在轨航天器动力学参数辨识技术研究

针对在轨航天器低频密集和辨识时激励源有限且难于测量等特点,开展了适用于低频密集模态且不需激励信息的在轨航天器动力学参数辨识方法的研究,探讨了直接利用在轨响应数据在频域内辨识航天器动力学参数的技术;并根据在轨航天器低频密集特点,设计了在轨航天器动力学参数辨识仿真试验系统,对该辨识方法进行了试验验证。     

非相干散射雷达的空间碎片参数统计分析

采用匹配滤波方法处理了非相干散射雷达的原始采样数据(时长约7h), 共检测到394个空间碎片, 估算了其轨道高度、径向速度、散射截面、等效直径及径向加速度等参数, 统计分析了这些参数的变化特征, 得到穿过雷达 波束的空间碎片流量约为60h-1, 信噪比为10～1000, 空间碎片主要分布在600～1100km和1400～1600km两个高度区间, 散射截面 10-5～10-2m2, 等效直径3～10cm, 径向速度-1.5～1.5km·s-1, 径向加速度20～90m·s-2, 这对于中国的空间碎片探测与研究具有重要参考意义.      

基于光谱知识的高光谱图像自动识别方法

针对传统高光谱图像矿物识别方法未能充分利用矿物光谱诊断吸收特征与矿物光谱知识、识别过程人为干预多等问题,提出了一种基于光谱知识的高光谱图像自动识别方法.该方法引入了基于光谱吸收特征与波形特征的光谱知识作为自动识别的标准,利用连续统去除操作增强光谱吸收特征,采取基于光谱主次吸收特征的识别决策策略,建立多级约束准则以提高识别精度及避免误识别,通过利用模拟数据进行算法精度评价并应用航空高光谱成像仪AVIRIS(Airborne Visible/Infrared Imaging Spectrometer)数据进行应用分析与验证.结果表明:当图像信噪比大于200时,识别准确率可以达到80.3%,能够得到良好的识别结果以及较高的精度,并实现了基于高光谱图像的矿物自动识别.     

基于宽窄带微多普勒信息的进动目标特征提取

微动特征是弹道目标识别的重要特征之一。针对锥体目标模型,提出了一种基于宽窄带相结合的混合体制雷达网的微动参数提取方法。首先,在详细分析锥体目标等效散射中心微多普勒变化规律的基础上,利用微多普勒和差比实现了不同体制雷达回波中散射中心的匹配关联。其次,构建宽窄带微多普勒信息联合方程组,提取出锥体目标的进动角、底面半径、锥体高度等参数,并进一步对目标参数估计精度随曲线参数提取误差变化的关系做了比较研究。最后,仿真结果表明,在曲线参数提取值存在一定误差时,目标参数估计精度仍然较高。      

基于"SOM脸"的选择性单训练样本人脸识别

基于“SOM脸”计算模型提出一种新的人脸局部区域重要程度度量方法,并用于进行选择性单训练样本人脸识别。从机器人脸识别的角度,并未预先人为设定任何重要区域,而是通过学习来自动发现这些对机器而言相对重要的人脸区域,即包含类信息相对丰富的区域,并将其进行可视化。实验结果表明,在利用了人脸局部区域重要程度信息后,识别算法的性能和效率均得到提高;特别是仅选择人脸图像中若干部分重要的区域用于识别时．在提高识别效率的同时．识别性能来见明显下降。     

基于小波变换和ICA的卫星测控信号盲识别算法

针对信息对抗中对非合作卫星测控信号识别的问题,提出一种小波变换和独立分量分析相结合的卫星测控信号盲识别算法.首先,基于小波变换去除噪声原理,对混合信号进行去噪处理;然后,采用独立分量分析的方法对去噪后的混合信号进行分离;最后进一步对分离后的测控信号作矢量归一和再去噪处理,得到卫星测控信号的最终估计.Matlab仿真结果表明:该识别算法可以较好地分离卫星测控信号,并且很好地保留了源信号的特征,具有良好的稳定性,收敛速度较快.     

基于阴影信息的多视角SAR图像识别

传统的SAR图像识别技术主要基于目标的电磁散射特性,而目标阴影信息对SAR图像目标识别具有重要的作用。若能获取同一目标在多个方位角下的多幅SAR图像,可改善目标识别的性能。针对该问题,本文提出了一种基于隐马尔可夫模型及阴影信息的多视角SAR图像识别技术。该技术提取目标阴影形状的链编码作为特征向量,并结合同一目标在不同方位角下的多幅图像的特征向量,生成该目标的特征序列,然后利用HMM对特征序列进行识别。仿真结果表明,该方法可有效实现SAR图像目标识别。     

人工鱼群算法研究综述

针对近年来人工鱼群算法的文献进行了总结和研究。首先介绍了鱼群算法的基本计算原理;随后,分析了鱼群算法的部分参数对于算法寻优结果的影响,并介绍了鱼群算法的相关改进方法和部分应用成果,指出了鱼群算法未来的改进与研究方向。     

监控视频中异常事件检测技术研究进展

异常事件检测技术是当前智能监控技术研究领域关注的一个热点,作为计算机视觉的重要研究内容,其主要目标是利用计算机自动检测出可被视为异常的事件。传统方法存在低层视频特征描述能力弱,异常检测方法计算代价大,对复杂场景建模时鲁棒性差等方面的限制。本文结合国内外的研究现状和目前的主流方法,介绍了监控视频中异常事件检测涉及的基本技术,分析了各类监控视频特征提取方法、特征学习模型和异常检测方法的优缺点,整理归纳了可用于监控视频中异常事件检测的常用实验数据集,最后讨论了监控视频中异常事件检测技术的难点、挑战及未来发展趋势。     

基于深度学习的先进陶瓷零件实时缺陷检测系统

传统先进陶瓷零件检测与分类的主流方法为纯机械尺寸过滤和人工判断,为解决其成本高、失误率高和损坏率高等问题,提出了基于深度学习的多目标实时检测分类模型（Multi-object real-time detection and classification model, MRDC）。该模型以YOLOv3为基础,使用SKNet作为注意力机制进行特征重构提高精确度,配合灰度图快速转化算法与跳帧检测方法提高检测速度,可实现实时缺陷检测。对实际生产中的先进陶瓷零件进行采集训练,多批次采集图像数据,每批数据含多个陶瓷零件的1 000张图像,平均精确率均值达到99.19％,用先进陶瓷零件生产线视频检验,识别分类的正确率达到100％,可以保证每分钟检测450~550个零件。多目标实时检测分类模型拥有识别速度更快、识别准确率更高和零件不易损坏等优点,可极大地节约生产原料与人力成本,减少废品产出。