基于运动参数估计的高超声速目标检测方法研究

在分析高超声速目标运动对雷达检测影响的基础上,采用参数估计补偿方法进行目标检测。该方法消除了距离走动及多普勒走动的影响,大大提高了高超声速目标的检测性能。在参数估计时,提出一种回波信号分段参数估计方法,分别对前后两段回波信号进行无模糊多普勒频率估计,然后利用两个不同多普勒频率进行多普勒调频率计算。该方法消除了多普勒模糊现象,避免了模糊因子的估计,减少了计算量,同时降低了对输入信噪比的要求。     

基于时频矩阵非负分解特征的多视角SAR目标识别

针对多视角合成孔径雷达(Synthetic Aperture Radar,SAR)目标识别问题,提出一种基于目标高分辨率距离像(High Range Resolution Profile,HRRP)时频矩阵非负分解特征提取和识别方法。该方法首先对SAR图像进行滤波预处理,得到相应的目标HRRP序列;然后采用匹配追踪时频分析方法计算得到目标HRRP的时频矩阵;应用非负矩阵分解技术分解时频矩阵,得到相应的谱矢量和时相矢量。基于分解得到的谱矢量和时相矢量提取时频域矩特征和稀疏特征。最后,应用隐马尔科夫模型(Hidden Markov Model,HMM)对这些时频特征序列建模及识别。采用美国运动和静止目标获取与识别(Moving and Stationary Target Acquisition and Recognition,MSTAR)计划公开发布的SAR目标数据库的实验结果表明,该方法不仅能有效降低时频域特征的维数,而且识别性能优于传统的时频域特征。     

直升机目标的雷达特性分析

为了研究直升机目标的雷达特性,采用了理论分析、统计分析和性能指标体系分析的方法,对直升机与固定翼飞机、不同直升机之间目标的雷达特性进行了对比分析;建立了直升机的雷达特性统计模型,对统计特性结果进行了分析;采用性能指标体系分析的方法对旋翼调制特性进行了分析,得到了直升机目标的雷达特性影响因素和分布规律。其方法和结果可以作为直升机系统、防空武器系统和直升机靶标的设计参考。     

基于主分量分析的多维时间序列特征选择方法研究

研究了多维时间序列的特征选择问题。首先,讨论了主分量分析的原理;然后,将提出的斜率趋势算法和核函数分类算法应用于多维时间序列的特征选择过程中,并探讨了两类方法的优缺点;最后,采用两种算法对目标距离像多维时间序列进行了仿真实验。实验结果表明了所应用方法的可行性和有效性.     

基于图论分割的多光谱图像非监督分类方法

针对传统基于像素的多光谱遥感图像分类方法存在的"麻点"现象、采样成本高等问题,提出了一种基于图论分割的非监督分类方法,首先采用基于图论的分割算法,按局部邻近相似像素点分割成若干子区域,再以分割后子区域为基本单元,整体进行模糊 C均值聚类,最终实现对多光谱图像的非监督分类.实验证明,该方法结合了局部邻近像素点的相互关系以及相似区域的整体特征,有效解决了麻点问题,具有较高的分类精度和算法效率,降低了采样成本.     

小天体软着陆自主光学导航与制导方法研究

针对小天体软着陆任务自主性、实时性的需求,对软着陆小天体自主导航与制导问题 进行了研究。提出了一种利用激光测距仪和光学导航相机跟踪目标着陆点的自主导航方案, 利用测距矢量以及目标点之间的几何关系,确定着陆平面法向方向和目标点位置。分析期望 的探测器下降轨迹特点,给出了一种基于制导变量的脉冲控制制导律,通过对目标点视线与 着陆平面法向矢量之间夹角的控制,将软着陆小天体控制分解为切向控制与法向控制两部分 。最后,通过数学仿真对自主导航制导系统的性能进行了验证,结果表明该方法能够满足垂 直软着陆的任务需要,实现高精度软着陆。     

