亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

通過地面和電離層之間的反射，高頻無線電波可傳播數千公里。超視距雷達（OTHR）利用高頻無線電的這一特性進行遠距離監視。然而，空間天氣現象會以不同方式阻礙超視距雷達的運行。例如，F 區電離層的水平電子密度梯度會使無線電波偏離大圓路徑，從而導致定位錯誤，而 D 區電子密度的增強會導致高頻無線電波的吸收增加，從而縮小 OTHR 的可用頻率范圍。了解空間天氣對高頻無線電波傳播的影響非常重要，這樣可以盡可能減輕對 OTHR 的影響。

本報告總結了為更好地了解空間天氣對高頻無線電波傳播的影響所做的工作。報告介紹了對極冠偏離大圓傳播統計、太陽終結者引起的晝夜偏離大圓傳播以及 D 區吸收的頻率依賴性的研究。然后，介紹了在加拿大雷索盧特灣安裝重建高頻發射機以幫助監測高頻無線電波傳播條件的情況。

超視距雷達（OTHR）對空間天氣造成的電離層干擾很敏感。這項工作中描述的研究旨在通過開發和修改現有軟件以及研究電離層現象對用于超視距雷達的高頻無線電波傳播的影響，改進目前的超視距雷達技術。

圖 2.7. 2020 年 6 月 20 日四個時間段 E-CHAIM 模擬的電離層臨界頻率圖（左）和從渥太華傳播的預期特征傳輸方位角偏移圖（右）。從上往下，地圖顯示了 5:00 UT（當地午夜）、09:00 UT（最接近當地日出的時刻）、17:00 UT（當地中午）和次日 01:00 UT（最接近當地日落的時刻）的臨界頻率和特征方位角偏移。每張地圖上的粗黑線表示相應時間太陽終結者的位置和方向。

直升機與艦船之間的界面是飛行員工作中最具挑戰性的飛行環境之一。有幾個因素使這種飛行狀態變得復雜，例如飛機、船舶和海洋之間的相對運動，以及氣流尾流和著陸區的封閉性。海霧、惡劣天氣和照明條件等視覺條件的惡化也加劇了其他困難。這些因素造成的飛行員高負荷工作可能會導致飛行員喪失態勢感知能力，從而導致災難性的飛機事故。目前已投入使用的提示系統無法應對這一挑戰。

為了減輕飛行員的工作量，提高態勢感知能力和性能，需要更好的飛行員提示系統。本論文研究了利用現代渲染技術的增強現實提示在多大程度上減輕了飛行員的工作量，提高了態勢感知能力和性能。這是通過支持 "抬頭、閉眼 "的以自我為中心的界面理念來實現的。提示系統力求將常見的飛行員任務元素納入設計中。對路徑預覽和軌跡預測的變化進行了研究。提示的視覺元素顯示為三維實物。

高工作負荷環境下的操作靈活性是飛行員完成任務的關鍵。動態生成飛行員可手動飛行的飛行軌跡是本論文的另一個目標。軌跡規劃采用了貝塞爾曲線的數學框架，以確保路徑滿足飛行員、認證機構和特定任務元素的需求。

在佐治亞理工學院的可重構旋翼機飛行模擬器中編入了四種不同的提示范例。這些范例包括：二維抬頭顯示器（HUD）、飛行引導提示系統（FLCS）、空中隧道（TIS）和三維飛行路徑標記（FPM）。然后，在一系列 "飛行員在環"（PIL）研究中，使用客觀測量方法和飛行員工作量調查對這些提示進行了評估。

