为了解决传统算法在全自动跟踪过程中遇到遮挡或运动速度过快时的目标丢失问题，本文提出一种基于YOLOv3和ASMS的目标跟踪算法。首先通过YOLOv3算法进行目标检测并确定跟踪的初始目标区域，然后基于ASMS算法进行跟踪，实时检测并判断目标跟踪效果，通过二次拟合定位和YOLOv3算法实现跟踪目标丢失后的重新定位。为了进一步提升算法运行效率，本文应用增量剪枝方法，对算法模型进行了压缩。通过与当前主流算法进行对比，实验结果表明，本算法能够很好地解决受到遮挡时跟踪目标的丢失问题，提高了目标检测和跟踪的精度，且具有计算复杂度低、耗时少，实时性高的优点。

核相关滤波(KCF)算法在跟踪过程中由于目标受到遮挡或者目标本身的形变、大小变化等问题容易丢失目标。针对以上问题对原算法做出如下改进: 一是加入检测模型响应值的方法作为判定目标是否丢失的依据，一旦判定目标丢失，模型就会暂停更新，增加采样窗口个数来扩大目标搜索范围，直至判定为重新定位目标; 二是加入一种自适应的多尺度搜索策略; 三是将原算法采用的方向梯度直方图(HOG)特征与图像灰度特征矢量融合作为新的样本特征。将原算法和改进算法用于实验采集的红外视频序列，定性地比较和分析跟踪效果，同时根据在OTB-2013中测试的跟踪精度做定量的评估。实验结果表明，改进算法的综合性能及应对目标受到遮挡、形变、大小变化等问题上的鲁棒性能均有提高。

针对单镜头激光三角法存在的光条遮挡问题,提出了一种解决光条遮挡问题的双镜头激光面型测量方法。首先通过实验观察并探究了光条在传感器中的分布现象及形成原因,分析了物体表面形貌、光学系统与光条分布的关系,以及光条分布对三维重建的影响;然后基于直入射激光三角法原理设计了双镜头测量系统,应用形态学处理结合灰度重心法等多种算法提取光条中心坐标,最后基于方差最小化对双镜头数据进行关联融合。实验结果表明:双镜头能够解决由光条遮挡造成的大面积形貌缺失的问题,能够重建待测物体表面形貌的完整包络,数据缺失占比小于0.5%。

目前国内出现了一种新型云轨, 云轨有着造价低、能耗小以及施工周期较短等优点。然而云轨的各项指标要求很高, 其中轨道定位尤为重要。为了实现了云轨检测的精确定位, 本文设计了一种新型轨道检测车, 并开发了基于双层双向长短期记忆模型(LSTM)的云轨SIN-GPS定位算法。首先, 介绍了轨道检测车的机械结构和各项传感器参数。接着, 分析了传统的SIN-GPS定位算法及其缺点, 在GPS信号消失后会出现误差积累。然后, 引出双层双向长短期记忆模型, 说明了该模型对GPS信号消失时的误差动态学习和补偿。最后, 通过3组实验分析算法在云轨检测车的不同运动状态下的准确率。证明了长短期记忆模型均优于传统算法模型和其他智能算法模型。实验结果表明: 在运动状态下LSTM算法比SINS误差小79.8%, 静止状态下SINS误差最小。设定速度阈值为0.2 m/s, 大于此阈值采用LSTM算法, 小于此阈值直接用SINS的数据, 可以得到最准确的位置预测结果。

