基于深度学习算法的极化合成孔径雷达通用分类器设计

地物分类是PolSAR(极化合成孔径雷达)的重要应用方向。传统算法需要基于特定数据人工选取特征和设计分类器,而深度学习算法能够自行从海量数据中提取层次化特征。在深度学习算法总结的基础上,结合深度学习和PolSAR大数据,提出了一种高效率、高精度的通用分类器设计方法。使用人工标记的数据训练CNN(深度卷积网络),自动化地进行特征学习和提取,并实现高精度的地物自动分类。在具有不同分辨率的机载和星载PolSAR数据上对通用分类器进行测试,都能快速、准确地分类。研究成果可快速将PolSAR数据转译为更直观的地物分类结果,对海量数据,特别是GF-3卫星PolSAR图像的利用有一定的辅助价值。     

基于时变散射特征与CNN的双极化SAR作物分类

作物类型分类是极化合成孔径雷达(PolSAR)图像中最重要的应用之一。然而，由于成本和系统限制，越来越多的双极化SAR系统已经投入使用。由于双极化模式的限制，双极化SAR数据集存在严重的贴现特性，使得双极化SAR图像难以获得令人满意的分类精度，因此有必要提取更适合于双极化SAR数据集的散射特征。基于H/α分解的基本理论，引入了一个新的参数来测量农作物的时变散射特性，并针对双极化SAR图像提出了时变散射特征驱动的卷积神经网络(CNN)。实验结果表明:提出的CNN分类方法达到了最高的分类精度。与不同的特征组合输入相比，提出的新参数能稳定地提高分类器的分类性能，H、α、θ和强度特征的组合也能达到最佳的分类性能。     

多特征实优化PolSAR图像舰船目标增强方法

极化合成孔径雷达(PolSAR)数据蕴含了丰富的极化信息,已被广泛应用到海上舰船检测中。针对检测过程中存在的相干斑模糊、甚至淹没目标问题,采用多个特征通过实优化,提出了一种新的PolSAR图像舰船增强方法。在大量实验基础上,该方法首先选择了效果较好的极化白化滤波、极化熵与Pauli分解中舰船成分作为参与优化的元素,然后利用实优化融合来提取最优目标增强特征图,最后通过Radarsat-2全极化数据进行了验证。实验结果表明,该算法能有效抑制相干斑,同时增强海上舰船目标。     

基于复数域Transformer-Unet混合模型的PolSAR地物分类

传统的基于深度学习的极化合成孔径雷达（Polarimetric Synthetic Aperture Radar,PolSAR）地物分类方法,通过堆叠卷积层提取图像局部特征,难以建立长距离依赖关系。基于自注意力机制的深度学习模型Transformer（变换）在图像分类任务中取得了成功,其自注意力机制能够捕获全局像素之间的关联性,同时PolSAR地物分类任务被证实：相比于实数域,其在复数域上表现出更好的分类效果。因此,本文将Transformer引入到复数域中,提出了一种基于复数域的Transformer和Unet（语义分割网络）混合模型（CT-Unet）用于PolSAR地物分类,将Transformer与CNN相结合,对复数类型的PolSAR数据进行特征提取,使用西安数据集和德国数据集进行PolSAR地物分类的实验结果表明：提出的模型能够有效提高PolSAR地物分类的准确性,Transformer有望在PolSAR地物分类任务中弥补卷积神经网络的不足。     

基于极化GO分布和MRF的多视PolSAR图像迭代分类方法

提出了一种多视极化合成孔径雷达（PolSAR）图像的迭代分类方法。首先利用极化G0分布描述多视极化协方差矩阵的统计特性，并进行初始的最大似然分类，然后利用马尔可夫随机场（MRF）估计像素类标号的先验概率，最后根据MAP（最大后验概率）准则对PolSAR图像进行分类。整个分类流程迭代进行。分类结果表明该方法精度高，收敛速度快。利用NASA／JPL获取的4视AIRSAR实测数据验证了本文方法的有效性。     

