相比与tensorflow模型caffe模型的转换更加简单，不需要有tensorflow模型转uff模型这类的操作，tensorRT能够直接解析prototxt和caffemodel文件获取模型的网络结构和权重。具体解析流程和上文描述的一致，不同的是caffe模型的parser不需要预先指定输入层，这是因为prototxt已经进行了输入层的定义，parser能够自动解析出输入，另外caffepar

2.1 多传感器数据关联时的数据准备2.1.1.预处理一、 点迹过滤：基本依据是运动目标和固定目标跨周期的相关特性不同。**（1）保留雷达扫描5周期的信息，包括各个障碍物的坐标信息；（2）新点迹与之前5圈的点迹按由老到新的次序进行逐个对比；（3）根据目标运动速度等因素设置两个窗口，一个大窗口，一个小窗口。设置6个标志位p1~p6和GF；（4）新来的点迹与第一圈的点迹比较，比较结果第一圈点迹中至少有

速度快准确率高可解释性强适用性广rcnn使用区域建议方法，首先在一张图像中产生可能的边界框。分类后，利用后处理对边界框进行细化，消除重复检测，并根据场景中的其他对象边界框进行重新扫描，这些复杂的流水线很慢。并且因为每个独立的部分都需要被分开训练，所以很难优化。yolo模型原理：将目标检测重新定义为一个单一的检测问题，从图像像素直接到边界框坐标和类别概率。使用过一个卷积神经网络同时预测多个边界框和这

11.1 基本概念强化学习问题包含3个主要概念：环境状态（Environment State），动作（Action）和奖惩（Reward）。

目前数据融合系统特点：采用的传感器类型，一般以雷达，电子情报（ELINT）接收机，电子支援测量（ESM）系统，红外，激光和可见光，声音传感器等。采用的融合算法，数据关联，多目标跟踪，身份估计和基于知识系统。采用的系统按融合级别分，状态和身份估计，态势评估和威胁评估。1.1 雷达信号处理流程雷达信号处理和目标检测雷达中频信号–相干波检测/包络检测–动目标显示/自适应动目标显示/动目标检测/脉冲压缩/

1.1 人工智能的发展1.专家系统：20世界60年代末到70年代出现了知识库方法，典型应用为DENDRAL化学质朴分析系统2.20世纪80年代末，BP算法出现，同时出现了很多基于数理统计学模型，比如机器学习支持向量机，随机森林，逻辑回归3.2006年，加拿大多伦多大学发现：（1）多隐层的忍冬神经网络具有较好的特征提取能力，提取到的特征能够更精确的刻画数据（2）通过“逐层初始化”的方法可以解决关于深

目前数据融合系统特点：采用的传感器类型，一般以雷达，电子情报（ELINT）接收机，电子支援测量（ESM）系统，红外，激光和可见光，声音传感器等。采用的融合算法，数据关联，多目标跟踪，身份估计和基于知识系统。采用的系统按融合级别分，状态和身份估计，态势评估和威胁评估。1.1 雷达信号处理流程雷达信号处理和目标检测雷达中频信号–相干波检测/包络检测–动目标显示/自适应动目标显示/动目标检测/脉冲压缩/

1.1 基本概念模式识别：从数据中识别或发现规律，并加以有效使用。为了进行模式识别，往往要借助计算设备进行编程实现和决策执行，这种设备即机器。机器学习：从计算设备的角度出发，是指机器从不具备某方面能力到具备次能力的学习过程，即发现数据中的规律并加以使用的能力。1.1.1 投票选举近邻法集成学习主动学习1.2 典型的机器学习系统1.2.1 医学图像诊断病理图像：高倍显微镜下看到的将人体组织做成病理切