共有 20 名飛行員參加了研究。7 名飛行員參加了第 1 階段，3 名飛行員參加了第 2 階段，10 名飛行員參加了第 4 階段。第 3 階段僅包括作者和 LTC Joe Davis 飛行的數據，原因是與大流行病相關的旅行限制導致無法使用更多外部飛行員。大多數 PIL 研究的參與者人數相對較少，在 2 到 6 人之間。為了從相對較少的參與者中獲得統計意義，參與者被要求多次重復任務。例如，第 4 階段的飛行員每人總共飛行了 54 次。根據中心極限定理，大樣本量的分布近似于正態分布，超過 30 個樣本量即被視為大樣本[1]。因此，即使對數據進行分割，以研究特定的提示條件或起始位置，也符合大樣本量標準，我們可以從中獲得統計洞察力。

貝塞爾曲線為動態生成著陸軌跡提供了一種可行的方法，供飛行員手動飛行。這些方法在數值上非常穩定，執行速度也足夠快，對飛行員的感知延遲極小。飛行員在橫向和縱向上都能以足夠的精確度遵循生成的軌跡。使用三維 AR 提示，飛行員在頭腦中將其處理為信號而不是標志或符號，這種模式的轉變減少了工作量，其性能與傳統提示方法相同或更好。

空間態勢感知是準確描述和預測空間環境狀態的能力，隨著運行衛星數量的增加，空間態勢感知已成為人們關注的話題。這一趨勢是由大型衛星星座的部署推動的，這些星座在完全部署后可能由數萬顆衛星組成。準確跟蹤空間物體對于預測和防止物體之間的碰撞非常重要，因為碰撞可能會對運行中的衛星造成災難性損害，并產生碎片云，危及其他衛星。然而，跟蹤空間物體非常復雜，部分原因是測量結果的來源不確定，這個問題被稱為數據模糊性。雖然存在多種能夠處理數據模糊性的目標跟蹤算法，但在太空環境中進行跟蹤還面臨其他挑戰。由于相對于可用傳感器資源而言，目標數量眾多，因此每個目標的可用觀測數據數量通常較少，而且由于上述數據模糊問題，許多觀測數據互不相關。最近興起的大型星群帶來了另一個問題，即相關衛星將利用低推力推進系統來保持編隊，這就要求具備機動目標跟蹤能力，以獲得最佳性能。在本論文中，我們將分析兩個問題，這兩個問題代表了運營商在不久的將來將面臨的空間物體跟蹤挑戰。我們將展示如何利用有限集統計開發適用的算法。有限集統計是一種數學框架，允許采用自上而下的方法開發具有所需功能的嚴格貝葉斯最優多目標過濾器。

分析的第一個問題是大型星座跟蹤問題。我們模擬了一個由 4,500 多顆低地球軌道衛星組成的星座，并使用 12 個地面近視傳感器網絡對其進行跟蹤。這些傳感器的任務由一個結合了信息論獎勵的成本函數來完成。我們還利用戰術重要性函數，將基于任務的目標（如有碰撞風險的物體的優先級）納入任務分配邏輯。收集到的數據將通過一個帶標記的多貝努利濾波器進行處理。濾波器產生的狀態目錄估計值用于激勵下一輪傳感器任務分配，從而形成一個用于綜合任務分配和跟蹤的自主閉環系統。經過五天的跟蹤期后，狀態目錄估計值將用于執行會合分析。我們將現有方法結合起來，為衛星間近距離接近的過濾和風險量化提供了一個計算效率高的工作流程。

分析的第二個問題是在存在機動目標時跟蹤多個目標。機動目標以不可預測的方式偏離其自然軌跡，通常需要專門的跟蹤算法才能獲得最佳性能。跟蹤此類目標的常用方法是交互式多模型濾波器，該濾波器可維持一組模型來表示目標的可能動態。未知動態可通過等效噪聲概念表示為白噪聲過程。這樣就能有效地跟蹤機動空間物體，但這種算法缺乏表征機動的能力。利用有限集統計，我們能夠開發出一種廣義標注多貝努利濾波器，允許整合任意動態模型。這樣，我們就能利用數據自適應方法，更具體地模擬未知動態，從而使濾波器除了進行機動目標跟蹤外，還能進行機動特征描述。我們還開發了一種基于考慮的最小二乘機動估計算法，該算法使用單次脈沖速度變化對未知動力學進行建模。這種機動的時間是通過多重假設法估算出來的。這種方法與我們提出的廣義標注多伯努利濾波器相結合，并應用于模擬地球靜止軌道衛星群，其中包括一顆執行未知機動的衛星。

