-
公开(公告)号：CN111724417A
公开(公告)日：2020-09-29
申请号：CN202010540206.9
申请日：2020-06-15
申请人： 中国电子科技集团公司第二十九研究所
摘要： 本发明涉及多目标跟踪技术领域，公开了一种基于傅里叶变换考虑形状差异的多目标跟踪评估方法，本方法通过以下步骤实现：步骤1，获取多目标跟踪过程中的真实目标状态集和估计目标状态集；步骤2，构造真实目标状态集和估计目标状态集之间的FOSPA距离；其中，所述FOSPA距离中包括位置误差、势误差和形状误差；步骤3，求解FOSPA距离；步骤4，基于求出的FOSPA距离进行跟踪算法的性能评估，给出评估结论。对于实例场景要求考虑形状差异的评估需求，本发明所提方法更能满足评估要求，得到的评估结论更符合直观理解也更加合理，特别地，在对每个跟踪时刻计算FOSPA距离时，可实现对整个跟踪过程中算法性能评估，因此该方法具有较好的应用价值和推广前景。
-
公开(公告)号：CN112418307B
公开(公告)日：2022-08-09
申请号：CN202011309448.3
申请日：2020-11-20
申请人： 中国电子科技集团公司第二十九研究所
摘要： 本发明公开了一种结合深度学习和集成学习的辐射源个体识别方法，所述辐射源个体识别方法包括：S1：生成数据集，随机抽取数据集中预设比例样本作为训练集，剩余的作为测试集；S2：生成辐射源特征矩阵；S3：选择深度学习方法构建深度学习模型，并将步骤S2获得的辐射源特征矩阵作为输入进行训练，生成个体识别模型；S4：选择集成学习模型构建集成学习模型，并将步骤S2获得的辐射源特征矩阵作为输入进行训练，生成个体识别模型；S5：确定深度学习与集成学习的权重值，并根据权重值形成针对不同辐射源个体的综合识别模型；S6：利用测试集对综合识别模型进行验证。本发明的方法能够提升辐射源个体识别准确率。
-
公开(公告)号：CN113064585A
公开(公告)日：2021-07-02
申请号：CN202110489159.4
申请日：2021-04-30
申请人： 中国电子科技集团公司第二十九研究所
摘要： 本发明公开了一种基于JSON模式的实时报文接口自动生成方法，包括以下步骤：S1，根据传输协议定义数据类型，生成数据结构体；S2，将数据结构体转换成JSON Schema文件；S3，对生成的JSON Schema文件进行校验；S4，将经校验后的JSON Schema文件转化为QTui文件；S5，利用Qtui文件生成静态报文接口。本发明解决了现有技术存在的对接口测试的验证不够直观和充分、从而影响接口开发和联试效率的问题。
-
公开(公告)号：CN113064585B
公开(公告)日：2023-04-11
申请号：CN202110489159.4
申请日：2021-04-30
申请人： 中国电子科技集团公司第二十九研究所
摘要： 本发明公开了一种基于JSON模式的实时报文接口自动生成方法，包括以下步骤：S1，根据传输协议定义数据类型，生成数据结构体；S2，将数据结构体转换成JSON Schema文件；S3，对生成的JSON Schema文件进行校验；S4，将经校验后的JSON Schema文件转化为QTui文件；S5，利用Qtui文件生成静态报文接口。本发明解决了现有技术存在的对接口测试的验证不够直观和充分、从而影响接口开发和联试效率的问题。
-
公开(公告)号：CN115828036A
公开(公告)日：2023-03-21
申请号：CN202211300798.2
申请日：2022-10-24
申请人： 中国电子科技集团公司第二十九研究所
IPC分类号： G06F17/15
摘要： 本发明提供了一种基于参考碎片航迹的动态校正无源跟踪方法，包括：步骤1、对无源跟踪系统接收的参考碎片航迹粘连拟合，生成区间航迹拟合模型；步骤2、基于拟合模型和无源跟踪系统在该区间内传感器原始量测序列得到量测偏差；步骤3、利用量测偏差对实时输入的原始量测进行矫正，再将校正后的量测代入无迹卡尔曼滤波迭代过程完成前向滤波跟踪和后向平滑优化，输出平滑后的航迹。本发明有效利用了参考碎片航迹信息，对无源跟踪系统中的量测偏差进行了动态校正，可信性更强；同时利用校正后的量测进行目标跟踪，均方根误差明显变小，有效提高了航迹精度。
-
公开(公告)号：CN111724417B
公开(公告)日：2022-08-02
申请号：CN202010540206.9
申请日：2020-06-15
申请人： 中国电子科技集团公司第二十九研究所
IPC分类号： G06K9/62
摘要： 本发明涉及多目标跟踪技术领域，公开了一种基于傅里叶变换考虑形状差异的多目标跟踪评估方法，本方法通过以下步骤实现：步骤1，获取多目标跟踪过程中的真实目标状态集和估计目标状态集；步骤2，构造真实目标状态集和估计目标状态集之间的FOSPA距离；其中，所述FOSPA距离中包括位置误差、势误差和形状误差；步骤3，求解FOSPA距离；步骤4，基于求出的FOSPA距离进行跟踪算法的性能评估，给出评估结论。对于实例场景要求考虑形状差异的评估需求，本发明所提方法更能满足评估要求，得到的评估结论更符合直观理解也更加合理，特别地，在对每个跟踪时刻计算FOSPA距离时，可实现对整个跟踪过程中算法性能评估，因此该方法具有较好的应用价值和推广前景。
-
公开(公告)号：CN112418307A
公开(公告)日：2021-02-26
申请号：CN202011309448.3
申请日：2020-11-20
申请人： 中国电子科技集团公司第二十九研究所
摘要： 本发明公开了一种结合深度学习和集成学习的辐射源个体识别方法，所述辐射源个体识别方法包括：S1：生成数据集，随机抽取数据集中预设比例样本作为训练集，剩余的作为测试集；S2：生成辐射源特征矩阵；S3：选择深度学习方法构建深度学习模型，并将步骤S2获得的辐射源特征矩阵作为输入进行训练，生成个体识别模型；S4：选择集成学习模型构建集成学习模型，并将步骤S2获得的辐射源特征矩阵作为输入进行训练，生成个体识别模型；S5：确定深度学习与集成学习的权重值，并根据权重值形成针对不同辐射源个体的综合识别模型；S6：利用测试集对综合识别模型进行验证。本发明的方法能够提升辐射源个体识别准确率。
-
-
-
-
-
-
搜索结果
7 条记录 (耗时 0.038 秒)
