基于仿射不变矩特征的舰船图像识别方法

获取舰船图像会受到视角影响,产生仿射变换。文章研究了矩特征的平移、旋转、尺度不变性和仿射变换的性质,进一步构造了仿射不变矩。首先,提取舰船图像的封闭轮廓;然后,计算仿射不变矩作为识别的特征库。通过计算待识别图像仿射不变矩与特征库特征的相关系数进行舰船类型识别,通过仿真数据证明仿射不变矩具有良好的识别性,最大相对误差小于...     

地外文明探索与超光速研究(一)

“以光速或超光速飞行的宇宙飞船”目前仅是一种设想。当前超光速研究的急迫任务是,以实验证明实体物质可以进行超光速运动,实验最好用中性物质粒子(中子、原子)进行。     

步入扭曲的时空

说起时间旅行，我们总会觉得那只是一种不切实际的幻想，是科幻小说的专利。然而，科学家们发现，还没有任何已知物理学定律能够完全否定时间旅行。其实，从理论上讲，将物质沿着时间的轨迹来回切换并不如我们想像的那么困难。问题是，一旦试图将其付诸实施，技术上的难题便会接踵而来。还记得所谓虫洞效应吗？据说利用那些狭小的时空隧道，我们便可从某一时刻游移至另一时刻。倘若我们想回到过去，在理论上，这确实不失为一种完美可靠的方式，问题是，我们需要一定量的“反能”物质来撬开虫洞。最近，美国康涅狄格大学理论物理学教授罗纳德…     

基于三体系统平动点轨道的环日全景任务轨道设计

在空间开展太阳观测是研究太阳活动周、太阳爆发、极端天气等事件起源的重要手段。环日全景探测计划是为实现从黄道面360°全方位观察太阳行星际空间而提出的。本文针对环日全景探测计划,构建了基于三体系统平动点低能量轨道的环日全景轨道部署方法。该方法以日–地L1/L2点Halo轨道幅值及Halo轨道离轨点为变量,以转移轨道飞行时间、入轨机动大小为评价指标,基于三体系统不变流形构建环日全景的转移轨道,并开展轨道优化设计。采用等高线图对设计变量及任务成本进行全局分析。仿真计算表明,轨道部署无法同时满足飞行时间最短与入轨机动最小的要求。设计了轨道机动约束条件下的最优飞行时间解,并给出了基于长三甲运载火箭的一箭双星发射及入轨方案。      

基于菲涅耳变换的不变矩提取及目标识别方法

提出了一种基于菲涅耳变换的不变矩特征提取方法,并应用于图像目标识别.利用菲涅耳变换得到图像的衍射图样,将图像映射到菲涅耳衍射空间;在衍射空间提取几何矩或正交矩来获取图像全局信息的特征描述;利用k近邻法识别目标.实验结果表明基于菲涅耳变换的不变矩提取方法对于平移、尺度及旋转变化的图像目标具有更高的分类精度和抗噪声能力.     

不同月球借力约束下的地月Halo轨道转移轨道设计

针对地月系L2点不同任务需求下的低耗能转移轨道设计问题,基于不变流形理论与混合优化技术,深入研究了不同月球借力约束与不同幅值Halo轨道的入轨点（简称HOI点）对转移轨道飞行时间与燃料消耗的影响,给出了HOI点选择策略。首先结合任务要求并考虑月球引力影响,在月球借力点施加不同约束条件,通过微分修正算法调整Halo轨道的稳定流形,设计月球到Halo轨道的转移轨道。采用遗传算法与微分修正算法相结合的混合优化策略,在同时考虑地球停泊轨道高度、倾角、升交点赤经与航迹角等多约束条件下,对燃料最优的地月转移轨道进行研究。最后,分析月球借力高度、借力方位角和不同HOI点对平动点转移轨道飞行时间与燃耗变化量的影响,对于考虑月球借力的地月平动点转移轨道设计与应用具有重要的参考价值。     

一种目标识别中基于关键点的仿射不变矩

针对常用仿射不变矩对轮廓边缘信息敏感的特点,提出了一种基于关键点的局部仿射不变矩,以分割出来的物体灰度图像为基础,首先计算出物体的质心,然后以质心为扩展点向周围引伸出多条射线,寻找每条射线方向上的最近灰度极值点,将所有灰度极值点当作关键点集合,并按照文中提出的计算仿射不变矩的方法提取出多阶不变矩,将其当作神经网络的输入向量,放入已经训练好的神经网络来达到识别物体的目的,将此方法应用在了飞机图像的识别上,实验结果证明此方法在物体轮廓分割不完整和有噪点污染的情况下能保持很好的稳健性,简单有效并具有较广的应用范围.     

无速度反馈的航天器姿轨耦合跟踪控制

提出了一种无速度反馈的航天器姿轨耦合跟踪控制算法。首先建立起基于对偶四元数的带扰动和参数不确定性的航天器姿轨耦合动力学模型。然后基于浸入与不变流形理论设计了速度观测器,通过增益注入对非线性项抑制,从而同时估计角速度和线速度。利用李雅普诺夫函数分析了观测器状态量的收敛性以及注入增益的有界性,证明了该观测器的指数稳定性。最后设计了一个比例-微分（PD）位置与姿态跟踪控制器,该控制器可以实现航天器的任意姿态与位置跟踪,分析了这种观测-控制结构的闭环系统渐近稳定性。仿真验证了该速度观测器和控制器的有效性以及对于参数不确定性和测量噪声具有较好的鲁棒性。     

基于SIFT,K-Means和LDA的图像检索算法

图像检索一直是信息检索领域的难题。提出了一种基于尺度不变特征变换（SIFT,Scale Invariant Feature Transform）,K-Means和潜在狄利克雷分布（LDA,Latent Dirichlet Allocation）的图像检索算法。算法主要分为两个阶段。预备工作得到分类完成的图库、概率分配参数表和基本词库;实现检索是在预备工作的基础上归类测试图片,然后在该类下搜索最相似图片。对比传统的基于文本或内容的检索方法,该算法在检索之前将图片库中所有图片按其本身特征进行自动分类,取代人工标注图像信息的过程,同时由于整个算法完全基于图像特征,故此方法不会引入人工因素的干扰。实验结果表明,该算法能够较为准确地将要检索的图片归为图片库对应的类别中,有效地提高图像检索效率。