大型星座跟蹤工作的結果表明，綜合任務分配和跟蹤算法能夠保持對所有模擬衛星的監護。在傳感器任務分配邏輯中加入了碰撞風險的衡量標準，從而提高了風險分析的準確性，但改進不大。我們假設，采用更通用的優化算法或不同的傳感器架構，可能會使基于任務目標的任務分配產生更大的影響。我們對機動目標跟蹤問題的研究結果表明，我們能夠以可接受的準確度描述機動動態。與實際機動相比，我們的表征絕對誤差相對較高，但我們能夠保持對所有目標的監護。在整個機動過程中，一致性指標保持穩定，這表明對估計的機動誤差不確定性進行了精確量化。未來的工作還包括將這項工作擴展到更大規模的場景，在這種場景中，由于機動檢測對計算效率的影響，機動檢測將成為一個更大的因素。此外，還需要進一步開展工作，將我們的算法擴展到低地軌道跟蹤場景中經常使用的非高斯狀態表示法。

圖 3.3：整合各種算法，形成自主風險感知衛星跟蹤系統。

在受到干擾器攻擊的戰術無線網絡中，頻譜感知是確保部署的軍事人員安全和高效的一個重要考慮因素。這些網絡的成員有必要了解頻譜中哪些信道受到破壞，哪些可安全用于數據傳輸。組成這些網絡的無線發射機可以通過感知不同信道的能量水平來確定這些信道上是否存在干擾器。然后，它們可以與同伴共享這一信息，以便協同識別和避開干擾器。目前有幾種基于強化學習的解決方案，允許無線發射機根據對干擾者活動的觀察制定傳輸策略，但當干擾者的行為是隨機的，從而使強化學習算法無法學習和預測其行為時，這些解決方案往往會失效。

在本論文中，首先討論協作頻譜感知以及認知無線電、干擾和反干擾背后的理論。接下來，詳細介紹了用于表示多智能體反干擾問題的系統模型。然后，介紹了一種協作式偽隨機信道選擇算法和一種基于超級決策向量的數據協作與融合方案，以提高對整個網絡頻譜利用率的認識。仿真結果表明，該方案可提高干擾器的檢測率，并增加未被干擾信道上的傳輸次數。

關鍵詞 協作頻譜感知、數據融合、干擾器檢測、戰術通信、Ad Hoc 網絡、無線通信

毫米波（mmWave）雷達與光學傳感器不同，體積小巧、精度高、穿透力強且符合隱私保護標準，因此在多傳感器應用中無處不在。然而，光學傳感器的高分辨率和圖像數據集的廣泛可用性導致了使用光學傳感器的機器學習解決方案的快速發展，從而將毫米波雷達推向了輔助傳感器的角色。本論文針對醫療保健、軍事和自主感知領域，介紹了一系列嘗試利用傳感器融合和機器學習方法增強毫米波雷達能力的新方法。首先，論文介紹了骨骼姿態估計技術，該技術可檢測到 15-25 個關鍵點，三維定位誤差小于 3 厘米，可潛在應用于病人/老年人監測、步態分析和識別以及行人監測。其次，介紹了一種自動雷達標注方案，以鼓勵快速開發雷達圖像數據集，幫助自主感知。這項研究還包括使用傳感器融合特征向量和 12 維雷達特征向量進行目標分類，在車輛與行人檢測研究中，準確率分別達到 98% 和 92%。最后，利用雷達-攝像頭傳感器融合技術探索了基于 DNN-LSTM 的目標跟蹤方法和基于三卡爾曼濾波器的目標跟蹤方法，在這兩種方法中，系統不僅提高了定位精度，而且對單個傳感器故障具有魯棒性。基于 DNN-LSTM 的跟蹤器的優勢在于它不需要事先在雷達和攝像頭之間進行校準，而且對于確定單個傳感器提供的定位差異至關重要。基于三卡爾曼濾波器的方法將這些發現用于多目標跟蹤，精度達到 26 厘米，與最先進的方法不相上下，漏檢率小于 4%，與文獻中大于 16% 的 FNR 相比有了顯著提高。本研究提出的方法大大提高了感知能力，使自主系統更加安全。

