高效确定重叠网格对应关系的距离减缩法及其应用

提出了“距离减缩法”,可以通过搜索有限几个数目很少的点来寻找到目标单元,从而可以快速确定重叠网格之间的对应关系,应用于重叠网格洞点识别与插值单元寻址两个方面,并且还可以结合Inverse Map方法高效建立网格之间的映射关系。该方法将三维搜索化为准一维搜索,大幅度提高搜索效率,且算法通用性强、易于实现。应用表明：利用该方法可以迅速识别洞点,与等参变换结合可以有方向地快速锁定插值单元,找点效率高,适用于计算流体力学(CFD)三维非定常计算中有相对运动的重叠网格系统在每一个时间站位都需要重新进行洞点识别与插值单元寻址的计算,可以有效节省计算时间,具有工程实用价值。     

基于S变换的时频特征提取与目标识别

目标的时间-频率联合分布能够很好地反映目标物理结构特征,可以作为雷达目标识别的一个有效手段。针对现有时频分析方法存在的识别率低和抗噪性能差等问题,提出一种基于S变换的空间目标回波信号电磁特征提取与识别方法。首先对目标的雷达回波进行时频分析,得出在较大方位角变化范围内和不同信噪比情况下,目标S变换的时频分布具有相对不变性的结论;然后基于这种稳定的时频分布特征,采用最小贴近度的方法进行分类识别。针对不同目标模型的仿真结果表明,该方法的识别率高于其他时频分析方法并且具有很好的鲁棒性。     

证据冲突下自适应融合目标识别算法

 利用证据理论对空中目标识别系统的观测信息融合时,Dempster规则对低冲突信息的融合结果较为理想,但无法对高冲突信息有效融合。Dubois &; Prade(DP)规则及证据折扣法可对高冲突信息进行合理融合。为使不同融合方法发挥各自优势,提出一种自适应融合算法。首先将矛盾因子和证据距离两者结合以更全面地表示证据冲突程度,当冲突较小时,选用Dempster规则,反之,根据冲突的具体情况选择使用DP规则或证据折扣法。通过目标识别实验对多种算法进行了对比,表明本文算法既能对高冲突证据进行合理融合,又能使融合结果快速收敛,可以有效地提高识别速度及正确率。     

回厂电能表数值智能识别技术研究

研究了回厂电能表表盘数字的自动识别技术,它是回厂电表数字识别系统的关键所在。识别工作在利用CCD镜头进行图像采集后,利用图像处理和模式识别技术自动定位分割图像中的数字区域并实现单个数字的切分,最后实现了电度表显示值快速自动识别。针对500帧现场采集的回厂电表图像,该研究获得了单字正确识别率99.8%和整表正确识别率98.4%的结果,表明该系统具有较强的鲁棒性。     

基于ARMA时序分析的液体火箭发动机模态参数辨识方法

在液体火箭发动机模态参数辨识领域,频域法仍是模态分析的主流方法.但是该方法存在若干不足,如功率泄露、频率混叠、离线分析等,而且需增加复杂的激振设备.本文将基于时域识别的ARMA时序分析法应用到该领域,计算获得了较为精确的模态参数,并且还进行了液体火箭发动机结构非线性影响检测.该方法提高了计算效率,拓展了液体火箭发动机的参数辨识范围,为发动机在工作环境下的结构参数辨识奠定了基础.     

基于垂直投影和模板匹配的车牌字符分割方法

车牌识别是智能交通中关键技术之一,字符分割是车牌识别的基础。本文利用车牌边框的边缘信息进行车牌倾斜校正,然后基于垂直投影和模板匹配相结合的字符分割算法被提出,提高了字符分割准确率。     

特征参数匹配法在雷达信号识别中的应用

概述了模板匹配法、模糊匹配法及灰关联分析法,以了解特征参数匹配法的优缺点.重点对灰关联分析法中分辨系数取值和权重值的确定问题进行分析,并提出改进的灰关联分析法.该方法首先对原始数据规范化处理,综合了序列取值法和自适应动态取值法对灰关联分析法进行改进.仿真证明改进的灰关联分析法能够对有误差的和参数缺省的雷达信号进行较好处理,对雷达信号识别更具有实时性,能够提高分析结果分辨率.     

基于Delaunay三角剖分的全天自主星图识别算法

在地球物理建模中,Delaunay三角剖分因其对给定点集进行三角剖分具有剖分结果唯一性这一重要特点而得到广泛应用.采用Delaunay 剖分这一性质,首次将Delaunay剖分算法应用到星图识别中.利用全天球星图的剖分不变性,采用有界曲面剖分的边界递归法,生成有序且容量小的完备导航星库;利用二维Delaunay三角剖分对视场内恒星星图进行剖分,将其结果进行快速匹配识别.仿真实验结果表明与现有的星图识别算法相比,此算法具有高的识别率,良好的实时性和鲁棒性,且所需导航星库的容量小,检索速度快.     

证据理论和神经网络结合的目标识别方法

提出用证据理论和神经网络结合的高分辨率雷达(HRR)目标识别方法,即首先把多个目标高分辨一维距离像送入学习矢量量化神经网络,进行目标类证据估计;然后用D-S证据理论对各次估计结果进行融合.提出了连续特征空间离散化及类支持度构造的方法,并分析了神经网络识别的误差原因.仿真实验结果表明,这种方法的输出正确识别率比仅仅使用矢量量化神经网络有较大的改善,抗噪能力也有所提高.     

实时棒材图像识别与跟踪方法研究

多目标识别跟踪的关键问题是特征提取和目标匹配.为了提取生产线上堆积棒材的特征,提出粘连目标分割和多目标识别的方法.采用中值滤波和形态学滤波去除噪声,自适应阈值化和分水岭变换分割粘连目标;然后采用区域统计、参数识别、噪声区域去除以及聚类分析等手段进行目标特征识别,提取出棒材的质心点坐标作为特征;对棒材图像序列提出采用模板匹配、相近位移匹配和Kalman滤波的方法建立跟踪链,通过插入、删除、更新链节点进行目标跟踪;对于图像处理中可能出现的漏检目标和虚增目标,进行了计数结果校正.在现场采集了100帧连续图像后,采用此方法跟踪计数的精度为96.2%.