抗旋转和缩放的SAR与可见光图像自动配准算法

针对合成孔径雷达与可见光图像在大角度旋转和大比例缩放情况下的高精度自动配准问题,提出了一种尺度和旋转不变的SAR(Synthetie Aperture Radar)和可见光图像自动配准算法.算法以SIFT(Scale Invariant Feature Transform)算法为基础,首先通过增强Frost滤波和自适应直方图均衡增强SAR和可见光图像的共性,使其显著提高能够提取出足够多的特征点数目,然后再通过特征描述方法、相似性度量方法、点匹配方法、特征点聚类方法和误匹配点剔除方法等方面对原始SIFT方法进行改进,有效地提高其在多源图像、强噪声、复杂成像条件下的特征提取和匹配性能,最后通过最小二乘法和相似变换模型实现SAR和可见光图像的精确配准.试验表明该算法对图像尺度和角度变化具有良好的适用性,在正确匹配点的比率和定位精度方面都优于原始SIFT算法和Harris算法,具有良好的工程应用前景.     

初始轨道高度对气动力辅助异面变轨的影响

气动力辅助变轨技术可以有效利用大气资源,借助气动力作用减少推进剂消耗,有可能成为未来有大气行星进入/再入飞行的重要手段之一。文章针对改变轨道平面的变轨过程,进行气动力辅助异面变轨分析,探讨了初始轨道高度对气动力辅助异面变轨性能的影响。计算气动力辅助变轨特征速度,并与冲量变轨所需消耗能量进行比较。研究结果表明:气动力辅助异面变轨推进剂消耗量与升阻比呈非线性变化,当升阻比大于某一数值时,气动力辅助异面变轨在一定初始轨道高度区间内能够节省推进剂。文章的研究成果可为有翼再入航天器的研制提供依据,为气动力辅助变轨的工程应用提供技术参考。     

柔性特征的太阳电池翼在轨载荷分析

建立太阳电池翼地面模态试验修正后的较为精确的动力学模型,以此作为太阳电池翼的柔性特征提出基于混合坐标法的太阳电池翼在轨载荷分析方法,计算了航天器在轨机动、舱段分离、交会对接等典型工况下太阳电池翼的载荷变化情况,分析了不同工况下载荷与太阳电池翼动力学性能的相互关系,提出太阳电池翼为应对不同飞行工况应处于何种转角状态的结构设计建议。最后依据最大载荷工况开展了相关试验验证,试验结果表明本文的研究方法有效合理,可推广应用于其它型号太阳电池翼的在轨载荷设计。     

空间目标姿态角估计与RCS反射图生成

介绍了一种空间目标姿态角估计方法,并在此基础上生成了RCS反射图.该方法主要是在直角坐标系中对目标的运动特征用二次项进行描述,并用最小二乘估计求解二次方程,从而根据运动方程估计出目标的姿态角.实测数据验证结果表明,该方法能够有效地估计出空间目标的姿态角变化情况,并可反映出目标RCS随其姿态变化的规律.     

一种复杂场景下的人眼检测算法

针对复杂场景下的人眼检测问题,间接方法和直接方法具有一定的局限性。提出了一种不依赖人脸检测的直接型人眼检测算法,以解决复杂场景下多尺度尤其是小尺度人眼检测问题。算法通过减少下采样因子并加入扩张残差单元以提升小尺度人眼检测能力,且对多尺度特征相互拼接以保证多尺度人眼检测的精度。同时,算法借助于压缩特征输出通道降低了模型复杂度,使人眼检测效率得以提升。实验结果表明:所提模型可以在小尺度下有效地进行左右眼区分,并在红外数据上表现良好。经在DIF数据集上进行训练与测试,所提模型在较小尺度下人眼检测精度达到82.59%,检测效率达到30.5 fps。      

