基于鲁棒估计的捕获段面目标图像处理

深空探测捕获段导航图像为含轮廓面目标图像，目标质心与光心并不重合，传统加权质心方法无法有效提取目标视线。文章通过最小平方中值法对提取的面目标导航图像真实边缘轮廓进行椭圆鲁棒拟合，该方法能够有效估计出目标中心视线，同时能够抑制由于目标表面坑洞等纹理特征引起的误差，对伪边缘、拍摄噪声均不敏感。最后，通过大量仿真与真实图像处理，对算法进行验证。结果表明，用文中方法估计的目标中心投影点坐标精度优于0.1个像素，视线误差优于1×10-4rad，方法具有极高的鲁棒性，对捕获段图像处理有一定的参考价值。     

一种多目标鲁棒跟踪滤波器研究

多目标鲁棒跟踪是现代雷达跟踪系统的重要技术指标之一。为此,本文在作者以往的研究成果[1—4]基础上,提出了一种多目标鲁棒跟踪滤波器。该滤波器主要由模糊α—β滤波器和自校正估值器组成。它们分别是根据模糊集理论和本文提出的二次新息序列概念设计的。仿真结果表明,这种滤波器比以往的α—β滤波器,不但跟踪机动目标精度高,而且具有较好的鲁棒特性。     

基于高分辨率二维雷达图像的特征提取与目标识别

分析了雷达目标散射信号特征,在此基础上,根据雷达图像的特点,将二维雷达灰度图转化为一维列向量(即把二维数据排成一维序列);然后,采用AR模型进行图像分析,利用所得到的参数通过线性规划,进行特征的提取、建库与目标识别。最后,分析了不同雷达散射信号与建库、识别的关系。     

基于鲁棒近似方法的高超声速导弹复合控制方法研究

针对导弹在超高速飞行时产生的通道间强耦合、模型强不确定性,用反馈线性化与鲁棒近似复合控制方法进行控制器设计。用反馈线性化抑制通道间的耦合,用鲁棒近似方法抑制参数偏差。仿真验证了控制方法的有效性。     

用鲁棒算法使宽带雷达信号与目标实现最佳匹配的目标识别新方法

介绍了一种采用耦合振荡器阵列进行宽带雷达信号传输的新方法。这种方法表明振荡器阵列的总体输出是一种能够与特定方位目标匹配的灵活信号。此外，还介绍了一种新的基于相关矩阵本征向量的鲁棒算法，用此算法可以使耦合振荡器阵列产生的信号与目标在有限方位范围内实现匹配。因为雷达不能够精确估计真实目标的方位，所以具有这种性能是很重要的。在这种用于雷达目标识别的新方法中，在估计了未知目标的近似方位后，依次合成并向目标发射了大量与不同潜在目标相匹配的各种波形。这样，后向散射信号的最大峰值功率就会标明出目标的身份。计算机模拟表明这项技术对附加噪声和方位角不定性尤其有效。     

基于一维距离像序列的空间弹道目标微动特征提取

弹道导弹的空间微动特性是中段空间弹道目标识别的重要依据之一.以一维距离像序列为研究对象,首先利用距离像散射中心位置加权、纵向积累估计空间锥体进动目标的进动周期,然后基于广义Radon变换提取空间锥体目标散射中心位置变化曲线,并根据获得的曲线参数估计得到空间进动角,最后给出了基于广义Radon变换的散射中心位置估计新方法.仿真实验验证了所提算法的有效性.     

基于目标可见光散射特性的空间目标成像仿真研究

为使空间目标可见光成像仿真尽可能反映实际在轨工作状态,提出了一种基于目标可见光散射特性的空间面目标成像仿真方法。根据具体试验场景实时求解跟踪星观测相机、目标星和太阳三站间的相对位姿关系,在事先建立的覆盖全过程的目标可见光散射特性图像数据库中查询相应图像,由相机成像模型,实现空间目标的高逼真度可见光成像实时在线仿真。可为天基空间目标探测、识别与跟踪算法的研究提供较接近真实场景的仿真图像。     

基于峰值点的目标对准在MSTAR SAR图像分类中的应用

模板匹配的分类方法是合成孔径雷达目标识别的重要方法。研究了MSTAR SAR图像,指出图像中的目标峰值点本质上对应于实际物体的散射中心,并且在一定方位区间中具有稳定性。假设目标存在位置偏移的基础上,提出先利用目标峰值点对准目标,再生成模板和分类的思想。分析了方位区间中基准图像的选取及对准过程对模板生成和目标分类的影响程度。最后研究了同类变形目标间的分类,提出了峰值点特征增强成像、预分类、目标对准和正式分类的四步算法。结果证明,所提算法具有较高的分类精度和效率。     

带非线性扰动的时滞大系统的分散输出反馈镇定

文章研究一类时滞大系统 ,内部具有非线性扰动 ,同时带有时滞关联和非线性关联项。考虑到大系统的状态部分可测量 ,设计了输出反馈控制器 ,来使系统分散输出鲁棒镇定 ,仿真的结果证明了结论的有效性。     

一种用于空间群目标分辨的滑动窗轨迹跟踪算法

针对大多数现有的微多普勒分析理论难以解决空间群目标的监测与识别问题,本文提出一种基于提取目标运动特征的弹道中段群目标分辨方法。首先建立了多个具有滑动散射中心的旋转对称目标模型并得到其m-D曲线,在此基础上,利用形态学图像处理方法抑制一维距离像旁瓣,然后提出了一种滑动窗轨迹跟踪的方法分离出各散射点相互交叉的m-D曲线,再对分离结果进行经验模式分解(Empirical-Mode Decomposition, EMD),最后通过提取能够反映目标运动特征的固有模态函数(Intrinsic Mode Function ,IMF),实现了群目标分辨。仿真实验校验了所提方法的可行性和鲁棒性。