视频监视前景图像估计的盲源提取方法

在视频图像运动检测的背景消减方法中,场景图像或帧可建模为前景图像和背景图像的叠加或线性混合。然而,实际中图像的背景和前景往往相关,常用的主成分分析和独立分量分析等方法难以实现准确提取。为此,将视频图像的前景提取建模为盲源提取问题,提出了一种基于均方交叉预测误差的盲源提取方法,可以从相关的源视频图像中提取期望的前景图像,并将该方法扩展应用于基于基本模型和特征背景模型的背景消减方案中。基于人工和实际视频的实验验证了盲源提取背景消减方法的可行性和有效性。     

基于CNN的SAR图像舰船目标检测算法

为了提升合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船目标检测的精度和速度,对卷积神经网络(Convolutional Neural Network,CNN)在SAR图像舰船目标检测上进行了研究。通过改进OTSU方法对SAR图像进行分割,并且用最小外接矩形将疑似目标标记出来;依据矩形中心在原始图像上提取出固定大小区域作为候选区域;将提取的目标通过训练好的卷积神经网络进行判定,去除虚警目标并将检测结果在原图中标记出来。实测数据的实验结果表明,该算法在降低虚警的同时提升了检测速度。     

改进的聚类算法在入侵检测系统中的应用

K-中心点聚类算法是几种经典的聚类算法之一。但传统的K-中心点聚类算法的效率以及稳定性较低,聚类的过程缓慢,容易陷入局部最优解,使得聚类最终结果的准确性不能得到保证。为此,提出了一种基于数据的"密度"信息有效地改进K-中心点聚类算法并应用于入侵检测模型。该算法很好地克服了传统的K-中心点聚类算法过分依赖初始中心点选择的弊端,并且用实验分别验证,以这种方法来进行数据的聚类相比于传统的K-中心点聚类算法,显著提高了数据集聚类的效果,在入侵检测系统的应用中也有效地提高了检测率和降低了误检率,具备一定的实用价值。     

基于TS-MMPF的机动弱目标TBD算法

针对基于多模粒子滤波(Multiple Model Particle Filter,MMPF)的机动弱检测前跟踪(Track-Before-Detect,TBD)方法存在不能直接给出目标航迹以及粒子退化导致的目标漏检问题,提出一种基于航迹平滑(Track Smoothing,TS)的MMPF(TS-MMPF)机动弱目标TBD算法。该方法利用MMPF的方法对机动弱目标量测数据进行处理,输出初步的检测和跟踪结果;将MMPF的输出结果重新定义为新的量测并进行目标的航迹起始、关联及滤波并给出目标的航迹;最后,利用航迹预测值对目标航迹进行平滑处理,有效解决粒子退化导致的漏检问题。仿真结果表明该算法可以有效提高目标航迹的稳健性。     

二次雷达双门限检测接收机的研究及FPGA实现

针对基于软件无线电平台的二次雷达接收机开发,提出了一种双门限检测结构和多级对数放大的接收机设计方案。该方案基于FPGA+AD9361的硬件开发平台,使用Verilog HDL语言在Altera FPGA上完成AD9361的控制以及相关信号处理模块的开发。通过矢量信号源产生不同功率的信号对接收机进行测试,测试结果验证了方案的可行性及正确性。与传统的接收机相比,该系统能够有效剔除干扰信号,具有较大的信号接收动态范围,可以满足二次雷达接收机的要求。     

指控装备车载交换机检测仪设计与实现

针对指控装备车载交换机难维修这一实际问题,综合运用计算机技术、网络技术和通信技术,设计了具有整机性能检测和故障诊断功能的检测仪。介绍了检测仪的软硬件组成,并分别以交换机控制口、以太口和模拟用户口为例,给出了交换机整机性能检测原理,以诊断模拟用户通道板为例给出了故障诊断原理。应用结果表明,该检测仪具有连接使用方便、检测速度快、故障诊断效率高等优点,可为其他指控设备的检测与维修提供借鉴和参考。     

利用预报误差分布拟合实现卫星历史轨道机动检测的方法

轨道机动会引起在轨卫星的轨道异常,是空间态势感知的重点关注对象之一。为此,提出一种从卫星的两行轨道要素编目数据中检测历史机动的方法。通过分析预报误差检测轨道参数的异常编目值,进而获得相应的历史机动信息。对卫星的两行轨道要素编目数据两两预报求差得到预报误差的样本数据后,利用期望最大化算法可以拟合得到以高斯混合模型表达的预报误差的概率分布模型;以此为基础,可以确定利用预报误差检测轨道参数异常编目值的门限;利用轨道机动与异常编目值之间的对应关系,最终实现机动检测。对典型活动卫星的机动检测结果表明,所提方法能够在准确检出历史机动事件的同时保持较低的误检率。     

一种新的确定型有限自动机状态表示及压缩

针对传统DFA存在时间复杂度和空间复杂度高的问题,提出了一种新的DFA状态表示和字符-状态压缩方案。通过对传统DFA状态转换的观察发现,对于一个给定的输入来说,可以仅存储相邻状态之间的差异,从而得到一种新的DFA状态表示N-DFA;对每个大小不固定的状态设置一个状态指针来有效地减少每个指针所需要的比特数,从而得到一种基于输入字符的字符-状态压缩算法C-S;把N-DFA和C-S有效地集成在一起,进一步减少内存。实验结果表明,提出的N-DFA和C-S集成方案相比于传统的DFA和其他改进DFA方案,可以获得更好的内存压缩和加速性能。