均方差图象匹配系统的最佳窗口函数

本文假定图象信号和附加噪声是零均值齐次高斯随机场,且二次可微,实测图象相对于参考图象有小的几何失真,导出了描述匹配系统配准特性的两个参数(极大极小比率和定位精度)的解析表达式,以此为优化目标,用变分学方法导出了均方差图象匹配系统最佳窗口函数Ⅰ、Ⅱ的实域和频域表达式,最后用计算机模拟验证了最佳窗口函数对图象匹配系统定位特性的改善。     

平均绝对差图象匹配系统的定位精度

本文证明了两个基本定理。在假定图象信号和附加噪声是相互独立的零均值齐次高斯随机场、且二次可微的条件下,解决了平均绝对差图象匹配系统的定位精度的分析和计算问题。用实例说明了精度分析和计算的方法,分析了影响定位精度的因素和参数。为匹配性能的定量分析提供了理论依据和方法。     

三维粘弹性药柱随机性能初步分析

针对固体火箭发动机药柱结构分析中随机因素的影响,以不可压缩粘弹增量有限元和随机有限元为基础,采用局部平均方法对随机场进行离散,推导了三维随机粘弹有限元方法,并编写了随机有限元程序,与Monte-Carlo方法计算结果进行了对比。对三维药柱进行了泊松比、材料模量及结构相关模型等随机参数影响的对比分析,所得结果为进一步药柱结构随机分析奠定了基础。     

有几何失真时均方差图象匹配算法的局部精度

本文假定图象信号和附加噪声是相互独立的零均值二维齐次高斯随机场,且二次可微。导出了有几何失真时均方差图象匹配算法的局部精度公式,分析了几何失真和噪声对匹配精度的影响。给出的实例和计算结果验证了方法的正确性。     

基于离散分数布朗随机场模型的景象适配性分析方法

首先阐述了在自然景象的齐次平稳高斯随机场模型下进行景象适配性分析的不足；然后建立了景象的离散分数布朗随机场模型，在小波多分辨率分析的基础上提取了分形特征；接着推导了景象的分形特征与基准子图的二维相关性之间的关系，并提出了基于分形特征的景象适配性分析方法；最后通过大量仿真试验验证了分形特征和基准图的正确匹配概率之间的关系，对于景象匹配区的选择具有一定的实用价值。     

非合作运动辐射源照射的目标检测方法研究

研究了非合作运动辐射源照射条件下的动目标检测问题。分析了此背景下的地杂波空时频分布特性,并结合非合作系统数据处理特点提出了地杂波环境下的运动目标空时频联合检测方法,该方法利用杂波与目标在空时频三维域上的可分性解决了时频二维域上杂波覆盖目标的问题,将非合作领域中一般的时频检测方法推广为对时域数据的空域-频域二维联合滤波,仿真结果表明当目标信号与杂波信号在空时频三维域不出现重合的条件下,该方法能够有效地抑制杂波和噪声,实现地杂波背景下的动目标检测。
     

基于条件随机场的软件变更影响分析方法

针对需求与代码设计阶段分离及传统模型对变更影响程度缺乏定量描述等问题,从概率模型的角度提出一种基于条件随机场的软件变更影响分析方法(CRFCIA)。通过研究不同阶段软件构件及跟踪关系的特点,对软件实体依赖进行了建模分析,并在此基础上研究了变更传播过程,引入条件随机场模型,以传播序列的条件概率评分Pscore表征实体依赖链的受影响程度。实验结果表明,CRFCIA在求解影响集和评估变更影响程度上具有可行性与准确性。     

基于直接数据域的三维空时自适应杂波抑制

在相控阵机载预警（AEW）雷达杂波抑制中三维空时白适应处理（3D-STAP）的性能最优，然而，三维处理存在两个方面的缺点：一是自适应权的计算量较大，二是估计杂波协方差矩阵时需要大量的训练样本（这在实际非均匀环境中很难满足），因而无法应用。先时后空白适应处理（T-SAP）不但计算量低，而且性能接近最优。现提出了一种基于直接数据域（DDD）的三维先时后空白适应处理（3D-T-SAP）方法，即先对每个二维空域通道用具有超低旁瓣的多普勒滤波器将杂波作局域化预处理，再对各个或相邻几个多普勒通道的输出作基于直接数据域的二维空域白适应处理。此外，由于该方法对阵元误差比较敏感，因此还提出了一种实用的误差校正方法。计算机仿真结果验证了该方法的有效性。     

穿越式地形互相关器的局部精度

假设基准地图由信号和噪声两个相互独立的二维齐次高斯随机场叠加组成,且信号的数学期望为零,本文完整地推导了利用遥感测得的一维信号与二维基准地图进行互相关的地形相关器,在x,y两个方向上的局部精度公式。利用这些公式,根据基准地图信号和噪声随机场的自相关函数和所采用的积分距离,可以对互相关器作出局部精度的分析和估计。关于二维数字地图自相关函数模型的建立问题则见文献[1]。     

基于视觉显著性和卷积神经网络的机场目标快速检测

针对现有的机场目标检测算法用于大幅面遥感图像时检测速度慢、准确率低的问题,文章提出了一种基于视觉显著性和卷积神经网络相结合的高效、精确的机场目标检测方法。首先,根据机场形状特征,采用基于直线分布特征的视觉显著性检测方法提取候选区域,对机场的可能位置进行粗定位;然后,设计了一种改进的卷积神经网络分类模型判断候选区域是否为机场;最后,使用非极大值抑制的方法去除冗余的预测框,获得最终的检测结果。利用从谷歌地球收集的图像数据集对该神经网络模型进行训练和测试,结果表明其在精准率和召回率上均具有较大优势。此外,文章所提算法在来自不同卫星平台的大量大幅面遥感图像上进行了机场目标检测,结果显示其适应性强且检测效率有大幅度提升。