通用加速计算在环幕失真校正中的应用研究

大规模场景的沉浸式投影系统大都以环幕作为显示设备,而由环幕造成的几何失真使系统真实感大大降低。从环幕产生失真的几何原理出发,通过建立投影平面和成像面之间的坐标映射关系,生成了一种几何失真校正的理论模型。同时,研究了一种适于通用加速计算的图形硬件架构CUDA,基于其多线程的硬件执行机制,通过将几何失真的校正矩阵组织成纹理进行多重纹理贴图映射,设计了预失真校正的硬件加速算法,该算法还利用基于权值的超采样技术对加速中的走样进行了设计。最后,对该方法的校正效率和效果进行了实验验证,证明该方法具有更高的场景交互速度和很好的校正效果。     

一种孔径和频率二维稀疏的步进频SAR成像方法

 步进频率信号(SFWs)在不增加雷达系统瞬时带宽的情况下能够获得高的距离向分辨率的同时,也存在着抗干扰能力较差及其等效重复频率较低的问题,并且在方位向积累时间内由于雷达载机工作状态的变化,会导致方位向的数据录取不完整。针对上述问题,提出一种孔径和频率二维稀疏的步进频合成孔径雷达(SAR)成像方法。首先,分析了稀疏步进频率信号(SSFWs)的SAR成像模型,然后基于压缩感知理论完成距离向成像处理。其次,针对稀疏孔径的回波数据,通过构造成像算子和压缩感知重建模型的方法实现其距离徙动校正和方位压缩处理,进而获得二维成像结果。相比于传统的步进频率信号SAR成像,利用所提方法能够在少量的频率资源和雷达回波数据情况下实现准确的SAR成像。最后,通过对仿真和实测的步进频率雷达数据进行成像处理,验证了所提方法的有效性和可行性。     

综合时序信息的试验优化设计及稀疏求解

考虑不同试验点的试验成本及试验时序信息,在性能指标与影响因素间的响应模型未知情况下,利用装备系统的先验信息构造模型驱动的基函数,构造相应的回归模型来刻画系统的内在关系,分析不同试验点成本及试验时序对试验方案的影响。定义了一种考虑空间权重及批序贯时序的非均匀最优设计模型,将稀疏理论引入到回归试验设计中,把不同批次试验下的回归试验设计模型参数估计问题转换为结构化稀疏重构问题,讨论了非均匀最优设计的构造定理,提出结构化稀疏参数求解算法。算例表明:利用本方法生成的试验点考虑了试验点空间权重和试验时序信息,更符合实际试验规程;采用本方法获得的响应函数得到的期望预测误差更小。     

基于矩阵填充的二维自适应波束形成算法

针对基于矩阵填充的二维自适应波束形成问题,提出一种基于奇异值门限(SVT)的特征分解线性约束最小方差(SVT-ELCMV)算法。首先建立二维自适应波束形成矩阵填充模型,其次验证接收信号矩阵满足零空间性质(NSP),并分析最小可恢复阵元数,最后以SVT算法将稀疏阵列信号恢复为完整信号,并通过修正的特征分解线性约束最小方差(LCMV)形成有效波束。算法解决了稀疏阵列平均副瓣大幅度上升的缺陷,且在平面阵列部分阵元无法正常工作时依然有效。计算机仿真表明:SVT-ELCMV算法可使稀疏阵列具有与完整阵列相同的二维波束形成能力,并可有效抑制干扰信号,验证了算法的有效性和优越性。     

扩展酉矩阵束算法实现稀疏可重构天线阵的优化设计

针对方向图可重构天线阵列的稀疏布阵问题,提出一种基于扩展酉矩阵束算法的优化设计算法。首先建立以阵元位置和多组激励为变量的多方向图联合稀疏优化模型,并利用期望方向图采样数据构建Hankel块矩阵。然后通过centro-Hermitian化处理和酉变换将采样矩阵从复数域转换到实数域,舍弃实矩阵中较小的奇异值对可重构线阵进行稀疏。最后通过对等价矩阵束的广义特征值分解估计稀布阵元位置,进而得到每个方向图对应的激励。仿真验证了该方法能够以阵元非均匀稀疏分布的阵列形式有效实现多个方向图的精确重构。     

时间的形状

时间,总让人既焦虑又期待。时间的形状是不规则的,或者无形的。但也可以认为它是有形的,因为在现实中人们把时间表达为时钟。若是时钟没有了指针,时间的姿态会不会更自由。     

环球滑翔飞行及其地表投影的近似计算方法

定义了通过滑翔实现环球飞行的概念,并提出了以椭圆轨道理论和分段常滑翔角方法相结合的飞行器环球滑翔飞行地表投影的近似算法。计算和分析表明,初始投送方向角是决定环球滑翔飞行地表投影的关键因素。最后给出的算例验证了该近似计算方法的有效性。     

基于卷积稀疏表示的图像融合方法

图像融合是图像处理领域中比较重要的一门技术,传统的图像融合方法会降低图像融合质量。针对稀疏表示在图像融合中存在一定的缺陷,提出了一种基于卷积稀疏表示的图像融合方法。首先,对高频子带系数进行合理有效处理,利用相似度分析和视觉显著性进行融合。然后,将低频子带系数整体融合改进为使用Butworth低通滤波对低频子带进行分解,得到低频近似子带和强边缘子带。最后,再用改进的脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)对强边缘子带进行融合。实验结果表明,与其它传统的图像融合方法相比,信息熵(Information Entropy,IE)提高了将近3%,标准差(Standard Deviation,SD)提高了将近9%,空间频率(Space Frequency,SF)提升了将近30%,互信息(Mutual Information,MI)提升了将近25%。同时,时间效率也有了一定程度地提升。