一种基于序贯最小优化改进的支持向量机空间有形小目标识别方法

提出了一种基于序贯最小优化改进的支持向量机空间有形小目标识别方法。首先陈述了空间有形目标识别的意义并分析了其特点,进而提出了一种基于预分类的两级分类识别策略。在此基础上重点针对空间有形小目标识别所具有的小样本学习问题的本质和特点,采用基于序贯最小优化(Sequential Minimal Optimization :SMO)改进的支持向量机解决训练问题,从而提高了训练的效率和精度。最后,通过10类空间有形小目标共1360个成像尺度不大于30×30像素的仿真样本进行仿真检验,结果表明本文所提出的识别方法的正确率达到了98%(训练样本数454,测试样本数906),完全可以满足实际应用需要,而且具有良好的实时性。     

一种新的基于PCNN的自适应强去噪方法

为了实现椒盐噪声的有效去除和图像细节及纹理的有效保留,提出了一种新的基于PCNN(Pulse Coupled Neural Network)的自适应滤波方法ADEN(Adapative Denosing method for Extreme Noise)-PCNN.该方法引入了像素受污染状态的甄别机制,只对被污染的像素进行降噪处理,保证了去噪的同时不损坏图像信息,实现了图像的细节和纹理的有效保留;为了确保图像质量,在面向图像降噪的PCNN神经网络阵列结构中引入了自组织机制,可以自动地估计噪声的强度信息并进行PCNN网络中神经元连接方式的自组织转换,此外引入了自适应机制,根据噪声强度的估计信息,自动进行滤波次数的优选,增强自适应能力.实验结果表明所提方法较常规方法和其他同类方法在去噪效果、保留图像细节方面展现出明显的优势.     

遥感图像的显著-概要特征提取与目标检测

针对巨幅遥感图像的目标检测问题,提出了一种基于显著-概要特征的遥感图像自动目标检测算法.采用滑动窗口将巨幅遥感图像划分为若干个小尺度的区域,针对各个小尺度分块图像,借鉴人类视觉生理功能特性之原理,提取其显著特征和概要特征,其中的显著特征代表了图像中的显著信息及显著区域空间分布和关联信息,概要特征可从整体上反映该区域的背景/目标关联信息.通过对分块区域图像的分类鉴别以实现目标检测.实验结果表明:此方法能以高可靠性和高精确度检测出巨幅遥感图像中的目标.     

基于MAS的无人机编队飞行智能优化控制

 针对无人机编队飞行的实际背景和限制条件,提出了一种基于多智能体系统（MAS）技术的编队飞行的智能优化控制策略和实现算法。利用多Agent之间的交互作用,以灵活便捷的方式进行各单机之间的协同优化,从而可实现多架无人机的自主编队飞行。考虑到leader-follower原理的支配机制,对面向编队飞行的僚机控制律与实现算法进行了重点研究,设计了僚机编队控制器,通过仿真实验验证了其鲁棒性和稳定性。最后针对编队队形的变换与躲避威胁等特殊情况对无人机编队单元之间的协调优化进行了仿真验证和分析。     

高精度位置跟踪自适应增益调度滑模控制算法

影响位置跟踪精度最重要的因素之一是系统不可避免地存在内外不确定性。由于具备很强的鲁棒性,滑模控制能有效消除系统不确定性的影响,然而也会带来抖振这一顽疾。因此,有效削弱滑模控制系统的抖振是提升系统跟踪精度的关键。为此,本文提出一种误差主导的自适应增益调度算法,该算法利用等效原理准确判断系统滑动模态是否建立,并以此来调度切换函数增益值的增减;同时,为克服因利用低通滤波器获取切换函数等效输出而引起的时间延迟,在增益调度中采用误差主导的增益变化率,确保了增益调度的实时性。理论和仿真实验证明,在滑动模态建立前,该增益调度策略能加快滑模变量的收敛速度;而在滑动模态建立后,该增益调度策略能使增益值在有限时间内趋近于系统不确定的绝对值,降低了系统抖振幅值,从而获取更高的跟踪精度。直流力矩电机伺服系统位置跟踪对比实验结果表明,该增益调度方案有效,能使系统获得更高的跟踪精度。     

某卫星姿态角的确定和对测量部件的故障诊断

卫星三轴姿态的确定是对卫星进行姿态控制的基础,利用陀螺和红外敏感器互补的特性,并对测量所得到的数据进行处理,便可得到卫星姿态角的估计值。陀螺和红外地球敏感器是卫星姿态控制系统中关键的测量部件,两者的测量输出通过卫星运动学方程相关,有冗余关系,可以用于故障检测。本文对所设计的观测器进行了数值仿真,证实了其有效性,并直接利用所设计的观测器进行故障检测,首先得出陀螺和红外地球敏感器在各种故障下的输出残差曲线,然后分析陀螺和红外地球敏感器的不同故障对输出残差信号的不同影响,找出各种故障与不同输出残差的对应关系,从而确定发生故障的部件。