函数，还在奖励函数中加入了节能因子的策略，实现对机动能耗的定量调控；在观测中引入了随机噪声，将环境的不确定性纳入了训练过程；此外提出了分层训练与课程学习结合的的策略，加快了算法的收敛速度，降低训练难度；引入了视线角速率修正因子，增强高超对视线角速率的敏度，增大了高超的突防成功率。
-
公开(公告)号：CN118862315A
公开(公告)日：2024-10-29
申请号：CN202411333236.7
申请日：2024-09-24
Applicant: 西北工业大学
Abstract: 本申请属于飞行器突防策略设计技术领域。本公开实施例是关于一种基于深度强化学习的飞行器突防方法。本公开实施例引入回归网络增强了深度神经网络的结构；根据脱靶量与能量优化的需求，提出了终端与过程组合、强奖励与弱激励引导形式的奖励函数，还在奖励函数中加入了节能因子的策略，实现对机动能耗的定量调控；在观测中引入了随机噪声，将环境的不确定性纳入了训练过程；此外提出了分层训练与课程学习结合的的策略，加快了算法的收敛速度，降低训练难度；引入了视线角速率修正因子，增强高超对视线角速率的敏度，增大了高超的突防成功率。
-
公开(公告)号：CN114663301A
公开(公告)日：2022-06-24
申请号：CN202210211459.0
申请日：2022-03-05
Applicant: 西北工业大学
Abstract: 本发明公开了一种基于小波层的卷积神经网络全色锐化方法，以离散小波变换层和其逆变换层取代CNNs中上采样、下采样层。将MS与PAN分别送入不同的分支网络，先经过DWT层分解为低频、高频部分，再通过卷积层进行特征提取，重复两次，将得到的低频部分加权融合之后，经过卷积层得到的低频部分特征图，与相应高频部分经卷积层所得的特征图，一起输入IDWT层，再重复两次，最后一次反小波层输入的低频部分是上一层卷积的结果加上MS第一次通过小波层所得低频部分，如此可充分融合MS与PAN的高低频部分信息，最后经过一次卷积后得到融合结果。本发明的网络模型具有体积小、信息损失少的特点；同时提高了融合效率，保证了最终融合图像的高质量。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.023 seconds)
