谱分析方法在仿真结果分析中的运用

文中给出了谱估计的分析，并将它直接应用于仿真系统输出量的特性分析。对于仿真的可信性问题，讨论了相容性检验方法，特别是小子样现场试验下，仿真与现场试验之间的一致性问题。     

快速JPDA算法的递归和并行实现

本文从联合关联事件的构造出发，讨论关联假设事件的分层构造，以达到降低计算量的目的。这里的层次可从０取到Ｌ，０层表示没有任何目标能够跟当前的观测数据关联，Ｌ层表示共有Ｌ个目标可以跟当前扫描得到的观测数据相关联。本文的关联事件的构造中，各层次的搜索具有递归性并可以独立进行，因而可以并行实现。文中还将本文的方法跟有关文献作了比较，并且给出相应的计算机仿真实验及其结果。     

红外图像序列运动小目标检测的预处理算法研究

就如何检测复杂背景下低信噪比的运动小目标展开讨论,提出了用空间高通滤波方法改善图像质量,达到抑制背景噪声,增强小目标的效果,随后用似然比检测理论进行目标的初步分离,接着采用邻域判决的方法实现运动目标的进一步分离,最后用图像流分析法进行目标的最终检测。实验结果表明,该算法能够对小目标甚至是点目标的运动进行可靠的检测     

FRFT应用于雷达抗主瓣压制干扰技术研究北大核心

压制干扰信号从天线主瓣进入雷达接收机,会严重影响雷达的性能,通常的副瓣抗干扰技术难以奏效。线性调频(linear frequency modulation,LFM)信号在分数阶傅里叶域(fractional Fourier transform,FRFT)会出现能量高度聚集的现象,利用LFM信号的这一特征,提出了基于FRFT的雷达抗主瓣干扰技术。首先对接收到的主瓣干扰混合信号进行FRFT处理,然后在FRFT域滤波去除大部分压制干扰和噪声的能量,最后FRFT逆变换恢复出目标信号。仿真实验表明,新方法对脉冲压缩以后的峰值信噪比有较大的改善,较大地提高了脉冲压缩雷达的检测性能,具有良好的应用前景。     

导引头加速度盲补偿技术研究北大核心

雷达导引头对有加速度的目标进行探测,采用传统的FFT相关检测会导致目标能量在多普勒通道上的扩散,使导引头的检测性能下降,通过补偿加速度可以将分散的目标信号能量汇聚在较窄的频带内。将从工程应用角度,提出一种加速度盲补偿技术,首先分析加速度对PD信号检测的影响;接着分析补偿原理,并以此建立加速度盲补偿的数学模型;最后对影响补偿效果的参数进行分析。     

基于熵权的多站纯方位目标定位分析北大核心

为克服传统权值主观性强、复合性差等现象,提出了一种基于改进熵权的多站纯方位目标定位算法。算法系统分析了匀速直线运动下的目标纯方位信息,给出了目标航迹参数与位置坐标模型,并运用均方误差进行了精度分析。仿真实验表明,本算法能有效地降低估计误差,提高多站融合精度。     

使用等效偏移角稀疏测量的面阵相机序贯图像几何校正

天基光学相机实际在轨对地观测成像的畸变需通过几何校正抑制。目前主流面阵相机对地观测获得的小尺寸、高帧频序贯图像很难满足传统几何校正方法逐帧解算对单帧图像控制点数量与空域分布的要求且计算量巨大。针对这一问题,提出一种使用等效偏移角稀疏测量的面阵相机序贯观测图像几何校正方法,将逐帧校正参数解算问题转化为时域稀疏测量条件下等效偏移角信号恢复问题,利用等效偏移角信号时频信息可有效降低对单帧图像控制点数量和空域分布要求。通过高分四号卫星面阵相机在轨实测图像数据验证了所提方法的可行性且其能大大降低序贯图像几何校正处理的计算量。     

一种巡逻执勤目标检测算法研究

巡逻执勤是具有重要意义的安全维稳行动,但是巡逻环境复杂、目标多样、检测难度大的问题十分突出,所以如何准确、实时检测巡逻执勤目标具有重大现实意义。为了提升对巡逻执勤目标检测的准确性和实时性,基于YOLOv5算法进行改进。为抑制巡逻环境带来的干扰,结合ECANet注意力机制进行改进,提高被检测目标显著性;同时为保证较好的实时性及多尺度目标检测能力,引入BiFPN网络结构。将改进算法与原始算法进行比较,mAP提升3.51%;与4种算法进行了对比实验,结果显示该算法能较好地降低巡逻执勤目标检测因检测相似、尺度多样、光照干扰等问题带来的影响,进一步验证了该算法在巡逻执勤目标检测任务中的有效性。     

液体火箭发动机基于神经网络的实时故障检测算法实现

以某大型液体火箭发动机为研究对象,针对其启动和稳态工作过程,利用Matlab和Lab Windows/CVI等编程工具,基于神经网络技术,开发实现了其地面试车过程实时故障检测的BP(Back Propagation)和RBF(Radial Basis Function)算法。多次试车数据离线检验和实时在线考核结果均表明该方法能够及时、有效地检测出发动机工作过程中的故障,没有出现误报警和漏报警,并能够很好地满足现场试车的实时性和鲁棒性等要求。     

一种视差域基于学习方法的图像合成算法

基于图像序列的图像合成往往需要定标和恢复场景三维结构,为了避免这些复杂过程,根据参考图像的视点离虚拟视点的远近关系,将参考图像序列分为主、从参考图像,并利用多极约束的原理和非线性校正,将图像合成的最优化问题从深度域转化到视差域,从而在不定标和不匹配的情况下,直接从图像序列合成虚拟视图。实验结果证明算法是有效的,并有一定的应用前景。