基于CAM的认知超宽带频谱感知方法

频谱感知是认知超宽带系统的核心部分,针对超宽带频带内授权信号类型确定的特点,为了弥补自相关检测不能够识别信号类型的缺点,提出利用信号的循环谱特征和自相关矩阵差异性来检测授权信号,该方法融合了自相关检测和循环谱检测的优点进行合作判决。仿真表明该方法在高低信噪比环境下均能比循环谱检测和能量检测得到更好地检测效果,因此适合于认知超宽带系统。     

运动潜体湍流尾迹的SAR遥感仿真研究

采用点源法获得密度层化海洋中运动潜体产生的速度场,使用计入海洋内部湍流对海表面毛细重力波作用的SAR遥感全谱模式,利用考虑内波混合的湍流k-ε模式,并且使用Nasmyth海洋普适谱,建立了运动潜体湍流尾迹的SAR遥感仿真模型.利用该仿真模型对Rankine卵形体的湍流尾迹进行了仿真分析,获得令人满意的结果.     

磺化酚醛树脂的研究:对水泥和混凝土抗压强度的影响

研究了磺化酚醛树脂(SPF)对水泥和混凝土抗压强度的影响,结果显示:掺入SPF后,水泥和混凝土不同龄期的抗压强度均有明显的提高并且依赖于掺量、硫酸钠含量以及磺化剂用量.     

频谱感知技术在认知无线电中的应用

频谱感知是认知无线电的关键技术,能量检测广泛应用于频谱感知。针对认知无线电频谱感知技术较少运用于实践的不足,提出了基于0FDM传输系统的频谱感知。在0FDM系统中利用能量检测的判决结果控制子载波的开关,实现感知结果对数据传输的控制,最后利用认知无线电平台进行实时数据的传输。实验结果表明,系统能够在认知无线电平台上成功进行无线通信的数据发送与接收,频谱感知结果能够有效控制数据传输,为认知无线电由理论研究步向实际应用奠定了基础,具有一定的实用价值。     

遥感图像自动配准的串行与并行策略研究

面对数据量呈指数增长的全球遥感图像,研究快速、有效、高精度的自动图像配准算法成为遥感领域迫切需要解决的问题。综述了遥感图像自动配准算法的研究现状和关键技术,且从新的角度分类总结了已有算法的特点及适用情况,并给出了综合的解决方案;同时研究并提出了三种新的并行策略,获得了较好的实验结论。由于算法采用粗粒度的数据并行方法,因此可扩展性和可移植性较好,无论在理论上还是在实践上都能为实际的遥感应用提供有益的指导和借鉴。最后提出了有待进一步研究的问题。     

多尺度PCA-HOG遥感异源图像匹配算法

针对遥感异源图像匹配中非线性灰度畸变和强噪声干扰问题,提出一种基于主成分分析(Principal Components Analysis,PCA)和方向梯度直方图(Histogram of Oriented Gradients,HOG)的遥感异源图像匹配算法.该算法利用HOG提取图像间的几何结构共性特征,能有效克服异源...     

遥感图像融合效果客观评价

能够对不同的融合技术的性能进行客观、系统、全面地评价,成为目前空间信息处理以及遥感图像融合研究领域中亟待解决的问题。对国内外遥感图像融合系统及技术的发展历程进行了介绍,重点分析了遥感图像融合效果评估技术的研究现状,归纳了现有的效果评估方法。通过实验,进一步讨论了当前遥感图像融合效果评估技术所存在的主要问题,有助于明确该领域的发展方向和研究侧重点,为遥感图像融合系统及空间信息处理的研究奠定基础。     

一种可靠的协作式频谱感知方案

高可靠性的频谱感知是认知无线电实现的基础.在认知无线电网络环境下,提出了一种可靠的合作频谱感知方案.认知网络中的独立节点分别计算频谱感知结果的可信任程度,融合中心预分选各节点的感知结果,剔除终端的错误感知数据,利用D-S证据融合方法得到最终感知结果.该方式能够克服阴影效应、衰落信道以及自私设备所造成的感知信息失真问题....     

面向像斑的高分辨率遥感影像自优化迭代分类方法

针对高分辨率遥感影像提出了一种面向像斑的自优化迭代分类算法,基于半监督聚类算法获取训练样本,以支持向量机为核心设计了自优化迭代分类器。使用分型网络演化算法获取像斑,并从中选取少量标记样本;结合标记样本,利用半监督模糊C均值算法对像斑进行聚类,并基于密集度筛选得到训练样本;设计了自优化迭代支持向量机分类算法,对所有像斑进行迭代分类直到满足分类要求,并在分类过程中对近邻分类结果进行统计得到高可信度样本以自主优化训练样本集。基于以上方法分别对武汉市QuickBird和WorldView影像进行分类实验,分类总精度分别达到94.67%与92%,与基于人工选取训练样本情况下进行分类的分类总精度（82%与82.67%）、常规支持向量机分类总精度（87.33%与88%）、最小二乘支持向量机分类总精度（88%与89.33%）相比,精度有明显提升,分类效果较好。     

高分辨率遥感影像的自优化迭代分类方法

针对高分辨率遥感影像提出了一种面向像斑的自优化迭代分类算法,基于半监督聚类算法获取训练样本,以支持向量机为核心设计了自优化迭代分类器。使用分型网络演化算法获取像斑,并从中选取少量标记样本;结合标记样本,利用半监督模糊C均值算法对像斑进行聚类,并基于密集度筛选得到训练样本;设计了自优化迭代支持向量机分类算法,对所有像斑进行迭代分类直到满足分类要求,并在分类过程中对近邻分类结果进行统计得到高可信度样本以自主优化训练样本集。基于以上方法分别对武汉市Quick Bird和World View影像进行分类实验,分类总精度分别达到94.67%与92%,与基于人工选取训练样本情况下进行分类的分类总精度(82%与82.67%)、常规支持向量机分类总精度(87.33%与88%)、最小二乘支持向量机分类总精度(88%与89.33%)相比,精度有明显提升,分类效果较好。