基于分形特征和Hough变换的海天线检测算法

海天线检测是研究成像型反舰导弹末制导技术的一项重要内容。首先深入地探讨了海空背景下的海天线检测问题,然后提出了基于分形特征和Hough变换的海天线检测算法。实验表明,算法精度高,可以有效地检测出复杂海空背景下的海天线,为进一步应用(如目标识别、图像配准)奠定了良好的基础。     

智能车辆视觉系统的障碍物边缘检测

对采集的道路图像中的障碍物进行边缘检测,其过程为:道路图像预处理、二值化、边缘检测和数学形态学处理.同时,在MATLAB7.0中对图像进行仿真.     

小口径火炮身管的振动钻削试验研究

针对小口径火炮身管钻削加工时存在的切屑堵塞和内膛质量问题,设计了一套低频振动装置。通过振动钻削和普通钻削的对比试验,该装置能有效地解决堵屑难题,并提高身管的内膛钻削质量。     

一种适应较大比例变化的多传感器图像配准方法

提出了一种基于边缘曲率区域极值和边缘相关的图像配准方法。算法首先提取图像的较长边缘并对其进行改进的Freeman编码;然后使用Freeman码计算曲线的曲率,根据曲率极值的对应情况初始匹配边缘并得到比例变换因子;然后重采样图像,使用边缘相关、一致性检测方法得到对应的相关边缘对,最后使用最小二乘法得到图像的配准参数。算法可以适应配准图像间有较大旋转角度和较大平移变换等情况。     

平面埋入式进气道的口面参数选择与试验验证

为了提高飞行器的隐身性能和降低其迎风阻力,采用具有平面腹部的低雷达截面外形机身与埋入式进气道的组合是一种良好的解决方案。但迄今尚未有成熟的平面埋入式进气道设计方法可供借鉴,为此对平面埋入式进气道口面参数进行了组合对比研究,旨在通过口面参数的选择来改善进气道的气动性能。在此基础上,选择一组口面参数设计了一梯形进口的平面埋入式进气道方案,并进行了高速风洞试验验证。研究结果表明:(1)进口侧棱决定了所产生的卷吸涡的强度,而前唇口导流角决定了进口段的横向压力梯度,两者均是驱动主流进入进气道内部的关键因素,为此对进气道总压恢复系数和周向畸变指数均有着重要影响;后唇口型线特征参数对进气道出口总压高低压区的分布起着调节作用,为此可以作为控制周向畸变指数的一种辅助措施。(2)合适的口面参数能明显改善平面埋入式进气道的性能。选取23°导流角、4°侧棱角以及30°后唇口型线特征参数组合进行了方案设计和风洞试验验证,在Ma₀=0.7,α＝-2°~8°,β＝0°~2°的范围内,进气道的总压恢复系数在0.920~0.952之间,周向畸变指数在1.142%~2.237%之间,达到了实用水平。(3)研究范围内,攻角的增加有利于改善平面埋入式进气道的总压恢复系数和周向畸变指数,而小角度侧滑时对出口流场畸变的影响不大,不仅未下降,反而稍有增加。     

Lognormal杂波环境中基于Hough变换的目标检测

给出了基于Hough变换的信号检测结构,推导了Lognormal分布杂波背景下基于Hough 变换检测器的检测性能的解析表达式,设计了具体的仿真环境和仿真流程,对基于Hough变换检测器在非起伏目标和四种Swerling起伏环境下的目标检测性能进行了分析。     

印花织物的疵点检测

利用匹配Gabor滤波器提取有效的纹理特征,把疵点分割出来。通过改进规则带,把方差和均值作为评判疵点的标准,从而达到把规则图案织物的疵点分割出来的目标,避免了图案信息的干扰,具有很高的实时性。     

偏转翼前缘热流分布特征

对于偏转翼,其迎风角和偏转角直接影响到前缘弧面上热流最高点的分布位置。运用球面三角学原理并基于后掠圆柱热流计算公式推导偏转翼的迎风角、偏转角和离心角（前缘弧面上偏离前缘中心线的角）之间的关系。在确定迎风角和偏转角的条件下,应用该式可以直接确定前缘弧面上最大热流的分布位置,该结果与实验及工程计算结果基本一致,可以基本满足工程使用要求。最后分析前缘上最大热流位置随迎风角及偏转角的变化规律。     

基于概率极限状态的RAIM风险评估

为了提供准确可靠的完好性服务,提出了基于概率极限状态的RAIM完好性风险评估。考虑所需导航性能参数和噪声的因素,建立了安全系数与可靠系数相结合的完好性风险评估指标体系,确立风险评价准则。非精密进近的算例分析表明,系统评估方法是可行的且有效的。     

轴流风扇/压气机管道周向声模态的测量

利用管道内部周向均匀分布的麦克风阵列对某单级风扇在高背景噪声和较大硬壁反射条件下的管道周向声模态进行了实验测量.利用与参考信号互相关(CC)模态分解技术和传统的方均根(RMS)模态分解技术得到了主要的周向声模态振幅.通过与Tyler和Sofrin的理论分析对比,发现在高背景噪声和较大硬壁反射条件下,两种模态分解技术都能获得较为理想的模态分解结果;并且发现CC模态分解技术获得的模态振幅较低,初步分析这是由于和RMS模态分解技术相比,CC模态分解技术可以降低随机噪声对模态振幅分解结果的影响.此外,周向麦克风个数大于所要分解周向声模态阶数的4倍时,使用CC模态分解技术获得的模态振幅误差可以控制在1dB之内.