基于相参积累的捷变频雷达系统相位误差估计与稀疏场景重构算法

针对系统相位误差导致的捷变频雷达目标回波信号相参积累性能下降问题, 构建了系统相位误差下捷变频雷达目标回波信号相参积累模型, 并基于目标的距离-速度二维稀疏性建立了最小ℓ₁范数优化模型, 提出一种基于交替方向乘子法的系统相位误差估计与目标场景稀疏重构联合处理算法, 实现了系统相位误差和目标参数的精确估计。仿真结果表明, 在信噪比为20 dB的情况下, 该方法能够精确估计系统相位误差, 其估计误差在2°以内。同时，相比于逆合成孔径雷达相位自聚焦算法, 所提算法重构性能和计算效率均得到改善, 目标重构幅度均方差提高了10 dB, 运算时间减少到1/2。     

基于改进OMP算法的稀疏目标微波关联成像方法

利用稀疏重构类方法进行雷达微波关联成像时, 传统的正交匹配追踪(orthogonal matching pursuit, OMP)算法在每一次迭代过程中均需要求解目标函数的最小二乘解, 导致成像算法计算复杂度随矩阵规模和迭代次数增加而急剧攀升。针对此问题, 结合频率捷变思想, 提出了一种改进OMP算法的稀疏目标微波关联成像方法。首先, 阐明了微波关联成像机理, 并构建了微波关联成像信号模型; 然后, 利用共轭梯度法对OMP算法中的最小二乘求解步骤进行了改进, 并分析了改进后算法的计算量; 最后, 通过与最小二乘成像方法、匹配滤波成像方法和基于传统OMP稀疏重构的成像方法进行计算机对比仿真实验, 证明了本文算法的正确性与优越性。     

基于协方差矩阵重构的单基地MIMO阵列无网格DOA估计方法

提出了一种单基地多输入多输出(multiple-input multiple-output, MIMO)阵列中的协方差矩阵重构的无网格波达方向(direction-of-arrival, DOA)估计方法。该方法通过降维处理将MIMO阵列等效为信噪比(signal-to-noise ratio, SNR)提升的均匀线列阵,将目标方位估计问题转化为混合范数最小化(mixed norm minimization, MixNM)稀疏信号重构问题。进一步给出了与该稀疏重构问题等价的基于网格的凸优化问题,并模型化为半定规划来求解。为了解决网格大小影响估计性能的问题,利用了等价均匀线列阵的托普利兹结构,模型化为半定规划问题来重构无噪声协方差矩阵,最后通过范德蒙分解来估计目标方位。与传统的基于MixNM方位估计方法相比,该方法减少了优化变量个数。与其他离网格方法相比,该方法估计精度不受网格大小的影响,且能够估计相干源目标。实验仿真验证了该方法的有效性。     

全偏振参量低秩稀疏分解伪彩色图像融合

偏振图像伪彩色融合对提高视觉感知和目标判读具有重要意义,利用空间调制型全偏振参量矩阵的低秩和稀疏特性,提出基于贝叶斯概率鲁棒性矩阵分解融合方法。首先,根据偏振调制和解析算法构造偏振参量矩阵,同时合成强度图像;其次,对参量矩阵进行基于改进的贝叶斯概率参量矩阵分解,降低背景噪声和亮度变化等干扰,分别获得参量图像的稀疏和低秩成分;然后利用方差、清晰度和信息熵进行模糊积分,获得显著性参量图像,与合成强度图像一起进行像素级增强;最后,经直方图规定化和IHS颜色映射,得到伪彩色融合结果。实验选择多种材质与目标的仿真和实测数据进行验证,通过主观视觉效果和客观指标比较,验证了其有效性。     

基于背景重建的高光谱图像异常检测

针对高光谱图像异常检测中背景信息与异常目标信息难以有效区分,背景预测精度不佳的问题,提出一种新的基于背景重建的高光谱图像异常检测算法。通过字典学习方法获取高光谱图像背景光谱字典,并利用该字典对待检测图像进行稀疏重建,得到预测背景图像。将预测背景图像与原始图像做差后得到残差图像,进而利用局部RX检测算法对残差图像进行遍历,实现异常目标检测。通过对真实高光谱图像场景进行实验,证明了算法的有效性。     

关于高校图书馆书库管理的思考

书库是一个图书馆的中心，高质量的书库管理工作直接决定了整个图书馆的服务质量。针对图书馆书库管理中存在的问题，提出了提高书库管理工作质量的措施，使书库能更高效地为读者服务。     

图书馆书库加层改造文献搬迁调整工作思路与对策

从陕西省图书馆文献激增上架困难问题入手,分析了基藏书库文献的分布情况,探讨了实施图书馆书库加层改造文献搬迁调整工作的基本思路和流程,提出了做好该项工作应注意的几个问题.     

基于去噪自编码器的镜像极限学习机设计

针对极限学习机在高维度、含噪声数据集中需要大量隐含层节点来保证分类性能的问题，设计了镜像极限学习机.该算法使用伪逆法确定输入权值，随机生成输出权值和偏置，在对数据进行分类时，它仅需极少的隐含层节点.为了提升镜像极限学习机的分类性能和抗噪性，将它与去噪自编码器相结合.利用去噪自编码器对输入数据进行特征提取，并将提取到的特征作为镜像极限学习机的输入数据，再进行网络训练.在无噪和含噪声的MNIST，Fashion MNIST，Rectangles和Convex数据集中，将基于去噪自编码器的镜像极限学习机与ELM，PCA-ELM，SAA-2和DAE-ELM作对比实验，结果表明，基于去噪自编码器的镜像极限学习机的综合性能最优，用于分类的网络隐含层节点数最少.     

自适应融合的长期目标跟踪算法

为了完成复杂场景中的长期视觉跟踪任务,解决尺度变化、外观变化和跟踪失败等问题,提出了一种双模型融合的长期跟踪算法.首先,将稀疏核相关滤波模型和颜色模型得到的跟踪响应进行自适应融合,构成更具鲁棒性的跟踪结果;然后,利用响应最大值来判断目标跟踪是否成功,并通过随机抽样学习用于在跟踪失败情况下重新检测目标的CUR滤波器,实现长期跟踪.在大规模基准数据集上的实验结果表明,算法在效率、准确性和鲁棒性方面优于现有相关跟踪算法.     

基于稀疏恢复的 MIMO-STAP干扰样本检测方法

针对机载多输入多输出(MIMO)雷达空时自适应处理(STAP)技术在训练样本存在有源干扰时杂波抑制性能严重下降的问题,提出了一种干扰样本检测方法。首先使用正则化FOCUSS算法估计出各原子的空时功率谱值,接着设置谱值门限将谱值较大的原子取出,然后确定扫描带对空时二维平面进行扫描,最后根据进入扫描带最大原子数占总原子数的比例判别训练样本是否存在干扰。仿真实验表明,该方法可有效检测出训练样本中的干扰,使用该方法挑选出的无干扰训练样本恢复杂波谱可保证空时滤波器的杂波抑制性能,提升稀疏算法求解杂波谱时涉及到的样本的可靠性。