基于模糊决策的快速星图识别

空间碎片问题日益严重, 需要对其进行常态化监测。光学观测作为重要的监测手段, 需要依靠快速的光学图像处理技术, 采用天文定位方法得到空间碎片的赤经-赤纬测量信息。星图识别是天文定位的关键步骤, 直接影响着图像处理的速度和结果精度。本文提出了一种改进的基于模糊决策的快速星图识别方法, 在保持快速处理的情况下提高了星表匹配的准确性。利用新疆南山站25 cm望远镜的图像对该方法进行了测试, 取得了良好的效果, 证明了算法的有效性和稳定性。     

星图识别的剖分算法

为了提高星敏感器的测量速度和精度,在星图识别中首次采用了在地球物理地质建模中有着广泛应用的剖分算法。利用这一算法进行星图的匹配识别,仿真实验结果表明与现有的星图识别算法相比,此算法具有高的识别率,良好的实时性和鲁棒性,且所需导航星库的容量小,检索速度快。     

基于最优路径的多视场全天自主星图识别

为提高低成本小视场星敏感器在全天自主星图识别模式下的识别成功率,提出一种基于最优路径特征的多视场星敏感器星图识别方法。通过多视场观测星图的星图间识别,得到融合后的星图,设置随机分布在星图中主星邻域内各星的蚁群,以迭代的方法得到遍历各星的最优路径,以路径的几何特征作为与导航星库进行匹配的依据。与现有方法相比,该方法表现出高识别率以及针对位置和亮度噪声良好的鲁棒性。     

基于VMD分解和多域联合分布的雷达辐射源识别

针对现有雷达辐射源个体识别存在的识别准确率低、难以区分同型号雷达、缺乏实采信号验证等问题,提出了一种基于变分模态分解(variational modal decomposition, VMD)和时频能多域特征联合的雷达辐射源个体识别方法。首先对雷达信号进行VMD,然后对得到的模态分量分别在时域、频域和时频域提取13种特征参数,最后结合k近邻分类器实现雷达个体识别。采用实际采集的船用导航雷达信号对所提方法和现有的其他两种方法进行了对比验证,实验结果表明所提方法在识别准确率、算法鲁棒性方面优于现有两种方法,具有一定的工程应用价值。     

基于联合协作表示的特定辐射源识别

针对存在脉冲无意调制特征时的特定辐射源识别问题,在时域对个体辐射源建模,并分析了无意特征在特征空间形成的分量对个体识别的作用。首先在时频域提取了奇异值作为特征描述,接着建立了联合协作表示模型并引入Tikhonov矩阵约束增加类间区分度,提取了特有分量表示系数,最后依据最小分类残差实现有监督的特定辨识。仿真中利用具有脉内无意调制的3种辐射源进行分析,实验结果表明提出的方法能有效识别无意幅度和相位调制特征,且在信噪比为10 dB时能达到80%以上的正确识别率,具有泛化建模意义。     

基于联合特征参数的数字调制识别优化算法

针对数字调制识别在低信噪比下的应用,提出了一种基于联合特征参数的数字调制识别优化算法。该算法利用调制信号的高阶累积量和时域瞬时信息,并结合星座图特征进行特征提取,采用弹性反向传播（resilient back-propagation, RPROP）算法训练的反向传播（back propagation, BP）神经网络对多进制数字幅度调制（M-ary amplitude shift keying, MASK）、多进制数字频率调制（M-ary frequency shift keying, MFSK）、多进制数字相位调制（M-ary phase shift keying, MPSK）、多进制正交幅度调制（M-ary quadrature amplitude modulation, MQAM）共4类12种信号进行分类识别。仿真结果表明,当信噪比低至-2 dB时,提出的调制识别优化算法可使12种数字调制信号的正确识别率均达97%以上,极大地改善了低信噪比下的识别性能。     

基于概率联合分布的费用与进度联合风险估计

费用与进度联合风险是指在一定费用目标和进度计划联合约束下不能完成项目计划的风险.采用网络计划技术、Monte Carlo仿真技术、概率联合分布理论和回归分析方法集成的综合方法,建立费用与进度仿真模型,通过对仿真输出结果的统计分析和回归分析,建立费用与进度的边沿概率分布函数和条件概率分布函数,进而实现了费用与进度联合概率分布和联合风险概率分布的估计.最后,结合一个具有确定性逻辑关系但活动的费用和持续时间随机分布的网络计划算例,详细给出了整个分析和应用过程,验证了运用此方法获得的估计结果误差小、可靠性高.     

