聚碳硅烷的高温高压合成与减压蒸馏

采用高温高压法合成了聚碳硅烷(PCS),通过改变合成条件与减压蒸馏温度的方法对PCS分子量及其分布进行调控。研究表明,改变PCS的反应温度、反应时间,可以基本控制PCS的分子量及其分布范围。随着反应温度的提高,反应时间的延长,PCS的分子量逐渐增大,分子量分布变宽。当合成温度高于450℃,反应时间大于6h时,或温度高于460℃,反应时间大于4h时,PCS中出现高分子量部分。随着反应条件的强化,高分子量部分逐渐增加,甚至出现超高分子量部分。提高减压蒸馏温度,可以有效降低PCS的低分子含量,提高分子量,降低分散系数。减压蒸馏温度每提高50℃,PCS的低分子含量约降低8%,重均分子量约提高1000,分散系数平均降低约0.3。     

基于仿射近似的摄像机标定

针对直接基于透视投影模型的标定算法计算量大、结果不稳定的事实,提出一种基于仿射投影矩阵的标定算法。算法首先线性解算仿射投影矩阵,然后分解出部分参数。在假定主点坐标等于图像中心的前提下,解算出其余参数,再以重投影图像点残差和为目标函数,对所有参数进行优化,获得精确的摄像机模型参数,达到精确、快速、稳定的标定目的。大量的仿真和真实图像实验证明算法比传统算法更稳定。     

基于Arnold变换和图像梯度的水印算法

针对空间域水印嵌入算法鲁棒性不强的问题,利用Arnold变换的周期性,将其应用于水印图像的前期处理,然后再嵌入原始图像的内容(边缘)。使提取的水印图像的错误像素被分散到整个水印图像空间中,提高了人眼视觉系统对水印图像的辨识能力。从试验结果来看,该算法在一定程度上满足了数字水印的鲁棒性要求。     

利用波形合成技术对柴油机排气噪声实行有源控制的研究

对四冲程柴油机(4-85)的排气噪声的机理和特性进行了研究;利用波形合成的原理,控制高速信号处理芯片TMS320C25合成次级声源的声波,可以实现宽带消声．对柴油机的排气噪声进行了有源消声的初步设计．     

军用光学像散的体视三维可视化模拟

分析了军用光学系统像散的特征及其几何规律 ,运用计算几何模线曲面的方法建立了像散的数学模型。应用体视图像技术实现了军用光学像散的体视三维可视化模拟     

基于遗传算法的红外图像增强研究

红外图像侦察是一种重要的航空侦察方式。遗传算法目前已在图像处理领域得到了很好的应用。本文将遗传算法引入红外图像增强,使用红外图像的参数模型将图像增强转化为参数的优化。实验结果表明,该方法是一种有效的图像增强方法。     

基于改进SegNet网络的遥感图像语义分割方法研究

遥感图像的语义分割在生产和生活中有着广泛的应用。针对常用的语义分割网络SegNet在遥感图像上对小目标和边缘细节分割精度不够理想的问题,对SegNet进行改进,提出EP-SegNet模型。该模型将激活函数由ReLU替换为ELU,以加快收敛速度,避免神经元死亡,去掉编码器最后一层的池化仅作卷积处理以降低空间信息的损耗,构建Bottleneck层以在加深网络的同时减少参数量,引入金字塔池化模块(PPM)以提升网络对全局信息的感知能力。实验结果表明：该模型的准确率为97.48%,高于SegNet模型3.31%,在图像分割中对边缘细节和多尺度目标的分割精度有较明显提升,较之前模型表现更优。     

无人飞行器异源图像匹配辅助惯性导航定位技术综述

无全球定位系统下高精度定位与导航是飞行器实现自主侦查、巡航与打击的关键。视觉导航具有被动、低成本、能避免累积误差等优点。视觉导航与惯性导航融合更能够发挥出各自的优势,达到高精度定位的目的。总结了异源图像匹配辅助惯性导航的飞行器定位技术的发展历程; 从相机-惯导标定技术、异源图像匹配、姿态解算、数据融合和后端优化五个方面详细阐述了异源图像匹配辅助惯性导航的飞行器定位的关键技术; 指出了基于深度学习的异源图像匹配与惯性导航两种无源定位组合导航系统融合技术等四个未来可能的发展方向,可为实现异源图像匹配辅助惯性导航飞行器定位技术提供参考。     

一种基于虚拟阵元的超波束形成方法

针对超波束形成方法(Hyper Beam-forming,HBF)在实际应用中的不稳定问题,依据阵元间协方差矩阵同一斜对角线上不同元素具有相同相位差的特点,提出了一种基于虚拟阵元的超波束形成方法(Hyper Beam-forming Based on Virtual Array Element,VAEHBF)。该方法按互相关法对接收阵进行虚拟扩展;按HBF思想分子阵分裂波束形成;对分裂波束形成结果进行合成,得到改善的超波束形成结果。数值仿真和实测数据处理结果表明,相比HBF方法,该方法通过对接收阵进行虚拟扩展,在保持分辨力不变的情况下,可进一步提高合成波束增益,对信噪比的适应能力得到了3 dB提高,提高了HBF的目标检测性能及方位估计能力。     

基于训练网络的目标检测方法及应用

传统的Faster-RCNN目标检测网络以VGG16作为训练网络,其网络提取能力弱、检测速度慢,提出将inception网络与深度残差网络作为训练网络用于Faster R-CNN。在TensorFlow框架下,搭建相应的网络模型,并选取飞机、车辆、操场以及水箱的遥感图像进行了实验验证。实验结果表明,相比于VGG16网络,基于inception网络与深度残差网络作为训练网络的Faster R-CNN模型在识别精度和识别速度上都具有明显的优势。