指纹图像分割算法的仿真与比较

指纹图像分割是指纹识别过程中非常关键的环节,目前指纹图像分割算法都是基于图像的方向特性或灰度特性。本文介绍了常用的三种指纹图像分割的方法,并在VC6.0中分别用三种方法对同一枚指纹处理,最后根据实际图像分割效果对这三种算法进行分析和比较。     

基于Logistic回归麻雀算法的图像分割

针对麻雀搜索算法后期种群多样性减少、易陷入局部最优解等问题,提出一种新的改进麻雀搜索算法。所提算法先引入小孔成像反向学习策略对发现者的位置进行更新,提升寻优位置的多样性;其次受Logistic模型的启发,提出一种新的自适应因子对安全阈值进行动态控制,平衡所提算法的全局搜索与局部开发的能力。通过与其他算法在6个基准函数上进行仿真对比,结果表明：所提算法的收敛精度与速度均优于其他算法。在工程应用上,用所提算法优化K-means聚类算法进行图像分割,峰值信噪比（PSNR）、结构相似性（SSIM）及特征相似性（FSIM）3种度量指标验证了其良好的分割性能。     

一种基于MLS的SAR图像点特征提取方法

针对合成孔径雷达图像点特征提取问题,提出了一种基于MLS的SAR图像点特征提取方法.首先利用提出的基于超像素关联分析的SAR图像分割算法得到二值分割图像,再把该二值图像和SAR图像进行点乘运算,获取到含有强度信息的目标区域,然后采用移动最小二乘法(MLS)对目标区域进行曲面拟合,根据设定的点特征判决规则,最后提取出SAR图像的峰值、脊和谷等多种点特征.基于MSTAR数据的实验结果表明了该方法的有效性和准确性.     

基于梯度分割区间优化算法的双脉冲交会优化

研究非固定时间的航天器双脉冲交会轨迹优化问题,设计了基于梯度分割区间优化算法(GIOA)。该算法结合所研究问题的特点,使用每次只选择有限个区间进行操作的区间选择策略、基于梯度优化结果的区间分割策略、基于单调性的区间紧缩策略以及约束条件测试和基于梯度的目标优化估计值更新策略等。梯度优化算法仅用于区间分割和目标优化估计值更新,不但没有影响GIOA对区间优化算法全局性和收敛性的继承,同时加快了包含优化解的小宽度区间的出现,提高了目标优化估计值的更新速度,并由此提高了运算效率。区间选择策略的使用,控制了决策变量区间数量的增长,降低了算法运行的存储需求。算例仿真中,成功求解非固定时间双脉冲交会问题,并展示出算法的优势。      

小失效概率情况下的全局可靠性灵敏度分析的高效方法

针对目前很多算法都无法准确、高效地计算小失效概率（10^-4,甚至更小）情况下的全局可靠性灵敏度问题,本文提出了一种高效求解小失效概率情况下的全局可靠性灵敏度新算法。所提算法通过扩大标准差构造重要抽样密度函数来进行空间分割（SP）,再与无迹变换（UT）结合,利用函数在分割后的子空间内非线性程度的降低和无迹变换方法可以高效计算低非线性程度函数的前二阶矩,来高效准确地计算小失效概率情况下的全局可靠性灵敏度。所提算法的优点有：重要抽样密度函数的选择可以使得空间分割时向重要区域偏移,并且在分割区域内功能函数的复杂性被降低,从而可以利用无迹变换方法高效计算失效概率,进而高效求得全局可靠性灵敏度。与已有的算法相比,算例说明了本文所提方法的优势。     

空间细胞机器人接管控制的分布式控制分配

采用接管控制技术延长航天器寿命为在轨服务提供了一种新思路,本文提出一种利用空间细胞机器人实施航天器接管控制的方案。针对空间细胞机器人实施接管控制的控制分配问题,建立了空间细胞机器人实施接管控制的动力学模型。为实现分布式控制分配,提出了一种基于CBBA算法的接管控制分配算法,利用自由市场机制实现控制分配的分布和异步计算。综合考虑了执行能力匹配、剩余能量和执行器输出限制,定义了空间细胞机器人的收益函数,空间细胞机器人通过自由拍卖和一致性协商完成控制任务的分配。通过蒙特卡罗分析,将本文算法与集中式分配算法零空间修正伪逆法相比较并进行参数影响分析,本文算法在保证分配精度的情况下,具有能量均衡等能力。     

在太空中搭建的临时实验室我国首颗微重力科学实验卫星实践-10凯旋

1 总体概述 目前,不少国家的科学家们都想利用多种方式打造微重力环境开展研究,比如抛物线飞机、探空火箭、宇宙飞船和空间站等实验平台,但它们有的只能提供几分钟甚至更短的微重力环境,有的则价格昂贵,带回样品比较有限,周期也较长, 这对空间生命科学等一些短周期科学实验有较大限制,要想进行周期和价格都合适的微重力研究,返回式卫星是一个很好的选择.返回式卫星运行周期短,适合开展短周期的空间科学实验.这种卫星技术现已比较成熟,且比较便宜.其外形类似于弹头,所以发射时不需要整流罩,卫星的星体就承担了整流罩的作用.     

遥感图像飞机目标高效搜检深度学习优化算法

为了实现大幅面遥感图像中飞机目标的高效检测与准确定位,通过深度神经网络（DNN）的级联组合,提出了一种新颖的搜寻与检测相集成的飞机目标高效检测算法。首先,运用高性能的端到端DNN网络,进行停机坪与跑道区域的像素级高效精准分割,从而大幅度缩小飞机目标的搜索范围,以降低虚警发生概率,完成飞机目标候选检测区域的快速搜寻。然后,针对分割所得停机坪与跑道区域,借助手工数据集对YOLO网络模型进行迁移式强化训练,一方面可以弥补训练集在样本类型与数据规模上的不足,另一方面借助YOLO网络的强时效性优势对飞机目标的位置进行回归求解,可以显著提高飞机目标的检测效率。停机坪与跑道区域分割DNN网络在分割精度与时效性上具有显著优势,而迁移式强化训练YOLO网络不仅具有很高的检测效率,在检测精度上也能保持良好的性能。通过一系列综合实验与对比分析,验证了提出的搜寻与检测相集成的DNN级联组合式飞机目标高效检测算法的性能优势。