基于星图匹配的导弹初始定位定向方法研究

论述了星敏感器捷联在弹体上,采用星图匹配技术修正导弹初始定位、定向的原理。提出了一种适用于星光制导的凸多边形算法,简化了弹载星表。由星敏感器视场中的星图,可生成唯一的最大凸多边形,基于凸多边形的星图识别算法可同时获得多颗星的瞬时位置,由此可获得弹体在赤道惯性系和发射点惯性系中的姿态及其关系。最后导出导弹初始定位、定向误差的数学表达式。仿真结果表明该方法的有效性。     

基于运动信息的星图中空间目标检测算法

为了对空间目标进行精确定位与跟踪,建立目标运动轨迹,对基于运动信息的星图中空间目标检测算法进行了研究。首先,基于空域目标能量累积的方法提高目标信噪比,增大弱小目标被分割出来的概率。然后,根据相邻两帧星图中恒星相对位置不变性提取星图控制点,并根据控制点坐标求取全局运动参数。然后,根据分割出的星点与控制点的位置关系,将恒星与潜在目标分类。接下来,利用3帧最近邻关联法粗检测目标,并利用多帧前后向搜索法滤除虚假目标。最后将序列星图中所有目标编号,建立起目标的轨迹针对4组实拍星图的实验结果表明：所有目标的运动轨迹全部建立,检测到目标的最小平均信噪比为2.99,目标最小平均运动速度2.47 pixel/frame,最大平均运动速度12.72 pixel/frame。本文算法基本满足星图中空间目标检测的检测概率高、虚警少和轨迹定位精度高等要求。     

基于小区域滤波的快速星图弱小目标分割算法

时间序列帧星空图像中弱小目标的检测是天基监视地球同步轨道卫星需要解决的关键技术之一,星图中的背景杂波抑制与小目标分割对运动目标的检测与精确测量是至关重要的。针对这一问题,提出了一种基于小区域滤波的快速星图弱小目标分割算法。首先采用最小二乘拟合方法得到高斯背景均值和标准差;然后利用小区域滤波抑制背景杂波;最后利用固定阈值滤除灰度过小像素点。实验结果表明,该算法能够较好地保持恒星和运动目标的边缘,为恒星和运动目标的快速定位奠定了基础。     

基于改进R-FCN的SAR图像识别

由于深度学习在目标识别方面取得了显著的成绩,为提高合成孔径雷达(synthetic aperture radar, SAR)图像目标识别的精度与速度提供了新的思路。本文将区域全卷积网络(region-based fully convolutional networks, R-FCN)结构应用于SAR图像目标识别中,取得了良好的效果。对于数据集较小和数据相似度较高的问题,提出了基于迁移学习的R-FCN模型用于SAR图像目标识别。对更快的区域卷积神经网络(faster region convolutional neural networks, Faster R-CNN)和R-FCN进行模型训练及优化,并与所提出的基于迁移学习的改进R-FCN模型实验结果进行对比。结果表明,所提方法对SAR图像具有更好的识别效果和更快的识别速度。     

高超声速制导炮弹终端滑模控制

针对高超声速制导炮弹的动力学耦合与非线性控制问题,设计一种基于反馈线性化的终端滑模控制器。首先,兼顾控制系统设计的简便性要求与高超声速制导炮弹的强非线性特点,建立非线性控制模型。然后,对模型中动力学耦合问题,根据微分几何理论对其进行反馈线性化,实现俯仰通道与偏航通道的解耦。最后,对两通道分别设计终端滑模控制器,且控制器有限时间收敛。仿真结果表明,所设计的控制器能够快速稳定的追踪指令信号,且在外界干扰与参数摄动的情况下依然具有良好的鲁棒性。     