目标机动加速度的估计与导引律实现

研究了寻的末制导过程的制导信息获取问题,并在此基础上对导引规律的实现进行了 研究。针对末制导过程的非线性数学模型的特点,设计了高增益观测器,采用高增益反馈保 证观测误差的快速收敛,利用导弹导引头提供的信息,对导引规律中需要的视线转率和目标 机动加速度信息进行了估计,分析了观测器误差的收敛性。采用观测器方法进行制导信息的 估计,将目标机动看作外部扰动输入,因而不需要建立目标的机动模型或对目标机动的统计 特性进行假设。利用观测器获得的制导信息,对导引规律进行了实现,并证明了闭环制导回 路的稳定性。最后进行了数值仿真,并对仿真结果进行了分析,验证了文中得出的结论。     

基于线聚焦菲涅耳透镜的空间聚光光伏系统特性的实验研究

对线聚焦菲涅耳透镜的空间聚光光伏系统的特性开展了实验研究,以期解决工程设计时多参数合理匹配和选择的问题。通过研制由菲涅耳透镜—单晶硅太阳电池光伏组件、太阳模拟器和测试设备组成的实验装置,开展了菲涅耳透镜失焦距离、聚光比和太阳电池短路电流、开路电压、最佳功率、填充因子、效率、温度等之间的关系以及不同失焦距离和不同太阳光线横向偏角对聚焦宽度的影响的实验测试和实验分析工作。研究结果表明：聚光太阳电池性能随短路电流和最佳功率的提高而提高,短路电流和最佳功率分别随聚光比的增加而近似呈线性增大,开路电压基本不随聚光比变化;失焦距离变化引起透镜聚焦宽度变化,进而影响电池表面辐射强度和有效聚光比,应控制失焦距离在可允许范围内;太阳电池串联电阻对聚光太阳电池工作性能存在不利影响,需尽可能选择低串联内阻、高填充因子的太阳电池;应保证聚光太阳电池具有良好的散热条件;太阳光线横向偏角会导致聚焦宽度变大、聚光比减小,并使聚焦光线偏离太阳电池,应控制横向偏角在规定范围内。研究结果为线聚焦菲涅耳透镜空间聚光光伏系统工程设计提供了技术支持。     

基于支持向量机的无参考遥感图像质量评价方法

针对遥感图像主观评价方法的低效率以及常用客观评价方法无法充分考虑人眼对图像的感知特性的问题,文章提出了一种基于支持向量机的无参考遥感图像质量（quality）评价方法。首先建立遥感图像主观评价库,然后在不需要图像失真信息的基础上,利用支持向量机（SVM）将图像的失真类型分为三类,并对每类进行单项评价,再通过加权得到遥感图像的总评分,最后将本文方法、信噪比与信息熵的评价结果回归到主观评价空间并进行对比。实验证明,文章所提方法能客观地评价遥感图像的质量,且优于信噪比和信息熵两种质量评价方法,其结果与人眼视觉感受相符。     

Assessment of the impact of dimensionality reduction methods on information classes and classifiers for hyperspectral image classification by multiple classifier system

Identification of the appropriate combination of classifier and dimensionality reduction method has been a recurring task for various hyperspectral image classification scenarios. Image classification by multiple classifier system has been evolving as a promising method for enhancing accuracy and reliability of image classification. Because of the diversity in generalization capabilities of various dimensionality reduction methods, the classifier optimal to the problem and hence the accuracy of image classification varies considerably. The impact of including multiple dimensionality reduction methods in the MCS architecture for the supervised classification of a hyperspectral image for land cover classification has been assessed in this study. Multi-source airborne hyperspectral images acquired over five different sites covering a range of land cover categories have been classified by a multiple classifier system and compared against the classification results obtained from support vector machines (SVM). The MCS offers acceptable classification results across the images or sites when there are multiple dimensionality reduction methods in addition to different classifiers. Apart from offering acceptable classification results, the MCS indicates about 5% increase in the overall accuracy when compared to the SVM classifier across the hyperspectral images and sites. Results indicate the presence of dimensionality reduction method specific empirical preferences by land cover categories for certain classifiers thereby demanding the design of MCS to support adaptive selection of classifiers and dimensionality reduction methods for hyperspectral image classification.