基于经验模态分解的点云数据平滑与增强

在计算机辅助设计与逆向工程应用中,针对缺乏拓扑连接关系的点云数据,提出了基于经验模态分解(EMD)的点云数据平滑与增强算法。首先,以点云模型的拉普拉斯矩阵坐标与法向的内积作为EMD输入信号,提取点云模型输入信号的极值点作为插值节点计算信号的上下包络;然后,为实现特征保持的EMD信号分解,通过检测点云数据上特征点,并在计算信号上下包络的过程中作为约束,克服传统EMD算法无法保持特征的局限;最后,迭代地从输入信号中减去上下包络的均值得到内蕴模态函数(IMF)和余量,并通过设计滤波器实现了点云数据平滑和增强。实验结果表明,本文算法有效地将EMD推广到三维散乱点云数据中,扩大EMD在三维几何中的应用范围,并在点云数据平滑和增强方面取得了很好的效果。     

多尺度网格细胞路径综合方法

为实现无人作战飞机(UCAV,Unmanned Combat Aerial Vehicle)认知导航的空间方位自主推算,提出了一种基于多尺度网格细胞的路径整合方法.该方法模拟背侧内嗅皮层(dMEC,dorsal Medial Entorhinal Cortex)的相同区域网格细胞放电特征相同、不同区域放电特征递增变化的特点,构建尺度递增的仿生多尺度网格图组,在各层中引入突触样式(synaptic pattern)计算各细胞权值,通过细胞的活跃度变化表征各网格层中位置的变化,并在各层分别实现路径整合,进而利用低尺度整合结果调整高尺度整合,提高空间位置的推算精度.实验结果表明,所提方法在一定的速度误差与方向误差范围内能够精确推算方位,具有较高的空间位置推算精度,并且方向误差值随运动方向变化呈锯齿状分布.     

研发铝合金的集成计算材料工程

用于铝合金的集成计算材料工程是将微观(10-10~10-8m)、细观(10-8~10-4m)、介观(10-4~10-2m)和宏观(10-2~10 m)等多尺度计算模拟和关键实验集成到铝合金设计开发的全过程中,通过成分-工艺-结构-性能的集成化,把铝合金的研发由传统经验式提升到以组织演化及其与性能相关性为基础的科学设计上,从而大大加快其研发速度,降低研发成本。本文详细阐述了原子尺度模拟、相图计算、相场、元胞自动机和有限元等计算模拟方法及微结构表征和性能测定的实验方法,论述了其在铝合金研发中所发挥的具体作用。基于集成计算材料工程,提出了从用户需要、设计制备和工业生产3个层面研发铝合金的具体框架。通过2个应用实例,展示了集成计算材料工程在铝合金研发中的强大功能,这也为新型铝合金及其它新材料的设计和开发提供了新模式。     

雾化过程的数值模拟研究综述

雾化过程的数值模拟主要有3类方法：简单工程模型、准直接数值模拟和多尺度仿真.对这3类方法的基本思想、优缺点和研究应用等情况进行了全面的总结.雾化过程的多尺度仿真,对大块液体的运动采用准直接数值模拟的思想,对小于网格尺度的小液滴采用模型来封闭.这种方法不仅能够反映雾化过程的主要特性,而且计算量适中,已经成为雾化过程数值模拟新的研究方向.     

融合CNN-Transformer的红外弱小目标检测方法

针对远距离红外目标探测技术中存在的弱小目标特征信息提取困难、局部背景噪声干扰强导致检测算法虚警率和漏检率偏高的问题,提出了融合CNN-Transformer的单帧红外弱小目标检测算法。针对已有方法在提取红外弱小目标特征信息时感受野受限且易受到局部噪声干扰的问题,对Swin Transformer中的窗口自注意力计算模块进行改进,设计了基于可分离卷积的局部感知增强模块,兼顾对全局信息和局部信息的提取,提升骨干网络对弱小目标空间分布信息的提取能力。针对小目标特征难以在深层网络中保留的问题,设计了自下而上的多尺度特征融合模块,在不同层级的特征图之间利用注意力机制确保小目标的低层特征信息能够在高层特征图中得以保留。在公开数据集NUAA-SIRST上进行了测试,验证了本文所提算法相比已有算法取得了更佳的检测效果,同时能够兼顾对检测精度和召回率的优化。     

基于多尺度CNN模型的多时相PolSAR图像作物分类

农作物分类是偏振合成孔径雷达(PolSAR)数据的重要应用之一。由于单时相PolSAR数据获取的信息有限，因此，采用多时相PolSAR数据，其含有农作物生长周期更丰富的特征信息。针对多时相PolSAR数据在极化特征分解时造成的“维数灾难”问题，提出了一种非负性约束稀疏自编码器(NC-SAE)的特征压缩方法，用于对分解后的特征数据进行压缩，以获得分类所需的有效特征。此外，构建了一种多尺度特征分类网络(MSFCN)，该网络可以提高农作物的分类性能，且优于目前传统的卷积神经网络和支持向量机方法。通过使用欧空局提供的数据进行仿真实验，对分类结果进行性能评估，并与传统方法比较。实验结果表明:所提的方法具有很好的农业应用前景。