基于改进型CFAR的SAR图像目标检测算法

针对传统的双参数恒虚警率(Constant False Alarm Rate,CFAR)算法存在的虚警率高、实现过程繁琐、算法执行效率低等问题,提出了一种改进型的CFAR检测算法。该算法根据SAR图像的统计直方图,对可疑的目标像素进行预筛选,再用2个滑动窗口对像素进行判别。改进型的CFAR检测算法简化了原检测算法的结构,降低了检测结果的虚警率,提高了算法的计算效率,并在国际公开的雷达数据集上进行软件与DSP硬件的应用验证,测试表明该算法的有效性。     

快响应航天器模块化总线优化设计的建模

建立快速响应航天器模块化总线系统需要考虑许多因素,分析了影响快速响应航天器总线设计的主要因素（模块和集成子系统组合方案、快速响应系统的测试策略、快速响应航天器的有效载荷的质量、体积与功率有效率指标以及成本、总收入等经济指标）以及这些因素所影响的系统的响应时间、可靠性之间的关系,对其建立了数学模型。根据快速响应航天器总线的要求,建立了求解最优总线设计的优化方程,可以通过求解最优方程直接得到最优的快速响应航天器的设计。仿真实验表明提出的总线设计建模方法对设计可靠的、快速响应的、标准化总线及优化投资有重要意义。
     

基于深度卷积网络的SAR图像目标检测识别

在SAR图像解译应用领域,目标的自动检测与识别一直是该领域的研究重点和热点,也是该领域的研究难点。针对SAR图像的目标检测与识别方法一般由滤波、分割、特征提取和目标识别等多个相互独立的步骤组成。复杂的流程不仅限制了SAR图像目标检测识别的效率,多步骤处理也使模型的整体优化难以进行,进而制约了目标检测识别的精度。采用近几年在计算机视觉领域表现突出的深度学习方法来处理SAR图像的目标检测识别问题,通过使用CNN、Fast RCNN以及Faster RCNN等模型对MSTAR SAR公开数据集进行目标识别及目标检测实验,验证了卷积神经网络在SAR图像目标识别领域的有效性及高效性,为后续该领域的进一步研究应用奠定了基础。