1 陆军装甲兵学院, 北京 100072
2 中国人民解放军61150部队, 陕西 榆林 719000
针对地面合成分队作战特点和传统火力分配模型的不足, 建立了一种最小火力浪费的火力分配模型, 模型旨在大致满足毁伤要求而不过分追求绝对的毁伤概率以避免火力过度集中与浪费; 提出一种改进遗传算法的模型求解方法, 以增强算法对模型的寻优能力。实例仿真结果及对比分析表明, 模型建立合理可行, 可为地面合成分队火力优化分配提供较好的解决途径。
火力分配 合成分队 最小火力浪费 改进遗传算法 firepower distribution synthesis unit minimum firepower waste improved genetic algorithm
以地面合成分队联合作战为背景, 建立了基于集群目标的威胁评估指标体系; 针对传统威胁评估方法中采用常权权重易导致状态失衡的问题, 引入区间数理论确定指标区间常权, 并结合作战态势利用变权理论确定指标区间变权权重, 使权重能够随着战场变化而动态调整; 将区间变权与灰色关联法相结合, 构建出一种适用于区间数的最小二乘灰色关联威胁评估模型。最后通过实例仿真验证了模型和方法的有效性。
集群目标 区间数 变权 最小二乘 灰色关联法 cluster target interval number variable weight least squares grey correlation method
为了在动态场景图像序列中准确地完成全局运动估计, 实现对运动背景的补偿, 提出了基于均值聚类和几何关系的运动背景估计算法。首先, 利用Harris算法提取两帧图像的特征点, 建立特征点匹配对。其次, 利用K-means聚类算法去除在匹配过程中存在的明显错误的特征点对。再次, 利用三角几何关系去除位于运动目标上的特征点。最后, 利用随机样本一致(RANdom SAmple Consensus, RANSAC)算法和最小二乘方法求出运动参数。分析实验结果得出: 本文算法比原始算法的峰值信噪比提高了5%左右, 所耗时间减少了50 ms。实验结果表明: 该算法能更加精确的实现运动背景估计, 提高了运动背景估计的鲁棒性, 同时提高了计算速度。
Harris特征点 K均值聚类 三角几何关系 随机样本一致 运动背景估计 Harris feature point K-means clustering triangulation RANSAC moving background estimation
针对运动背景下运动目标分割定位困难的问题, 提出了融合背景补偿与均值漂移的运动背景下目标分割定位算法。该算法首先在运动背景补偿的基础上, 利用帧间差分法得到差分图像。其次, 对差分图像中非零像素点建立多特征描述子, 运用均值漂移算法对其进行聚类。最后, 利用均值聚类得到的非零像素点来对运动目标进行分割定位。实验结果充分表明, 该算法可以比较精确地进行运动背景下移动目标的分割定位。
运动背景 目标分割定位 背景补偿 均值漂移 moving scenes segmentation and location of object background compensation mean shift