基于特征不变量的红外图像识别研究

给出了一种提取特征点的新方法和合理的特征不变量。该方法根据三角不等式原理利用第三边与另外两边之和的比值大小来确定角点,以特征点和它相邻的两个特征点所形成的两条直线的夹角正切值以及三角形第三边与另两边和的比值作为特征不变量。这种特征提取的方法简单,并且由于扩大了模板取值范围,使识别效果受特征点漏检的影响较小。实验表明,该方法不仅简便,而且效果良好。     

基于DCNN的弹道中段目标HRRP图像识别

针对弹道中段目标识别问题,现有的基于高分辨距离像(high resolution range profile, HRRP)的识别方法直接提取一维HRRP(1-dimension HRRP, 1D-HRRP)的整体特征,对局部特征提取能力较弱,且由1D-HRRP数据提取的特征的表达能力有限,为此提出了一种基于深度卷积神经网络(deep convolutional neural network, DCNN)的弹道中段目标HRRP图像识别方法。首先,将1D-HRRP转化为0-1二值图像,从而把数值变化特征转化为图像结构特征;然后,构建DCNN逐层提取图像的局部特征和共性特征并进行识别;最后,结合Dropout和L2正则化双重机制缓解DCNN过拟合问题,利用AdaBound算法提高DCNN训练收敛速度和识别正确率。实验结果表明,所提出的基于HRRP图像的弹道中段目标识别方法比其他12种基于1D-HRRP或二维HRRP(2-dimension HRRP, 2D-HRRP)的识别方法正确率更高,在测试数据集上达到了96.28%,实验结果验证了该方法的有效性。     

基于感兴趣点特征的彩色图像目标分类与识别

提出一种基于赋色尺度不变特征变换的特征提取方法,分析证明了该特征对平移、旋转、缩放、颜色漂移等因素的不变性。进而研究了基于该特征的彩色图像目标分类与识别的策略和实现技术,提出了相应的算法。通过运用阿姆斯特丹目标图片库中随机选择的50类对象进行分类识别的实验检验,识别正确率可达到100%。理论分析和实验结果表明,赋色尺度不变特征在彩色图像的分类识别中展示出优越的性能。     

基于DCNN的弹道中段目标HRRP图像识别

针对弹道中段目标识别问题,现有的基于高分辨距离像(high resolution range profile, HRRP)的识别方法直接提取一维HRRP(1-dimension HRRP, 1D-HRRP)的整体特征,对局部特征提取能力较弱,且由1D-HRRP数据提取的特征的表达能力有限,为此提出了一种基于深度卷积神经网络(deep convolutional neural network, DCNN)的弹道中段目标HRRP图像识别方法。首先,将1D-HRRP转化为0-1二值图像,从而把数值变化特征转化为图像结构特征;然后,构建DCNN逐层提取图像的局部特征和共性特征并进行识别;最后,结合Dropout和L2正则化双重机制缓解DCNN过拟合问题,利用AdaBound算法提高DCNN训练收敛速度和识别正确率。实验结果表明,所提出的基于HRRP图像的弹道中段目标识别方法比其他12种基于1D-HRRP或二维HRRP(2-dimension HRRP, 2D-HRRP)的识别方法正确率更高,在测试数据集上达到了96.28%,实验结果验证了该方法的有效性。     

基于直线特征的航拍图像机场跑道自动识别算法

针对航拍图像中机场跑道的区域灰度特征和边界直线特征,提出了一种基于直线特征的机场跑道自动识别算法。首先对航拍图像进行边缘检测;然后在归一化的边缘检测幅度图像中进行直线提取,并对提取的直线进行三次连接;再进行机场跑道边界平行直线对的提取;最后根据区域灰度特征对机场跑道区域进行验证,完成机场跑道的识别和定位。大量实验结果表明,本算法对云层遮挡等具有较强的鲁棒性,并且定位准确,是一种有效的机场跑道识别算法。