基于SAR子孔径图像的浅海水下地形探测

沿海地区水下地形的精确测量是人类开展海洋活动的关键,合成孔径雷达（SAR）为浅海地形的探测提供了一种新的手段,其中TerraSAR-X 的聚束模式以较长的积分时间得到高分辨率的 SAR 数据,从而能较为精确地反演浅海的海底地形。传统 SAR 图像水下地形探测基于波周期不变的假设,这不仅需要已知初始水深求解波周期,还给探测结果带来一定误差。本文提出一种基于子孔径图像的水下地形探测方法,将一景SAR图像分解成多景时间间隔固定的子孔径图像,利用子孔径图像间的时间间隔,求解不断变化的波周期,从而获得更加精确的水下地形。使用在海南蜈支洲岛的 TerraSAR-X 数据验证了此方法的可行性,将此方法反演得到的结果与GEBCO数据进行比较,发现两者吻合较好（MAE为2.8 m,MRE为23.91%）,证明了此方法在浅海反演水深的巨大潜力。     

飞机舱位状态智能化图像识别技术

结合现代智能化图像识别技术,根据飞机舱位状态的检测类别,对舱位状态检测流程进行再造,以机器识别代替人工识别,提出了一种有效提高舱位状态检测质量和检测效率的新理念,为未来飞机舱位状态检测技术提供参考.     

基于多波束偏振探测体制的星载云-气溶胶探测雷达设计和仿真

星载激光探测载荷具有云、气溶胶垂直廓线的探测能力。国内外已有的载荷,例如美国Calipso卫星的Caliop雷达、国内“句芒号”卫星的多波束激光雷达和大气污染监测卫星的大气探测激光雷达,为单波束云-气溶胶探测,单次探测区域较窄。提出了多波束云-气溶胶探测激光雷达系统,该系统工作于800 km卫星轨道,采用多波束探测体制,扩展雷达的探测幅宽到30 km,中心波束采用双波长偏振探测获取大气气溶胶、云的垂直廓线和粒子种类,边缘波束采用单波长探测获取云垂直廓线,可极大地提高数据获取效率。采用单光子探测和模拟探测结合的探测方式,模拟探测保证探测的动态范围,单光子探测具有极高的探测灵敏度,降低雷达所需的激光能量,降低雷达的重量和功耗。最终通过模拟仿真,验证了星载多波束云-气溶胶探测雷达对典型云、气溶胶的探测效果。     

故障诊断的神经网络多重模型自适应方法

将神经网络与故障诊断的多重模型自适应方法相结合,提出了故障诊断的神经网络多重模型自适应方法,并对某型航空发动机控制系统传感器故障进行诊断仿真。仿真表明,该方法能够用来解决具有模型不确定性系统的故障诊断问题,同时,对未知的故障模态具有自学习能力     

双星定位入站信号中同步头序列的检测

对双星定位入站信号快捕系统进行了理论分析,导出了同步头序列的最佳检测系统以及同步头序列的准最佳检测系统,同时对准最佳检测系统的性能进行了分析,测试表明理论分析和实验结果是一致的。     

通过铣削力或铣削扭矩监测铣刀破损的研究

为了通过铣削力或铣削扭矩波形的不均匀程度来识别铣刀是否发生破损,提出了两类识别方法。一类是计算齿周期峰值变化率;一类是计算相对最大切削厚度的偏心率。两类算法均简单、可靠,可用于各种铣削加工过程的铣刀破损监测。     

余度管理中故障监控门限值的选取

本文讨论了余度管理中故障监控门限值的选取。门限值的选取对监控系统性能有很大影响。本文通过分析的方法求门限值的最优值。该方法具有一定的准确性,可以作为实际选取门限值的参考。     

基于部件跟踪滤波器的解析余度技术

研究一种以发动机部件跟踪滤波器(CTF)为基础的解析余度技术, 它将CTF与故障检测、隔离和适应逻辑进行了有效的综合, 以改进发动机数控系统的可靠性。仿真表明, 本文所设计的解析余度技术, 在传感器无故障时, 机载模型能正确跟踪发动机的变化。当传感器发生故障时, 在不损坏机载模型的情况下, 又能及时、有效地进行硬、软故障的检测、隔离与适应。      

星载合成孔径雷达图像的飞机目标检测

针对大场景下星载合成孔径雷达(SAR)图像中飞机目标检测问题,提出一种端到端的飞机目标检测算法。先在大场景SAR图像中对机场目标进行粗检测,定位机场区域,再通过精确分割算法获得机场的精细区域。对机场区域中的飞机目标进行检测,采用一种基于Canny算子的边缘检测与卷积神经网络结合的飞机目标检测算法。通过飞机边缘检测、边界框预处理等操作确定潜在飞机目标在机场中的位置范围,采用基于GoogLeNet的卷积神经网络对可疑目标进行鉴别。利用星载合成孔径雷达数据对算法进行验证,证明该方法的有效性与实用性。     

基于深度卷积神经网络的遥感影像目标检测

随着遥感影像数据规模的快速扩张,如何高效准确地识别遥感影像中的典型目标成为当前的研究热点。为解决传统遥感影像目标检测方法准确率低的问题,用基于深度卷积神经网络进行遥感影像目标检测,在遥感影像数据集上用基于Faster-RCNN的神经网络模型对VGG16卷积网络进行训练,对输入的遥感影像通过区域推荐网络标注出待检目标的包围框和置信度,实现对遥感影像的目标检测。以飞机和油罐为例,在TensorFlow深度学习框架下实现了数据预处理、网络训练、目标检测等功能,并在当前测试数据集上取得了较高的检测准确率和置信度。该研究成果可应用于遥感影像解译和处理等相关领域。