相控阵雷达高采样率数据事后处理方法研究

针对相控阵雷达高采样率数据,建立了雷达测量数据重采样的最优节点样条表示方法模型.为满足试验数据处理需求,进行拟合采样的同时用迭代方法将野值剔除,有效地降低了雷达测量误差。采用B样条作为数值逼近的基函数,可在全部数据范围内对测量数据进行拟合,达到提高处理精度的效果。通过仿真与实测数据的检验,验证方法的正确性和实用性。     

导弹飞行轨迹运动参数的稳健回归

对导弹飞行轨迹分析中的运动学方程参数求解拟合问题进行了研究,给出了运动学参数的数值计算方法,对参数拟合误差进行了分析.采用了基于B样条函数基的参数稳健回归拟合方法,有效降低了测量异常值对计算结果的影响,提高了拟合精度.试验结果表明:该方法能很好地解决导弹运动参数的曲线拟合与误差分析问题.     

单段导弹弹道轨迹B样条稳健回归分析

利用B样条基构建了导弹弹道位置、倾角和偏角的拟合函数.利用导弹飞行观测数据,运用稳健回归方法,结合导弹运动学方程对导弹飞行轨迹进行拟合,并进一步分析了拟合误差.对导弹测试数据进行了反复计算、拟合和验证,结果表明:模拟计算结果和真实轨迹的误差可以控制在1 mm内,能较为精确地拟合导弹飞行轨迹曲线,对导弹飞行性能和故障分析具有指导意义.     

一种抗野值的UPF算法

为解决野值对滤波效果产生的不利影响,从改进粒子滤波器提议分布(proposal distribution)的容错能力入手,提出一种抗野值的UPF(unscented particle filter)算法.提出的抗野值容错算法将抗"飞点"的UKF(unscented Kalman filter)算法作为野值环境中的粒子取样策略,通过抗"飞点"UKF算法中引入的门限函数向量对新息的控制,进而实现UPF算法对野值容错的目的.仿真实验验证了所构造的容错滤波算法的有效性和实用性.     

样条插值方法在舰炮武器系统试验数据处理中的应用

针对舰炮武器系统试验数据处理中,线性插值法在数据拐点处或导数变化率较大时数据拟合失真的问题,提出了应用样条插值方法进行数据拟合插值的观点.给出了三次样条插值的最佳转换公式,并以工程实践中舰炮武器系统试验航路为实例,应用样条插值方法拟合处理试验数据,其精度满足试验要求.     

基于排序的自适应遗传算法航空炸弹弹道拟合方法

提出了一种基于排序的自适应遗传算法的航空炸弹弹道的拟合方法.该方法在简单遗传算法的基础上,将每一代染色体的适应度排序,并添加了交叉率和变异率的自适应控制函数,既克服了简单遗传算法收敛速度慢,稳定性差的缺点,又改善了函数优化效果.算法应用于某型航空炸弹的弹道数据拟合,仿真结果表明,该算法的拟合精度高,拟合模型优化效果良好.     

基于不完全测量数据的飞行器轨迹参数估计

提出基于稀疏优化的轨迹参数估计新方法,通过降低参数空间的维数改善模型的病态性。利用B样条函数实现轨迹参数的稀疏表示,根据轨迹参数与测量数据的关系建立估计轨迹参数的稀疏表示寻优模型,采用高斯牛顿法获得模型的解。寻优模型中待估参数的数量取决于样条节点数,利用样条函数的高阶导数在节点处的不连续性建立了选取样条节点的稀疏优化模型,采用凸优化方法求解该模型,实现样条节点数的最小化。仿真结果表明,稀疏优化方法能够大幅度提高不完全测量段落轨迹参数的估计精度。     

光顺样条函数的再生核表示与计算

光顺样条是散乱数据拟合的理想函数,是噪声数据最优平滑的重要工具。因此,光顺样条的数学表示和计算的研究具有重要的意义。本文在一般的线性微分算子和线性泛函的情况下讨论光顺样条函数的构造和计算,通过构造一个适当的再生核Hilbert空间,使得所讨论的微分算子光顺样条成为该空间中的最小范数问题,再利用投影理论建立了光顺样条函数的再生核表示方法,并得到了插值偏差表达式。作为特例,还给出了奇次多项式光顺样条函数新的简洁的计算方法。     

基于二代小波的三维虚拟人脸的LOD简化模型研究

针对三维虚拟人脸数据量大的问题,结合曲面多分辨率细分模型,首次提出了具有C2连续光滑的对称性双正交三次B样条小波的快速提升构造方案。算法通过引入 s-lift和w-lift算子,根据B样条的两尺度及小波二阶消失矩关系构造了l和h滤波器。定义了一个与顶点角标无关的提升运算以得到一个平面张量积形式的B样条小波函数,从而将提升构造算法推广到二维,研究了三维人脸网格曲面的张量积小波变换LOD控制算法。对误差计算进行了定义和分析,并对三维人脸的LOD小波控制算法进行了优化。结果表明:二代小波LOD模型压缩率高,人脸曲面失真度小。     

基于Focal Loss的多特征融合地物小目标检测

针对无人机影像中地物车辆目标占整体像素不超过0.4％的小目标检测效果差的问题,在融合FPN结构的Faster R-CNN(FFRCNN)网络基础上,提出一种改进算法——FM-FFRCNN.利用Resnet-50网络进行特征提取,并联多个卷积核进行卷积操作实现多特征融合,达到扩大感受野的效果,并通过检测模块进行回归与分类.同时,为解决模型中正负样本不平衡问题,采用Focal Loss损失函数抑制背景样本对损失的贡献值.实验结果表明:FM-FFRCNN模型在平均精度(Average Precision,AP)上较原先模型提升了19.7％.