基于分段化结构重建的2D/3D视频转换方法

为了缓解3D片源的不足,设计了一种分段化结构重建方法为视频2D/3D转换提供深度线索.采用分层提取的方式,将视频基于内容分解为子序列,在每个子序列中建立优化准则选择出处于非退化状态的关键帧,并以此为基础提出了分段化结构重建框架,利用改进的耦合自标定算法重构出每个子序列对应的离散3D结构信息,从而获取视频的深度线索.实验结果表明,该方法通过分段化后的局部优化,不仅使结构化重建能够有效处理多场景下的连续镜头,还加快了转换的效率,能够稳定、高效地获取深度信息,适用于视频2D/3D转换.      

针刺炭布/网胎复合织物的组分形态及性能研究

将T-300炭纤维平纹布和聚丙烯腈（PAN）预氧化纤维网胎预复合,接力层叠、针刺、炭化后制备了炭布/网胎复合织物.在分析复合织物组分形态的基础上,研究了针刺深度和针刺密度对复合织物性能的影响.研究结果表明,随针刺深度增大,复合织物密度增大,X-Y向和Z向拉伸强度均存在极值;随针刺密度增加,复合织物X-Y向拉伸强度下降,而复合织物密度和Z向拉伸强度则存在极值.     

基于CS的SAR图像自动目标分割算法

图像目标分割是SAR图像目标超分辨处理和自动目标识别的重要步骤。针对图像固有的稀疏结构,提出了一种SAR图像自动目标分割算法。通过构造变换字典将SAR图像数据投影到高维空间,实现了图像局部特征的稀疏表示,然后利用随机矩阵获得稀疏域局部特征的压缩采样,并对多组采样数据运用Mean-shift 算法并行处理,最后通过符号检验法,实现了对目标像素与背景像素的分类。试验表明,该算法对硬目标具有较好的目标分割性能。     

基于空域稀疏性的宽带DOA估计

利用宽带阵列接收信号的空域稀疏性,将宽带信号的波达方向(DOA)估计转化为一个稀疏信号重构的问题,提出了一种新的宽带信号DOA估计算法。该算法将宽带信号分解为多个子带信号,联合利用多个子带信号的空域稀疏性进行重构。它是对用于稀疏重构的标准的稀疏贝叶斯学习算法的推广,可适用于多冗余字典的信号模型。另外,通过对多快拍的阵列接收信号进行奇异值分解(SVD),提取信号子空间作为算法的输入数据,可以在有效减少运算复杂度的同时,提高对噪声的稳健性。与传统的宽带阵列DOA估计方法相比,该算法能够用于低信噪比、快拍有限和信源相关性较高的场合,同时算法的性能对信源个数的估计值不太敏感。仿真实验表明,该算法相对现有的基于子空间类的方法,具有更好的DOA估计性能。     

航线维修中的NFF件处理对策

对未发现故障(NFF)件产生的原因进行了分析,结合航线维修工作特点,编制了NFF件处理逻辑图,提供了系统的NFF件解决方案;在对NFF件的可靠性管理过程中引入闭环控制方法,从航线维修和部件修理两个方面入手,给出了减少NFF件的方法,对消除由NFF件造成的飞机运行不良影响、降低维修费用、提高部件修理质量有积极作用.     

基于多模态感知与融合的无人车韧性导航系统

针对野外复杂环境下的无人车自主导航需要,建立了一种基于多源融合定位、语义建图与运动规划的智能导航系统.首先,针对IMU、轮式里程计、视觉SLAM与激光雷达SLAM等测量子系统,设计了误差状态扩展卡尔曼滤波器进行融合定位.其次,基于改进的CNN语义分割网络生成环境的语义图像,与3D激光雷达点云融合,并使用最大概率更新算法构建语义3D地图.接着,在语义和几何信息投影获得可通行性代价的基础上,提出了一种语义动态窗口的局部路径规划方法.最后,将以上感知、定位与规划方法整合成完整的智能导航系统,在城市与野外典型场景的测试中,相对定位误差小于0.4％D,具备一定的韧性导航定位和智能感知规划能力.     

基于轨道参数和SAR回波数据的多普勒调频率快速估计

多普勒调频率是SAR方位向压缩的关键参数之一. 调频率的失配会带来严重的方位向散焦, 从而影响成像质量. 基于减灾、防灾目的, 需要对SAR数据快速成像, 从而相应要求对多普勒调频率进行快速估计处理. 根据多普勒调频率快速估计需求, 提出了一种基于轨道参数法和Map Drift算法估计多普勒调频率的综合反演算法, 利用多普勒调频率与距离的关系, 简化整个估计流程, 从而提高估计速度. 同时给出了一种块数据筛选的方法, 用于选择综合反演法中所采用的块数据. 实验结果表明, 综合反演法能够在满足成像质量要求的基础上, 快速估计出多普勒调频率.      

华北空管局气象中心全力保障抗震救灾航班

4月14日7时49分,青海省玉树藏族自治州玉树县（北纬33．1,东经96．7）发生7．1级地震,震源深度33千米。一方有难,八方支援。一场千里驰援青海玉树的救灾行动迅即展开。     

基于QAR数据的民机高高原进近着陆风险评估方法

民机高高原进近着陆是高原飞行高风险阶段。为有效实施高高原进近着陆风险识别和等级判据,提出基于熵权可变模糊识别的长短时记忆网络与深度神经网络(LSTM-DNN)相融合的深度学习风险评估方法。基于快速存取记录器(QAR)记录的高高原飞行数据,借鉴民机飞行品质监控（FOQA）咨询通告和行业QAR监控标准,结合指标重要度分析与Delphi专家调查,提取着陆时航向变化大、航迹低、610～305 m进近时下降率大、接地时垂直加速度及153～15 m进近时下降率大5个关键监控项目作为民机高高原进近着陆风险评估指标。为克服评估指标权重主观性偏差,应用熵权法确定评估指标权重,基于可变模糊识别方法构建风险等级隶属函数,建立基于LSTM-DNN的民机高高原进近着陆风险评估模型。以成都—拉萨进近着陆航段为例,提取QAR数据,对该风险评估模型进行训练与测试,并与Logistic多元回归、支持向量机(SVM)等评估方法进行比较,结果表明：所提方法平均准确率达到94.18%,最高可达94.79%,验证了方法的客观有效性。