基于目标分解和SVM的极化SAR图像分类方法

极化SAR图像分类是新体制雷达应用研究中的一类基础前沿问题。文章提出了一种基于目标分解及支持矢量机(Support Vector Machine,SVM)的极化SAR图像分类方法。首先根据Cloude分解和Freeman分解两种方法提取极化SAR图像的多类散射特征,从而构造出图像各像素的特征向量。接着利用样本区域像素的特征向量对SVM进行训练,获得经训练的SVM。最后,以各待分类像素的特征向量为输入,利用经训练的SVM即可完成极化SAR图像的分类。对两幅AIRSAR实测极化SAR图像数据分类的结果表明,文章方法能够有效地利用多类散射特征的互补信息,具有较高的分类精度。     

基于堆栈自编码网络的铣刀磨损特征提取方法

针对传统切削数据人工提取的特征主观性和盲目性强、特征提取过程耗时且提取质量难以保证等问题,提出一种基于堆栈自编码网络(SAE)的切削信号数据特征提取方法,构建了由3个自动编码器(AE)组成的SAE网络。前一个AE无监督训练后得到隐藏层特征,作为下一个AE的输入,最后整体利用反向传播算法进行有监督微调,从而得到更优的特征表达。从基于SAE的数据重构性能分析和加工信号特征主成分分析2个层面,对切削信号特征提取的优劣进行评估。实例验证说明,相比于传统手工提取特征的方法,所提方法在压缩信号的特征提取方面表现出明显的优势,进一步说明了SAE特征提取的有效性。     

基于极化G0分布和MRF的多视PolSAR图像迭代分类方法

提出了一种多视极化合成孔径雷达（PolSAR）图像的迭代分类方法。首先利用极化G0分布描述多视极化协方差矩阵的统计特性,并进行初始的最大似然分类,然后利用马尔可夫随机场（MRF）估计像素类标号的先验概率,最后根据MAP（最大后验概率）准则对PolSAR图像进行分类。整个分类流程迭代进行。分类结果表明该方法精度高,收敛速度快。利用NASA／JPL获取的4视AIRSAR实测数据验证了本文方法的有效性。
:     

基于互信息相似性度量的多时相遥感图像配准

图像配准是多源图像分析的基础，特别是对于多时相遥感图像的变化检测，图像配准的性能直接影响到变化检测的实现。针对当前利用互信息实现图像配准时出现的稳健性问题，本文提出一种新的多时相遥感图像配准方法，在计算互信息时引入图像的梯度信息，作为多时相遥感图像配准的相似性度量准则，并在配准过程中应用多分辨率分析技术，使得图像配准在提高稳健性的同时减少运算量。将此方法用于变化检测中的多时相遥感图像配准实验，结果显示该方法比直接应用灰度互信息的配准方法具有更好的稳健性。     

基于空谱融合特征主动学习的高光谱图像分类

针对高光谱图像分类过程中存在的样本量少和分类精度低的问题,提出一种基于空谱融合特征主动学习的高光谱图像分类方法。主要包括构造三通道图像,全卷积网络提取空间特征,空谱特征结合,主动学习方法选择训练样本几个部分。通过结合像素的光谱特性和相邻像素间的空间关联,提取出可以反映像素空谱联合特性的综合特征,提高了像素特征的表达能力。为克服高光谱图像标注数据少、缺乏训练样本的问题,应用主动学习算法,充分选择更具有代表性的样本进行训练,达到少样本情况下较高的分类正确率。通过在标准数据集上进行实验,结果表明:该方法可以达到在总样本数1%作训练样本的情况下,分类正确率达到99.79%,优于传统的高光谱分类算法。     

基于改进PCA的DOA估计方法

阵列信号处理中,MUSIC等高分辨率DOA估计方法都要通过特征值分解来获得波达方向估计,然而矩阵特征值分解的计算量较大,不利于实时处理.提出一种改进的PCA(principal component analysis)迭代算法,来逼近信号子空间.仿真实验表明该算法在估计弱信号时性能要比MUSIC算法好,且计算量要小得多.     

一种航天器图像分类模型快速学习方法

为了有效分类空间目标,提出了一种航天器图像分类模型快速学习方法。分类模型的学习过程利用了分治思想,首先利用无监督聚类方法将图像数据集散列为类别桶,然后利用每个类别桶中的图像样本训练支持向量机完成学习过程。分类时利用支持向量机对待分类图像样本进行分类。实验结果表明,所提方法具有较好的实时性和准确率,能够为空间应用打下良好基础。     

