利用宽带电磁感应技术的自适应相干估计器(ACE)用于爆炸性危险物探测
本文采用接收器操作特征(ROC)曲线比较了文献中几种目标检测算法的检测性能,通过两个真实数据集的测试证明了该方法在手持式爆炸危险品检测中的优劣势,特别是在存在高磁性土壤干扰的情况下,Wide-band Electromagnetic Induction Sensors在探测缺乏或含有非常少量导电材料的目标上仍存在挑战。
Mar, 2019
本研究介绍了一种基于深度学习和传统方法的方案,用于实现雷达目标检测中的区分类似数据点且不需要监督的方法。通过对微多普勒信号的模拟研究,本文介绍了用于鉴别数据点所需要的特定监督要求,并讨论了训练中标签异常对训练集污染的影响。
May, 2022
本研究提出了基于经验熵的逐步下降法和分离方向估计的两种计算高效的惯性测量单元(IMU)方向估计算法,并证明了多核心经验熵损失(MKCL)作为一种最大似然估计(MLE)的最优目标函数,适用于一种重尾分布的噪声。使用MKCL替换标准的MSE代价函数,开发了CGD和CDOE算法,并通过实验结果表明,这些算法比现有算法在各种情况下都表现优异。
Apr, 2023
本文利用频率调制连续波(FMCW)雷达作为一种非破坏性感知模式来增强制造质量保障,并开发了一种新的异常检测管道,它能在去除正常数据先验信息后专注于异常特征的属性
Jun, 2023
该研究提出了一种名为 RaDaR 的框架,它利用雷达测量和联邦学习来训练神经网络模型,实现了对动态室外环境中障碍物状况和时间的预测,从而进行主动式切换和传输,提高了网络的可靠性和体验质量。
Jun, 2023
通过利用范围-Doppler光谱信息,我们提出了一种在强杂波环境中使用雷达传感器测量来跟踪未知数量目标的挑战。我们采用了一种新颖的神经增强消息传递方法,将得到的信念用作增加杂波拒绝和数据关联的附加信息,从而增强了目标跟踪的鲁棒性。我们还提出了一种基于分类的鲁棒多目标跟踪算法,采用神经增强消息传递技术。通过模块化方法,该算法有效地提升了杂波抑制和数据关联的性能,从而在多目标跟踪中取得显著改进。
Oct, 2023
在搜索与救援(SAR)场景中,困人的检测是普适计算中面临的重大挑战,本研究采用机器学习技术来解决这个问题,通过利用无线通信协调信息并使用超宽带雷达信号在非直线可视(NLOS)场景中识别个体,实验结果表明所提出的方法在静态数据和动态数据上分别获得了88.37%和87.20%的分类准确性,对SAR行动中科学家和工程师做出即时决策具有积极意义。
Feb, 2024
本研究解决了当前汽车多输入多输出(MIMO)雷达在到达角(AOA)估计中性能不足的问题。提出的AAETR方法通过高效的稀疏无网格技术以及较少的可调超参数,实现了在多目标和不同信噪比场景中的优越性能,与传统的超分辨率AOA算法相比,展现出良好的零-shot转移能力和抑制旁瓣干扰的潜力,为实际系统的应用提供了新思路。
Aug, 2024
本研究解决了海上搜救任务中人类检测算法的准确性不足的问题。通过利用增强数据集模拟不同天气和光照条件,提出了一种创新的方法来训练YOLO模型。研究结果表明,经过增强训练的模型在真实环境条件下表现出更高的鲁棒性和人类检测准确率,提升了搜救行动的效率。
Aug, 2024
本研究解决了海洋搜索救援(SAR)中人类检测精度不足的问题。通过使用YOLO模型对包含各种气象和光照条件的增强数据集进行训练,提出了一种创新的方法来提升检测准确性。研究结果表明,使用增强数据集训练的模型在面对现实世界的变化条件时,表现出更强的鲁棒性,检测回调率提高了3.4%。
Aug, 2024