雙波段紅外（DBIR）具有在單一視場（FoV）內結合中波紅外（MWIR）和長波紅外（LWIR）的優勢。這為每個光譜波段提供了額外的信息。DBIR 相機系統在軍事和民用領域都有應用。這項工作介紹了一種新型標簽 DBIR 數據集，其中包括民用車輛、飛機、鳥類和人。該數據集旨在用于目標檢測和跟蹤算法。該數據集包含 233 個物體，其軌跡跨度長達 1,300 幀，同時包含 MW 和 LW 圖像。

本研究回顧了與目標檢測、紅外光譜中的目標檢測和數據融合相關的文獻。使用 DBIR 數據集進行了兩組實驗： 運動檢測和基于 CNN 的目標檢測。在運動檢測方面，開發了視覺背景提取器（ViBe）的并行執行，采用 ConnectedComponents 分析生成邊界框。為了評估這些邊界框，進行了交集-聯合（IoU）計算。結果表明，在攝像機視場保持靜止的序列中，DBIR 在 6.11% 的情況下增強了邊界框的 IoU。尺寸分析表明，ViBe 在檢測該數據集中的小而暗的目標時非常有效。

隨后的實驗采用了 "You Only Look Once"（YOLO）第 4 版和第 7 版，在對圖像進行預處理后對該數據集進行推理。推理模型使用可見光譜 MS COCO 數據進行訓練。研究結果證實，YOLOv4/7 能有效檢測該數據集中紅外光譜范圍內的目標。對這些 CNN 相對于檢測目標大小的性能進行評估，突出了目標大小在檢測能力中的重要性。值得注意的是，DBIR 大大提高了 YOLOv4 和 YOLOv7 的檢測能力；但是，在后一種情況下，假陽性檢測的數量會增加。因此，雖然 DBIR 提高了 YOLOv4/7 的召回率，但 DBIR 信息的引入卻降低了 YOLOv7 的精確度。

這項研究還證明了 ViBe 和 YOLO 在該數據集中基于目標大小的檢測能力上的互補性。雖然這是已知的現有技術，但本研究還討論了將這兩種方法混合使用的方法。ViBe 擅長檢測較小、較遠的目標，而 YOLO 擅長檢測較大、較近的目標。這項研究強調，在現代計算機視覺算法中，DBIR 比單用 MW 或 LW 具有多種優勢，值得進一步研究投入。

圖 5-30： YOLOv3 在重新分配的半標簽視譜圖上探測到的船只。(為便于說明，圖像對比度有所增強）。

在復雜的計算機視覺應用中，卷積神經網絡（CNN）的性能已經超過了人類水平，并有可能大大提高紅外反艦導彈尋的器算法的性能。但是，基于卷積神經網絡的算法的性能非常依賴于用于優化這些算法的數據，通常需要大量完全標注的真實世界訓練示例集。

本論文分為四個技術章節，探討了將 CNN 應用于長波紅外船舶探測、識別和鑒定所面臨的挑戰。為了解決缺乏合適的長波紅外訓練數據的問題，我們合成生成了一個由 972,000 張帶有不同海景和背景雜波的軍用艦船全標記圖像組成的大型熱仿真數據集。該數據集--IRShips--是全球最大的公開可用的此類圖像庫。

