Matlab在装甲车发动机性能试验数据处理中的应用

数据处理是发动机特性试验的一个重要内容,是测取发动机各项指标,进行动力性、经济性分析的前提和基础。利用Matlab强大的数据处理功能和绘图功能对发动机的性能试验数据进行处理,并采用神经网络学习发动机外特性曲线的方法得到曲线,既提高了工作效率,又可得出较为精确可靠的动机外特性曲线。     

基于机场跑道方向特征的快速识别方法

在分析航拍和遥感机场跑道结构特征的基础上,提出了一种结合跑道方向特性的快速识别方法。具体介绍了方向小波变换检测边缘的算法和基于方向特性的改进Hough变换提取直线的方法。前者增加了检测结果的有效性和可靠性,后者加快了跑道识别速度,并能详细描述跑道。实验结果表明本算法是准确、快速、稳健的。     

不完备雷达信号信息系统的粒度-粗集处理法

在粒度和粒度计算的基础上,对不完备信息系统的属性重要度和相对于决策属性的重要度做了定义,并形成了基于粒度方法的不完备信息系统知识约简算法。通过对不完备雷达信息系统实例的分析处理,证明了这种方法的有效性和实用性,并为不完备系统的雷达信号处理提供了一个较好的处理工具。     

基于偏最小二乘特征提取的支持向量机回归算法

为了提高SVM的建模质量,简化建模难度,提出了PLS-SVM组合回归建模方法.该方法通过PLS对样本数据进行降维、去噪以及消除共线性处理后,再进行SVM回归建模.不仅保持了SVM良好的模型性能,而且使SVM具备特征提取功能.实验结果表明,该方法是可行的,采用此法构建的SVM模型,泛化性能优于没有特征提取的SVM.     

基于多分辨分析的舰船噪声能量特征提取方法

以离散小波变换入手,利用小波分析的恒Q特性,提取了舰船噪声信号的子带能量分布特征。结果表明,由于各子带能量参数并不相互独立,基于离散小波变换的舰船噪声子带能量分布特征并不明显。因此,依据多分辨分析理论,对舰船辐射噪声信号进行了正交多分辨分解,并提取了舰船噪声子带能量分布特征。结果表明特征是显著的,该方法从整体上反映了舰船噪声信号能量分布特征。为了从细节上对噪声信号能量特征进行分析,提出了基于多分辨分析的子带能量密度特征提取方法。采用两类共8个噪声样本对噪声子带能量分布和能量密度特征提取方法进行检验,取得了比较理想的结果。     

基于非采样Contourlet变换的高光谱图像融合算法

高光谱图像数据具有大量波段,波段之间的相关性较高,可以利用数据融合技术来降低其分析难度.提出了一种新颖的基于非采样Contourlet变换的高光谱图像融合算法.首先对高光谱数据进行特征图像提取;再将提取出的多幅特征图像分别进行非采样Contourlet变换,并按区域能量进行加权融合;最后对融合系数进行非采样Contourlet重构.实际的OMIS高光谱遥感图像融合的实验结果表明,所提基于非采样Contourlet变换的加权融合算法能够很好地保持图像的空间特性和光谱特性,且效果明显好于典型的小波变换和Contourlet变换的融合方法.     

C^I体系下图像目标毁伤效果评估模型的研究

目标毁伤评估系统是C^4I的重要组成部分,图像变化检测是目标毁伤效果评估系统中的一种重要手段。分析了图像处理技术的必要性,据此设计了基于图像变化检测的目标毁伤评估系统模型,并对其关键技术及评估准则进行了深入分析。结果表明,基于图像变化检测的目标毁伤估计可以提高评估效率,提高评估精度和优化评估效果。     

机械系统状态监测特征参数评价与选取

根据机械不同异常状态出现的频率和危害度的大小,引入状态权值,建立了特征参数总体敏感性和稳定性的评价指标,采用专家系统设计思想,编写了机械状态监测特征参数评价与选取应用软件,实现了特征参数的自动选取以及对特征参数和机械状态数据的有效管理。     

基于梯度直方图的交叉点检测方法

提出基于梯度直方图的交叉点检测方法:统计像素点邻域梯度信息生成特征描述子,通过判定准则筛选候选交叉点,基于欧氏距离对候选交叉点进行聚类后,利用灰度加权法定位图像交叉点坐标.仿真实验验证了算法的正确性与可行性,结果表明:该方法适用于交叉角为65°～90°范围内的交叉点检测,定位精度优于0.6像素,检测率大于90％;该方法...     

基于层次方法和PCA特征变换的宫颈细胞识别

对宫颈细胞多分类,可以自动识别出不同状态的细胞,进而为宫颈癌诊断提供科学依据。在用6种多分类算法实验后,选取支持向量机（SVM）作为基分类器,先用一对一策略（one- versus -one）训练6个分类器进行3分类,然后再训练1个2分类器,这种二层4分类方法提高了识别准确率。又考虑不同层特征模式的差异性,在保证识别性能同时,每层分类前先采用主成分分析（PCA）法将原始154维特征变换到低维空间,去除冗余特征,加快识别速度。实验证明,所提层次PCA法在宫颈细胞分类中相比6种传统多分类方法有更高的识别准确率,可达90%以上;识别速度也较普通层次法提升了21.31%。