火星降落伞开伞过程形态参数辨识与应用

针对柔性目标降落伞开伞过程的形态变化大、光照强度变化大、运动规律性差、存在遮挡等问题，提出了一种基于多算法融合的视觉测量技术的降落伞开伞过程形态参数辨识方法。首先，设计了具有视觉测量靶标功能的降落伞图案，提供了丰富的具有可区分度的标记点，能够准确地对定位点进行跟踪和测量，并开展了双目相机内、外参标定。其次，提出了应用对极几何原理，采用基于暗通道的图像增强技术，提高了图像质量，有效地减轻了各种噪声和过曝光等环境因素的影响；采用稀疏编码超分辨率重建算法，改进了特征点的像素级提取，实现了高精度的亚像素级特征提取；采用特征跟踪扩展卡尔曼滤波算法，提升了特征匹配跟踪的精度和效率。最后，通过全尺寸高空开伞试验的验证，结果表明该方法能够达到较高的辨识精度，具有较好的准确性和鲁棒性。此方法在中国首次火星探测“天问一号”探测器上成功得到了应用，精确地从双目影像中辨识出降落伞开伞过程形态参数，对设计和分析降落伞开伞工况提供了重要的技术参考和数据积累。     

基于海杂波稀疏性与非均匀度的样本挑选方法

针对预警雷达对海监视面临海杂波分布非均匀与杂波样本受目标污染,导致自适应杂波抑制处理性能恶化和目标能量损失的问题,提出了一种基于海杂波稀疏性与非均匀度的样本挑选方法。该方法将目标的导向约束与广义内积样本挑选方法结合,先利用海杂波在空时二维平面上的稀疏分布特性,根据海杂波与目标空时二维分布差异剔除被目标污染的样本,再利用广义内积准则衡量海杂波分布的非均匀程度,并获取均匀样本,以提高杂波协方差矩阵的估计精度。仿真结果表明:所提方法能在提高杂波抑制性能的同时,减小目标信号能量损失。该方法可广泛应用于海面预警监视雷达系统。     

基于本征图像分解的高光谱图像空谱联合分类

高光谱图像分类是许多应用的第一步,也是极其重要的一步。针对目前分类方法存在误分现象,尤其是在地物边缘附近区域,以及现有空谱联合分类方法计算复杂度高的问题,提出一种基于本征图像分解以及导向滤波的高光谱图像空谱联合分类方法:利用AP聚类进行波段选择,提高计算效率;利用基于局部稀疏约束的本征图像分解方法进行高光谱本征图像分解,获取反射率本征图;利用导向滤波器对初始分类结果进行优化。实验结果表明:文章提出的空谱联合分类方法在分类精度与计算时间方面优势明显。     

稀疏孔径成像系统发展概况

介绍了稀疏孔径成像系统的发展现状。重点介绍了系统的成像原理和种类,国外的研究进展以及系统实现的关键技术和应用前景。     

基于原子加权稀疏表示的图像融合算法

图像融合一直以来都是图像处理与机器视觉领域中极其重要的研究方向,而稀疏表示(Sparse Representation,SR)是当前应用最为广泛的图像表示理论之一.针对传统的基于稀疏表示的图像融合策略对超完备字典信息利用不足的问题,提出了基于原子加权稀疏表示(Atom?weighted Sparse Represent...     

相关色噪声下无冗余累积量稀疏表示DOA估计

针对传统均匀线阵中四阶累积量计算复杂度大、对快拍数敏感的问题,提出了一种快速去冗余的高分辨波达方向估计新方法。该方法首先通过构造选择矩阵对四阶累积量矩阵进行第1次降维处理,摒弃传统四阶累积量中大量冗余数据,然后对无冗余累积量矩阵进行矢量化并通过二次降维得到统计性能更优的向量观测模型,最后在相应的过完备基下建立观测模型的稀疏表示进行波达方向(Direction of Arrival,DOA)估计。同时将方法推广到L型阵列2维DOA估计,扩展了其应用范围。与传统的四阶累积量方法相比,该方法大大地减小了计算量,对快拍数要求不高,并且能够有效地抑制相关色噪声。理论分析和仿真实验验证了该方法对1维和2维DOA估计都具有较高的估计精度和分辨率。     

基于非平稳高斯过程的叶栅加工误差不确定性量化

基于非平稳高斯过程描述叶片加工误差,结合Karhunen-Loeve展开方法,建立了由于加工误差导致的叶片型线几何不确定性表征模型。耦合非嵌入式多项式混沌展开、稀疏网格技术与Reynolds-Averaged Navier-Stokes (RANS)方程求解技术,提出了叶栅加工误差不确定性量化方法,研究量化了加工误差所导致的叶型几何不确定性对典型高负荷Pak-B叶栅气动性能的影响。结果表明,在加工误差影响下,叶片负荷相对于设计值变化[±1%]以上的概率为0.56,总压恢复系数相对于设计值降低1%以上的概率为0.12。详细气动分析表明,斜切部分和尾缘的加工制造精度对Pak-B叶栅气动性能影响显著,相应位置的加工误差应严格控制。     

基于稀疏和冗余表示的图像融合方法

为了产生能提供更多信息的融合图像,提出了一种基于SRR(Sparse and Redundant Represent,稀疏和冗余表示)理论的图像融合方法。该方法首先采用训练所得的冗余字典对原始图像进行稀疏表示,然后对系数矩阵采用1-范数取大融合规则进行融合,最后对融合系数矩阵和冗余字典进行重建以得到融合图像。将该方法与拉普拉斯变换、PCA(Principal Component Analysis,主成分分析)、DWT(Discrete Wavelet Transform,离散小波变换)、CVT(Cur Velet Transform,曲波变换)和NSCT(Non-Subsampled Contourlet Transform,非下采样轮廓波变换)等方法在几组图像上进行比较,实验结果表明,该方法在一定程度上提高了融合图像的质量,在主观和客观上都具有较好的性能。     

基于压缩感知的信源个数与信号参数估计算法

信源个数与信号参数估计是盲信号处理的关键环节,对后续信号的侦察处理意义重大。针对当前盲信号信源个数与信源参数估计研究割裂的问题,提出了一种联合估计算法。通过分析信号的稀疏系数在不同测量矩阵相同稀疏字典下位置相同的特点,提高了信源个数和信号参数的估计精度,实现算法的自适应控制;通过数理分析确定了多级搜索策略的最优级次,大大降低了稀疏字典的原子数目。仿真结果表明：算法在一定信噪比下能够实现信源个数和信号参数的有效估计;信源个数和信号参数的估计精度随着压缩比的降低而逐渐提高,随着信噪比的提高而逐步增强;噪声对信源个数和信号参数估计精度的影响很大,尤其是低信噪比下;第2个信源载波频率和调频斜率的估计误差明显高于第1个信源参数的估计误差。     

有限元线性方程组改进的全稀疏存贮方法

有限元线性方程组的系数矩阵一般具有稀疏性和对称性的特点,全稀疏存贮方法就是利用这些特点,只存贮对称部分的非零元素,采用链表式管理,即节省存贮空间,又便于动态更改;但在实际求解计算时,查找元素花费的时间较多;这里给出了一种改进的方法,是在链表的基础上生成相应的线性表,能够方便快速查询元素,使存贮结构同时具有链表和线性表的优点.数值算例证明该存贮方案在时间和存贮上都较为占优,可靠高效,能够应用于有限元线性方程组的求解.