一种有效的红外图像融合算法

给出了一种基于átrous算法红外与可见光图像融合算法,该算法主要针对光谱差异较大以及配准精度较低的这类图像的融合算法。该算法首先对融合图像源进行átrous算法分解;随后,对分解的低频信息利用取加权法进行融合;高频信息首先利用边缘检测技术对不同尺度不同方向的高频信息进行边缘点的加强,然后以区域的空间频率为度量标准得到新的高频系数;最后进行átrous算法重构得到最终的融合图像。通过两组红外和可见光图像的融合实验,结果表明该方法能有效地突出边缘细节,提高图像分辨效果和人眼对场景目标的发现和识别概率。     

舰船真空海水淡化装置热力分析

针对目前舰船上广泛使用的真空式海水淡化装置进行热力分析,建立起海水淡化装置的数学模型,以50 t/d真空式海水淡化装置为例,通过对不同蒸发温度和不同工作蒸汽压力进行模拟计算,得到海水淡化装置的产水量、工作蒸汽耗量及冷却水流量随蒸发温度和工作蒸汽压力的变化规律,所得结论与装置的实验及实际运行情况有很好的一致性,证明所建立的数学模型是合适的,所得结论可以指导装置的使用管理及海水淡化装置的设计.     

模糊规则集在发动机故障诊断中的应用

基于模糊规则集度量,提出了一种故障诊断系统。提取模糊规则分两步实现：（1）由训练样本自适应形成超球子空间,可望解决高维空间的识别问题：（2）计算每个子空间上模糊规则的信任度。对模糊规则的概念进行了拓展,以便解决模糊规则之间的矛盾。仿真研究表明：模糊规则集度量可以用于液体火箭发动机的故障诊断。     

内外干扰因素对液体火箭发动机的影响分析

在已有的液体火箭发动机稳态工况的非线性数学模型基础上,计算分析了单干扰因素对液体火箭发动机参数的影响,用非线性方法和小偏差方法对比分析了两个干扰因素分别和共同对发动机参数的影响。所得结论可用于泵压式燃气发生器循环的液体火箭发动机试验结果分析、可靠性及故障分析,也揭示了此类发动机参数随各种干扰因素的变化规律     

模糊方向神经网络在火箭发动机故障检测与分离中的应用

提出了一种模糊方向神经网络分类器,并应用于液体推进剂火箭发动机故障检测与分离。模糊方向神经网络采用模糊集表示发动机故障模式,模糊集是方向超体聚集形成的集合体,方向超体则由单位方向、夹角和两个半径确定。模糊方向神经网络能在一次循环学习中形成非线性方向边界。故障检测与分离的仿真研究表明：模糊方向神经网络的识别性能是比较优越的。     

低分辨雷达基于波形特征的飞机架次判别方法

通过分析低分辨雷达飞机目标回波波形,提取出低分辨雷达飞机目标架次可资分类的特征参数作为飞机目标架次判别的特征向量。最后,采用模糊极大极小神经网络作为分类器,在低分辨雷达目标识别样机系统对机群目标进行分类识别试验中,验证了所提取特征的有效性。     

基于MAP估计的图像超分辨率重建

从一组低分辨率图像中重建一幅高分辨率图像,给出基于MAP估计的近似算法。描述从场景空间到观测图像的线性映射关系,介绍了核心重建算法;算法适合观测条件相似的情况。在贝叶斯方法中,使用Laplace算子作估计图像的领域平滑相关性假设。最后的实验表明了算法在改善空间分辨率上的显著效果。     

薄膜晶体管液晶显示器对空间光调制模式与偏振器方向的关系

薄膜晶体管液晶显示器TFT LCD(Thin Film TransistorLiquidCrystalDevice)是信息光学研究中一种非常重要的电寻址空间光调制器SLM(SpatialLightModulator)。实验中通过调整TFT LCD的起偏器或检偏器的方向,可以分别得到正像、边缘暗突出像、负像等,并结合具有双折射特性的线性扭曲液晶介质对线偏振光的调制理论,对此给出解释。     

液体火箭发动机故障诊断的最优回归方法

提出了一种基于最优回归理论的液体火箭发动机故障诊断方法，可以在测量参数较少的情况下诊断出较多的发动机故障。当发动机故障不太严重、故障因素也不多时，得到比较满意的关于故障定位和故障大小的结果；在发动机故障比较严重的情况下，仍能得到比较好的故障定位结果；当存在多个故障因素时，诊断效能有所下降。结果表明本文所提方法在比较大的范围之内具有良好的效果。     

碳纤维增强聚合物基复合材料频率选择表面的电磁传输特性

为了避免采用金属频率选择表面制备的天线罩中存在的热残余应力和弱黏接界面等问题,采用与聚合物基复合材料罩壁结构相容性好的碳纤维增强聚合物基复合材料制备频率选择表面,利用自由空间法对试样的电磁传输性能进行测试,并采用数值分析模型对碳纤维复合材料频率选择表面的电磁传输机制和电磁传输影响因子进行分析。结果表明:碳纤维复合材料频率选择表面具有频率选择功能,但谐振频率处的电磁传输损耗较大;通过改变复合材料频率选择表面的单元缝隙率、厚度、电导率以及介电常数可以实现对其电磁传输性能的调节。