圖 3-14： 數據后處理算法概覽。

可配置的自動工作流程管道極大地促進了基于 CNN 算法的開發。這項工作開始時還沒有這樣的工具，因此我們創建了一個集成的模塊化深度學習開發環境--Deeplodocus。該環境已公開發布，目前已躋身 Python 軟件包索引庫前 50%軟件包的行列。利用 Deeplodocus，對全卷積單級 YOLOv3 物體檢測算法進行了訓練，以檢測真實世界長波紅外圖像序列中高度雜亂的船只。進一步增強 YOLOv3 后，F 分數達到 0.945，這是首次使用合成數據來訓練 CNN 算法，以成功檢測長波紅外圖像中的軍用艦船。

圖 2-5： 說明必須將多個不同的流程和軟件組件編譯成單一的互聯系統，才能訓練、驗證和測試深度學習算法。

利用新加坡海事數據集的視覺光譜和近紅外數據，將 YOLOv3 的檢測準確率與兩個替代 CNN（Faster R-CNN 和 Mask R-CNN）進行了基準比較，結果顯示 YOLOv3 比 Mask R-CNN 快三倍，但準確率低 3%。通過使用依賴光譜域的編碼對 YOLOv3 進行修改后，近紅外測試數據的準確性達到了一流水平，同時保持了 YOLOv3 在速度上的顯著優勢。

圖 1-3: 現代制導導彈所含關鍵子系統示意圖

表 1-1：部分現役反艦導彈的最大速度和射程，以及推進、導航和末端制導方式。

圖 3-5： 作為合成紅外數據集基礎的 10 個 CAD 模型。(不按比例）。

本論文開發了一種雷達系統，可在信噪比較低或目標離開天線主波束時避免丟失目標軌跡，從而改善跟蹤效果。目標跟蹤由具有兩種模式的卡爾曼跟蹤器執行。默認模式使用大量相控陣元件，從而形成窄波束進行目標搜索，這被稱為高分辨率（HR）模式。如果目標離開主波束，雷達系統會擴大波束，從而重新捕捉目標。這是通過減少天線元件數量來實現的，稱為低分辨率（LR）或寬搜索模式。為了保持信噪比，假定雷達會增加發射輸出功率。一旦重新捕捉到目標，雷達就會切換回高分辨率模式。因此，該雷達是一個集成波束轉向和跟蹤系統。

美國海軍提康德羅加級導彈巡洋艦，配備相控陣雷達系統。

認知型雷達，根據IEEE標準雷達定義686[1]，是 "在某種意義上顯示智能的雷達系統，根據不斷變化的環境和目標場景調整其操作和處理"。特別是，嵌入認知型雷達的主動和被動傳感器使其能夠感知/學習動態變化的環境，如目標、雜波、射頻干擾和地形圖。為了達到探測、跟蹤和分類等任務的優化性能，認知雷達中的控制器實時適應雷達結構并調整資源分配策略[2, 3, 4]。對于廣泛的應用，已經提出了不同的適應技術和方法，例如，自適應重訪時間調度、波形選擇、天線波束模式和頻譜共享，以推進認知雷達背景下的數學基礎、評估和評價[5, 6, 7, 8, 9, 10]。

雖然認知方法和技術在提高雷達性能方面取得了很大進展，但認知雷達設計和實施的一個關鍵挑戰是它與最終用戶的互動，即如何將人納入決策和控制的圈子。在國家安全和自然災害預報等關鍵情況下，為了提高決策質量和增強態勢感知（SA），將人類的認知優勢和專業知識納入其中是必不可少的。例如，在電子戰（EW）系統中，在設計適當的反措施之前，需要探測到對手的雷達。在這種情況下，戰役的進程和成功取決于對一個小細節的觀察或遺漏，僅靠傳感器的自動決策可能是不夠的，有必要將人納入決策、指揮和控制的循環中。