基于改进Faster R-CNN的SAR图像飞机检测算法

在合成孔径雷达（SAR）图像分析领域,飞机作为一种重要目标,对其的检测越来越受到重视。针对传统SAR图像飞机检测算法需要人工设计特征且鲁棒性较差的问题,提出了一种基于改进Faster R-CNN的SAR图像飞机检测算法。制作了一个SAR图像飞机数据集（SAD）,以Faster R-CNN为检测框架,利用改进k-means算法设计更合理的先验锚点框,以适应飞机目标的形状特点;借鉴inception模块思想,设计多路不同尺寸卷积核以扩展网络宽度,增强对浅层特征的表达;分析残差网络Layer5层的特征输出具有更大的感受野,对其上采样后进行特征融合以利用更多的上下文信息;同时引入Mask R-CNN算法中提出的RoI Align单元,消除特征图与原始图像的映射偏差。实验结果表明:相比原始的Faster R-CNN算法,所提改进的Faster R-CNN算法在SAR图像飞机数据集上平均检测精度提高了7.4%,同时保持了较快的检测速度。      

结合颅骨形态特征与神经网络的民族判别

针对颅骨民族判别问题,提出结合颅骨形态特征与神经网络的判别方法,可以推进法医人类学的发展,加快探索民族发展历程。首先,根据颅骨形态学相关研究,提取36个维吾尔族和汉族颅骨数据的几何特征;其次,采用反向传播神经网络（BPNN）对特征向量进行民族判别,并通过Adam算法对网络进行优化,避免陷入局部最优值,添加正则化项保证算法稳定性;最后,分别采用2种网络结构进行对比实验,输入层、隐藏层和输出层的神经元个数分别为36、6、2和36、12、2,并设置不同初始学习率进行对比实验。结果表明:隐藏层神经元个数为12、学习率为0.000 1时,分类精度最高,测试阶段平均准确率最高为97.5%。为了验证所提方法的普适性,生成116例国外颅骨数据进行实验,测试阶段平均准确率为90.96%。相比较于支持向量机（SVM）、决策树、KNN、Fisher等机器学习方法,所提方法学习能力更强且分类精度有明显提升。      

低信噪比下分组交织器识别

针对现有的分组交织器识别算法计算复杂高且容错性差缺点,从分组交织后的同步码分布规律出发,提出了一种新的识别算法。首先,利用数据矩阵统计特性,给出了在任意矩阵列数下,同步码和随机业务数据位置上的概率密度分布函数,基于最小错误判决准则,设定了同步码检测门限,同时基于3倍标准差准则,求解出稳健的交织周期识别门限;其次,分析了数据矩阵中每一行与每一列累积量之间的对应关系,提出了一种快速交织周期遍历方法,使得数据矩阵的构建次数大大减少;最后,总结了4个分组交织后同步码分布规律,通过遍历同步码序列,利用同步码之间的位置关系,实现交织同步位置、分组交织列与交织行参数快速识别。仿真结果表明:所提算法具有较强的低信噪比容错性,在信噪比为-6 dB条件下,参数识别率能够达到98%以上,同时与现有的算法相比,其性能提升4~10 dB且计算效率明显提高。      

基于特征序列的时域STBC-OFDM盲识别算法

为有效解决STBC-OFDM信号盲识别过程中存在的低信噪比适应能力弱等问题,在OFDM块大小已知的前提下,提出了一种在时域上构造特征序列的识别算法。该算法推导了空时分组码接收信号的时域特性,以及四阶特征向量,并构造特征序列,通过检测特征序列达到识别4种STBC-OFDM信号的目的。推导和仿真结果表明:所提算法无需信道、噪声、调制方式和OFDM块起始位置等先验信息,在较低信噪比条件下也具有良好的识别性能,且对频偏、多普勒频移和时延的鲁棒性能好,计算量较低,具有较高的实用价值。      

风偏差对火箭最大气动载荷精度的影响

高空风的预报精度对运载火箭的飞行安全有重要影响,主要表现在对运载火箭飞行中的最大气动载荷的精度影响。以某地区实况风为基准,分析了高空风预报值产生的风偏差对火箭最大气动载荷参数精度的影响。结果表明:最大气动载荷预报值的精度随高空风预报时效延长而降低,其相对误差从第1天的5.68%增长到第11天的26.49%;且最大气动载荷预报值精度与季节有关,该预报精度在秋季最高,春季最低。研究结果在火箭发射的飞行保障及安全决策方面具有参考价值。