飞机选型的综合评价与优先权灵敏度分析

 采用多目标决策理论建立了一个多层次的飞机选型的综合评价模型,在此基础上,讨论了优先权灵敏度分析的方法以及在飞机选型问题上的应用。     

哨兵2卫星综合水质指标的河流水质遥感监测方法

上海市河流水污染监测是当前研究的热点问题。针对上海市河流水质监测的需求,提出了一种基于因子分析的河流综合水质遥感反演的方法。以欧洲航空局发射的哨兵-2A(Sentinel-2A)卫星搭载的多光谱成像仪获取的遥感影像,以及准同步获取的河流断面实测水质参数数据为例,研究对象为上海市青浦区和松江区部分河道。选取高锰酸盐指数、氨氮等5项主要水质参数为监测指标,在因子分析的基础上建立水质遥感反演的模型,得到综合水质指标用于确定水质类别。实验结果表明:综合水质指标值越小,内陆河流水质状况越良好,水体更清洁。该方法能够应用于内陆河流水质遥感监测,为水环境管理部门提供参考信息。     

模拟选通积分电路的温度特性对陀螺性能影响的实验研究

研究了模拟选通积分电路的温度特性对陀螺性能的影响。在数字闭环光纤陀螺工作原理的基础上,推导出陀螺输出与模拟选通积分电路中积分电容值的线性关系,进行了电路的温度性能试验,试验结果证实了理论推导,据此建立了线性模型并进行了补偿,补偿后陀螺零偏稳定性提高了75%。     

控制点/控制点对最优能量解析的图像配准

 针对遥感图像配准中匹配同名点少、配准精度低等问题,提出了一种基于控制点/控制点对最优能量解析的图像配准方法。在控制点提取中,通过多尺度曲波变换,实现不同尺度下图像质量的灰关联分析和噪声抑制,并根据灰关联能量值,自动调整尺度不变特征变换配准参数,提高匹配同名点数量;为保证控制点选择的均匀性和准确性,创建了控制点对能量模型,采用马尔科夫蒙特卡洛优化算法实现分布、匹配能量最优的控制点筛选,提高了图像配准精度。实验结果表明,本方法对遥感图像匹配同名点少、控制点分布不均匀、图像配准精度低等问题有很大改善,具有较高的应用价值。     

CAPP系统中特征造型描述法的应用

本文结合专为哈尔滨制氧机厂开发的实用型CAPP系统，对CAPP系统的研制进行了探索性的研究，该系统以Windows作为开发平台，在基于零件特征造型建模的基础上，运用面向对象编程技术完成了一个交互式信息输入子系统，实现了回转体零件CAPP系统的信息输入，这里主要介绍零件特征信息模型的建立与特征信息的数据结构。     

卫星光学遥感器光谱波段选择的影响因素

文章详细阐述了大气对太阳辐射在可见光 -近红外段的吸收作用和散射作用 ,并总结了可见光 -近红外波段常用的大气窗口及其透射率 ,最后 ,分析了可见光、近红外、短波红外的波段选择问题     

液体火箭发动机公路运输响应分析与支撑方案优选

对发动机进行合理地支撑是防止液体火箭发动机在公路运输过程中出现损伤的重要措施。采用、通用有限元软件建立了发动机和支撑结构的三维有限元模型,通过动力学分析得到了系统的固有频率和振型及频域内的动力学响应特性。通过对支撑结构刚度和垫片阻尼进行优选,并添加辅助支撑结构,有效地降低了发动机加速度响应峰值。     

基于交叠视场亮度优选算法的导航星库构建方法

星敏感器导航星库直接影响星图识别效率和姿态解算精度。分析了参与姿态解算的星颗数和亮度对姿态精度影响,在此基础上,提出了一种基于交叠视场亮度优选算法的星敏感器导航星库构建方法。将精度较高的Hipparcos星表作为基础星表,分析了星等、双星、自行、变星等对姿态精度的影响,将星库筛选成一个备选星库,生成覆盖全天球的交叠视场。每个拥有较多星的视场,都按照亮度优先原则从视场内的扇形区域中选择导航星,从而得到分布均匀的导航星库。结果表明:该方法能有效减小星敏感器导航星库规模,实现导航星在全天球和局部天区的均匀分布。     

基于黎曼距离的编队飞行卫星姿态控制系统故障检测数据优选方法

为突破星上资源的严苛约束、提升编队飞行卫星故障检测能力,提出了一种适用于编队飞行卫星姿态控制系统的故障检测数据优选方法,通过利用黎曼距离衡量无故障情况和故障情况下系统测量信息之间的差距,构建了编队飞行卫星姿态控制系统故障检测能力的评价指标。在此基础上,提出了故障检测数据优选方法,为系统输出信息结构优化提供了理论依据。仿真表明,所提出的方法能够在星上资源受限的情况下有效提升编队飞行卫星姿态控制系统的故障检测能力。     

FAST FEATURE RANKING AND ITS APPLICATION TO FACE RECOGNITION

A fast feature ranking algorithm for classification in the presence of high dimensionahty and small sample size is proposed. The basic idea is that the important features force the data points of the same class to maintain their intrinsic neighbor relations, whereas neighboring points of different classes are no longer to stick to one an- other. Applying this assumption, an optimization problem weighting each feature is derived. The algorithm does not involve the dense matrix eigen-decomposition which can be computationally expensive in time. Extensive exper- iments are conducted to validate the significance of selected features using the Yale, Extended YaleB and PIE data- sets. The thorough evaluation shows that, using one-nearest neighbor classifier, the recognition rates using 100-- 500 leading features selected by the algorithm distinctively outperform those with features selected by the baseline feature selection algorithms, while using support vector machine features selected by the algorithm show less prominent improvement. Moreover, the experiments demonstrate that the proposed algorithm is particularly effi- cient for multi-class face recognition problem.