基于非线性神经网络的高清晰高光谱遥感图像分类器设计与应用

对于高光谱和空间分辨率的遥感图像而言，它具有较为复杂的地物判读特性，应用常规的监督或非监督分类方法难以达到理想的结果。为此设计了一种非线性BP网络分类器，它将纹理结构特征与地物光谱特征相结合．针对上海市某地区的卫星遥感图像．在ENVI／IDL平台上与K-means的非监督分类和最小距离的监督分类方法进行了分类的对比应用。试验结果表明．该分法较好地考虑了图像的光谱特征，能有效地提高类别辨识的精度。     

弹道导弹预警系统目标运动建模和类型识别

针对弹道导弹预警系统的识别任务,建立了弹道导弹和飞机类目标的运动模型,通过分析弹道导弹和飞机目标间的运动特性差异,采用灰色关联分析方法建立了目标类型识别模型,给出了进行目标类型识别的具体步骤.具体的算例验证了基于灰色关联分析的目标类型识别模型应用于目标识别的可行性和有效性.     

运动阵列非重叠孔径扩展算法

现有线阵列被动合成阵列算法无法满足非连续信号和非均匀线阵列的处理需要,难以被直接用来提高运动线阵列对时域重叠脉冲信号的空间分辨能力.针对这一问题,本文提出一种能够同时满足对非连续信号和非均匀线阵列处理需求的运动阵列非重叠孔径扩展算法.该算法首先通过二维MUSIC算法估计运动阵列的“相位校正因子”,进而完成阵列孔径扩展实现对多个时域重叠信号的高分辨方向估计.通过仿真研究可知:小孔径运动阵列利用本算法在不牺牲方向估计精度的条件下,可以有效提高对多信号的分辨能力,且具有较好的低信噪比适应能力.     

SAM在CMODIS数据信息提取中的应用

中国首次上天的中等分辨率成像光谱仪 (CMODIS)数据具有 34谱段 ,包含了从可见光、近红外、短波红外至热红外波段非常丰富的波谱信息。但是CMODIS波段间相关性很高 ,而且数据量很大 ,若用传统的基于数理统计的分类方法 (如监督和非监督分类方法 )提取信息会有一定的困难。光谱角度制图法(SAM)是通过计算 1个测试光谱 (像元光谱 )与 1个参考光谱之间的“角度”来确定它们两者之间的相似性 ,从而达到分类目的。这一方法更符合高光谱数据的特点。文章对 2 0 0 2年 5月 2 2日取得的前 2 0个波段的CMODIS数数据分别采用监督分类方法和光谱角度制图 (SAM)法提取信息。试验结果表明采用SAM得到了比监督分类方法更好的分类效果和更多的信息。     

基于纹理特征的地貌的统计贝叶斯划分方法研究

通过研究“嫦娥一号”拍摄的月球影像灰度图纹理特征,对月貌进行划分,提出一种利用月球纹理特征结合月球影像的灰度值,采用贝叶斯分类法来进行月球地貌的分类。月球影像的纹理特征是由灰度共生矩阵计算出来的13种纹理特征量来刻画的。具体方法是：首先,选择能将不同月球地貌区分开的最佳纹理特征及提取这些最佳纹理特征所采用的相应最优窗口尺寸;其次,对这些提取出的纹理特征进行主成分分析,去除相关性,再运用贝叶斯分类法进行月貌分类。实验表明,该方法能很好地提取出月球表面的纹理特征,并能成功地对月球地貌单元进行自动识别和分类。最后制作完成的月球地貌分区图能为月球的进一步研究提供参考,为更好地探索月球提供详细的资料。     

数据挖掘分类方法在冲击谱试验中的应用

冲击谱试验随机性强,难度较大。文章利用数据挖掘中分类方法提取数据背后隐藏的有用知识,通过数据预处理、构建冲击谱试验数据仓库、决策树分析、评估比较,最终总结出一套针对不同产品、不同试验工况的冲击谱试验调试方法。这可为以后产品的冲击环境试验提供有力的技术支持,进一步提高冲击谱试验的质量和试验中产品的安全性。     

推进经济持续发展 努力缩小贫富差距

本文从经济发展的角度提出农业产业化是促进农村阶层有序合理分化的基础;大力发展多种所有制经济,优化产业结构,开拓就业渠道;加快城市化步伐,缩小农民阶级的规模;加强和改善宏观调控,规范分配和消费市场,建立和完善公正的利益分配机制等社会分层合理化的对策,促进我国的社会分层结构和机制更加健康、合理。