快速准确的识别突水类型和突水来源对煤矿安全开采具有重要意义, 激光诱导荧光(LIF)技术在检测中具有快速性和灵敏性, 将LIF应用于煤矿突水的检测, 再结合模式识别算法, 可快速识别出突水来源。 目前用于识别水样光谱的算法过于依赖预先建立的水样光谱数据库, 当突水水源不在该库中时, 易引发误识别。 无监督学习算法DBSCAN在聚类时不需样本集的标签和类别信息, 能降低对未知类别的误识别, 因此把DBSCAN算法用于突水的激光诱导荧光光谱识别, 并将MVO用于DBSCAN的参数寻优, 省去繁琐的人工参数寻优过程。 实验中, 从谢桥煤矿采水点获取四个水样, 利用像素为2 048的USB2000+光谱仪采集水样的荧光光谱, 每种水样采集30组光谱数据。 首先, 利用无监督学习算法自动编码器(AE)对原始光谱数据降维, 以减少光谱数据中冗余信息对聚类的影响, 设计的AE的结构是介于浅层和深层之间的多层网络模型, 可将原始光谱数据降到2维; 为使降维模型具有稀疏性, 在传统的AE算法中加入一个Dropout层, 由实验可知, 加入Dropout层后的降维模型具有较快的收敛速度。 将多元宇宙优化(MVO)算法用于DBSCAN参数寻优, 在参数寻优过程中, DBSCAN对降维后的水样光谱识别率最高为97.5%, 此时参数所对应的取值范围为［0.023 66 0.040 65］; 为验证AE对水样光谱数据降维的有效性, 把归一化后的未降维的光谱数据用于DBSCAN聚类识别, DBSCAN对原始水样光谱的识别率最高为95%, 比降维后的后水样光谱识别率低了2.5%, 结果表明, 使用AE降维光谱数据, 可提高DBSCAN对不同光谱的识别率。 最后, 用监督学习算法K最近邻(KNN)识别降维后的水样光谱, 将识别结果和无监督学习算法DBSCAN的识别结果对比, 其中训练集选用三种水样, 测试集使用四种水样; 在测试集中, 监督学习算法只能准确地识别训练集所包含的水样类别, 但把训练集没有的类别全部识别错误, 而DBSCAN能准确的识别出训练集中没有的水样光谱。 非线性降维算法AE能实现对高维的水样光谱数据降维, 把MVO-DBSCAN用于煤矿突水水源的LIF光谱识别, 可有效降低因矿井水源光谱数据库建立不完备而引起的误识别。

随着核应用领域的不断拓宽，放射源丢失事故发生的概率也随之增加。机载伽马谱仪可有效搜寻地面放射源，然而对于放射源丢失于水域的情况，由于伽马射线经由水层屏蔽后可探测性降低，故利用放射源在水中产生的切伦科夫辐射对其进行搜寻显得十分重要。采用MCNP与Geant4相结合的方法，以及在Geant4程序中采用接续计算技巧，对Co-60源在水中的切伦科夫光产生以及传输进行了计算，计算表明，切伦科夫光经水中传播后，主要波段在300~600 nm，强度呈由边缘到中心渐强的特征分布，分布范围大致与放射源在水中的深度一致，在水中传输300 m后其光通量约为100 cm-2，可利用光谱特征和强度分布特征对其进行测量。

依据感应同步加速器验证实验中的相关数据，编写程序，实现了对感应同步加速中粒子纵向动力学过程的数值模拟。针对引起加速初期束团粒子大量丢失的多个可能因素进行了计算分析，明确了各因素对粒子丢失的影响方式和程度。以此为基础，提出了通过大幅减小加速腔体积并同时增加加速腔数量的方式来解决感应同步加速电压幅度实时调节困难的可行性建议，为感应同步加速器的性能提升提供了参考。

针对非线性相关系统中量测数据随机丢失问题，研究了带有随机量测数据丢失且带有相关噪声的扩展卡尔曼滤波算法。通过引入相关系数和服从伯努利分布的传输系数的方法，提出了带相关噪声的量测数据随机丢失EKF。最后，将所提算法应用于空间非合作目标的跟踪问题，仿真验证了算法的有效性。

为了确保基于NCV门库的量子电路的正确性和有效性,给出了量子 电路故障定位树的生成算法和 量子电路黑盒检测算法来定位量子电路中的门丢失故障。该故障定位树算法去除约98%的无用输出向量, 提取输出表中有效的输入向量以及对应的故障输出向量,逐层生成故障定位树。结合量子电路黑盒检测算 法对量子电路进行故障定位时不需要访问输出表就能够有效定位量子电路中的丢失门。对benchmarks部分 电路进行实验,结果验证了该算法定位单故障门的有效性。

多态光突发交换(POBS)网络能够有效地支持多种同步和异步业务的传输, 但是其异步突发业务的丢失率较相同网络环境下的传统OBS丢失率要高。如何有效地对多态OBS中异步突发进行合理调度, 是降低异步突发丢失率的关键所在。提出了一种基于信道整理的调度算法, 将已经成功调度的突发重新调度到最合适的数据信道, 使得信道资源得到充分的利用, 从而降低了异步突发的丢失率。仿真结果表明, 该算法能很好地降低多态OBS网络中异步突发的丢失率。