肖辉
- 作品数：40 被引量：24H指数：2
- 供职机构：中国科学院长春光学精密机械与物理研究所更多>>
- 发文基金：中国科学院知识创新工程中国科学院知识创新工程重要方向项目更多>>
- 相关领域：自动化与计算机技术文化科学更多>>
- 基于一阶方向导数的红外弱小目标快速检测方法
- 本发明属于红外图像处理及目标检测技术领域，尤其涉及一种基于一阶方向导数的红外弱小目标快速检测方法，包括：S1：基于Facet模型对经高斯差分滤波器处理后的原始红外图像沿0度和沿90度方向的一阶方向导数进行计算；S2：对第...
- 贲广利王永成肖辉钱进刘纪伟徐东东胡雪岩罗佺佺孙蕴晗
- 一种多载荷航天器在轨自动运控方法及装置
- 本发明实施例中提供一种多载荷航天器在轨自动运控方法及装置，对于每个工作模式，总控单元软件根据地面上注的模式指令中的模式代号、模式次序及模式执行时间等信息，可从存储器中获取并更新已固化的动作序列表，然后按照更新后的时间码值...
- 徐东东王永成肖辉罗佺佺贲广利胡雪岩钱进孙蕴晗
- 延时指令处理方法、装置、计算机设备及存储介质
- 本申请涉及航空航天飞行器测控技术领域，揭示了一种延时指令处理方法、装置、计算机设备及存储介质，方法包括：获取延时指令集合；在缓存数据的每个存储位置中，若不存在预设标识对应的存储位置，根据缓存数据中的各个存储位置和各个存储...
- 徐东东王永成肖辉罗佺佺
- 嵌入式处理器程序固化方法、装置、设备及存储介质
- 本发明公开了一种嵌入式处理器程序固化方法、装置、设备及存储介质，其中方法包括：接收待固化的程序；根据程序的大小在数据存储区划分第一预设数量个第一区域、同时在EDAC码存储区划分第一预设数量个第二区域；分别对每个第一区域和...
- 徐东东王永成罗佺佺肖辉钱进
- 基于参数动态调整的动态模糊神经网络的软件可靠性增长模型被引量：23
- 2013年
- 利用遗传算法对动态模糊神经网络的自身参数进行动态调整(GA-DFNN),并将其应用于软件可靠性增长模型(SRGM)的研究。在对动态模糊神经网络进行训练的过程中,用遗传算法求得动态模糊神经网络自身参数的优化解,根据得到的参数建立基于动态模糊神经网络的软件失效数据预测模型。利用3组软件缺陷数据,对用GA-DFNN建立的SRGM和模糊神经网络(FNN)以及BP神经网络(BPN)建立的SRGM的预测能力进行了比较,仿真结果证实,根据GA-DFNN建立的SRGM的短期预测能力稳定,短期预测误差小,且具有一定的通用性。
- 刘逻郭立红肖辉王建军王改革
- 关键词：软件可靠性增长模型动态模糊神经网络遗传算法
- 用于空间遥感相机的聚焦位置计算方法
- 本发明属于图像处理技术领域，尤其涉及一种用于空间遥感相机的聚焦位置计算方法，包括：S1：获取原始对焦图像，并利用原始对焦图像构建离焦图像数据集；S2：基于相关性度量公式对原始对焦图像和离焦图像数据集所包含的离焦图片一一进...
- 孙蕴晗王永成肖辉徐东东 贲广利 胡雪岩 罗佺佺 钱进
- 基于结合模拟退火算法的动态模糊神经网络的软件可靠性增长模型被引量：3
- 2012年
- 利用模拟退火算法对动态模糊神经网络的自身参数进行动态调整(SAA-DFNN),并将其应用于软件可靠性增长模型(SRGM)的研究。用软件失效数据在对动态模糊神经网络进行训练的过程中,用模拟退火算法求得动态模糊神经网络自身参数的优化解,根据得到的参数建立基于动态模糊神经网络的软件失效数据预测模型。根据3组软件缺陷数据,将SAA-DFNN建立的SRGM与模糊神经网络(FNN)、BP神经网络(BPN)、G-O模型建立的SRGM的预测能力进行比较,仿真结果表明,根据SAA-DFNN建立的SRGM的单步向前预测能力稳定,预测误差小,并具有一定的通用性。
- 刘逻郭立红肖辉王建军王改革
- 关键词：人工智能软件可靠性增长模型动态模糊神经网络模拟退火算法
- 红外小目标中心位置估计方法
- 本发明属于红外图像处理及目标检测技术领域，尤其涉及一种红外小目标中心位置估计方法。包括：S1：基于临近背景区域分割目标提取算法对红外原始图像进行处理，获得红外小目标的目标置信图<I>DT</I>；S2：对所述目标置信图<...
- 贲广利王永成王国昊赵赫肖辉钱进胡雪岩孙蕴晗
- 一种红外与可见光图像融合方法
- 本发明涉及一种红外与可见光图像融合方法，将多对红外、可见光源图像对裁剪处理得到多组对应图像对；将生成器输出的初步融合图像及裁剪后的可见光图像分别输入至判别器中，输出对应的单一可能性判别值；将融合图像与输入源图像间生成器损...
- 徐东东张宁张欣王永成肖辉贲广利胡雪岩钱进罗佺佺
- 基于FKAN的层级递进式高光谱图像分类方法
- 本发明属于遥感图像分类技术领域，尤其涉及一种基于FKAN的层级递进式高光谱图像分类方法。S1：将带有标签的高光谱图像数据集分为训练集和测试集后，对训练集进行处理，获得全局级样本、局部级样本和像素级尺度样本；S2：构建层级...
- 王永成冯昊钱进孙蕴晗胡雪岩贲广利徐东东肖辉