在許多應用中，人類也充當了傳感器的角色，例如，偵察員監測一個感興趣的現象（PoI）以收集情報。在下一代認知雷達系統中，最好能建立一個框架來捕捉基于人類的信息來源所建議的屬性，這樣，來自物理傳感器和人類的信息都可以被用于推理。然而，與傳統的物理傳感器/機器4的客觀測量不同，人類在表達他們的意見或決定時是主觀的。人類決策的建模和分析需要考慮幾個因素，包括人類的認知偏差、處理不確定性和噪音的機制以及人類的不可預測性，這與僅由機器代理組成的決策過程不同。

已經有研究工作利用信號處理和信息融合的理論來分析和納入決策中的人類特定因素。在[11]中，作者采用了先驗概率的量化來模擬人類在貝葉斯框架下進行分類感知而不是連續觀察的事實，以進行協作決策。在[12，13]中，作者研究了當人類代理人被假定使用隨機閾值進行基于閾值的二元決策時的群體決策性能。考慮到人類受到起點信念的影響，[14]中研究了數據的選擇、排序和呈現對人類決策性能的影響。在人類協作決策范式中，已經開發了不同的方案和融合規則來改善人類人群工作者的不可靠和不確定性[15, 16]。此外，在[17，18]中，作者將前景理論（PT）用于描述人類的認知偏見，如風險規避，并研究了現實環境中的人類決策行為。在[19, 20]中也探討了基于人類和機器的信息源在不同場景下的信息融合。在[19]中，作者表明，人類的認知力量可以利用多媒體數據來更好地解釋數據。一個用戶細化階段與聯合實驗室主任（JDL）融合模型一起被利用，以在決策中納入人類的行為因素和判斷[20]。

未來的戰場將需要人類和機器專業知識的無縫整合，他們同時在同一個環境模型中工作，以理解和解決問題。根據[21]，人類在隨機應變和使用靈活程序、行使判斷和歸納推理的能力方面超過了機器。另一方面，機器在快速反應、存儲大量信息、執行常規任務和演繹推理（包括計算能力）方面勝過人類。未來雷達系統中的高級認知尋求建立一種增強的人機共生關系，并將人類的優點與機器的優點融合在一起[22]。在本章中，我們概述了這些挑戰，并重點討論了三個具體問題：i）人類決策與來自物理傳感器的決策的整合，ii）使用行為經濟學概念PT來模擬人類在二元決策中的認知偏差，以及iii）在相關觀測下半自主的二元決策的人機協作。

本章的其余部分組織如下。在第11.1節中，我們介紹了一項工作，說明如何將人類傳感器的存在納入統計信號處理框架中。我們還推導出當人類擁有機器無法獲得的輔助/側面信息時，這種人機一體化系統的漸進性能。我們采用行為經濟學的概念前景理論來模擬人類的認知偏差，并在第11.2節中研究人類在二元假設檢驗框架下的決策行為。第11.3節討論了一種新的人機協作范式來解決二元假設檢驗問題，其中人的知識和機器的觀察的依賴性是用Copula理論來描述的。最后，我們在第11.4節中總結了與這個問題領域相關的當前挑戰和一些研究方向，然后在第11.5節中總結。

態勢感知是作戰人員的必需能力。一種常見的監視方法是利用傳感器。電子光學/紅外（EOIR）傳感器同時使用可見光和紅外傳感器，使其能夠在光照和黑暗（日/夜）情況下使用。這些系統經常被用來探測無人駕駛飛機系統（UAS）。識別天空中的這些物體需要監測該系統的人員開展大量工作。本報告的目的是研究在紅外數據上使用卷積神經網絡來識別天空中的無人機系統圖像的可行性。本項目使用的數據是由作戰能力發展司令部軍備中心的精確瞄準和集成小組提供的。

該報告考慮了來自紅外傳感器的圖像數據。這些圖像被送入一個前饋卷積神經網絡，該網絡將圖像分類為有無無人機系統。卷積模型被證明是處理這些數據的第一次嘗試。本報告提供了一個未來的方向，以便在未來進行擴展。建議包括微調這個模型，以及在這個數據集上使用其他機器學習方法，如目標檢測和 YOLO算法。