提出了基于可变形部件模型(deformable part model,DPM)的高分二号(GaoFen-2,GF2)遥感影像船只检测方法,并与区域卷积网络(regional convolutional neural network,R-CNN)进行比较。先将遥感影像分段以获得船只的粗略感兴趣区域(regions of interest,ROI),然后在ROI内计算方向梯度直方图(histogram of oriented gradients,HOG)和卷积特征,再分别由DPM和R-CNN采用HOG和卷积特征。为测试R-CNN的最佳性能,将具有5个卷积层(ZF网)和具有13个卷积层(VGG网)的网络应用于船只检测。使用8张GF2遥感影像的3 523艘船只的实验结果表明,DPM和R-CNN都能以高召回率和正确率检测水中的船只,但对于聚集船只而言,DPM的效果优于R-CNN。基于HOG+DPM,ZF网和VGG网的方法平均精度分别为95.031%,93.282%和93.683%。
对含攻击角度约束的机动目标拦截问题,基于非线性系统控制的浸入与不变(immersion and invariance,I&I)理论设计了一种新的自适应制导律。将目标机动综合作用作为系统干扰建立拦截问题的数学模型。制导律设计分两步完成:第一步设计I&I干扰估计器估计系统干扰,第二步设计考虑估计器跟踪误差下的I&I制导律。然后基于输入-状态稳定理论证明闭环制导系统稳定性。由于不涉及切换函数的问题,制导指令光滑连续。在该制导律作用下,视线角速率收敛速度快,导弹抗目标机动的鲁棒性强,并能够保证攻击角度要求,仿真证实了制导律的有效性。
针对观测站机动前目标距离未知导致无法计算Fisher信息矩阵(Fisher information matrix,FIM)的问题,从粗估目标初始距离和减小粗估误差对FIM行列式影响两方面着手,提出在转向前计算FIM进而设计机动策略的方法。首先,在修正极坐标系下建立系统模型,描述了观测站leg-by-leg机动模式下FIM的计算方法。其次,通过假设目标速度实现目标初始状态粗估,提出使归一化初始距离粗估误差最小的目标速度假设方法。然后,对FIM行列式进行近似及多项式展开,通过控制前后leg段比例以减小状态粗估误差对FIM行列式的影响。最后,利用仿真验证了所提机动策略设计方法的可行性和有效性。结果表明,对于典型的水下目标跟踪场景,FIM行列式的有效估计概率为76.7%,平均的相对估计误差为0.12。
