景象匹配技术研究

景象匹配是一项重要的图像分析与处理技术 ,首先给出了景象匹配问题的数学描述 ,分析了它的性能要求和影响性能的因素 ,然后研究了组成景象匹配算法的 4个元素 ,并详细分析了基于区域的匹配算法和基于特征的匹配算法的一般思路、性能特点和适用范围 ,最后还分析了其它一些热点问题 ,如算法的集成、匹配区的选择等     

基于信息熵的景象匹配区选取方法

提出一种基于信息熵的景象匹配区选取方法。根据基准图的适配性要求,分别以改进的图像信息熵、Frieden灰度熵和归一化平均互信息作为特征指标,考查基准图的景象信息量、特征稳定性和区域唯一性,并以此为依据,采取分层选取策略选取基准图。仿真和实验结果表明,所选基准图具有较高的自匹配概率和较小的匹配误差,能够满足适配性要求。     

基于蒙特卡罗模拟的景象匹配性能仿真

提出并实现了基于蒙特卡罗模拟的景象匹配仿真系统,为自动分析模块选择出的景象匹配区提供了验证平台。讨论了实时图的定位和产生方法,并且详细分析了仿真过程。最后利用仿真系统研究了飞行器处于不同的巡航高度时,基准图匹配性能的变化情况。     

基于圆投影向量的景象匹配方法研究

景象匹配中经常会出现基准图和模板图之间存在任意角度旋转的情况,传统的结构化模板匹配算法通过逐个比较基准图和模板图对应像素灰度值之间的相关性进行匹配,所以只能工作在小角度旋转的情况下,对任意角度旋转的景象匹配是无能为力的。利用圆的各向同性和投影特征提出了圆投影匹配算法,并对其进行了改进。实验结果表明,两种算法都具有旋转不变性,但是改进后的圆投影匹配算法对灰度变化、噪声、光照以及对比度变化等具有更好的鲁棒性。     

结合惯性导航特性的快速景象匹配算法

针对景象匹配/惯性组合导航对图像匹配算法实时性、鲁棒性、精确性的要求,结合惯性导航的工作特点,深入分析快速鲁棒特征(speeded up robust feature, SURF)算法主要技术特征,研究了其影响导航性能的主要因素。结合惯性器件的误差特性,提出针对导航应用的SURF改进方法,较好地增强了算法的实时性、稳定性、可控性。在图像匹配基础上,构建适应景象匹配算法的空间变换模型,从而在理论上检测图像匹配的正确性并求解导航参数。研究结果表明,基于SURF研究的景象匹配算法具备亚像素级精度、毫秒级实时性和优越的抗形变能力。     

基于快速鲁棒性特征的景象匹配

针对光电成像制导景象匹配中图像产生较大几何形变的问题,提出了一种基于快速鲁棒性特征(speeded up robust feature, SURF)的景象匹配算法。SURF提取的图像特征具有尺度和旋转不变性,对灰度不敏感,并能快速运算。算法首先利用仿射变换对基准图像进行3D视角补偿,模拟基准图像在不同视角下的成像,以减小基准图像和实时图像间的视角差异,分别提取两图像的SURF特征,然后根据最小欧氏距离准则提取两图像间匹配的SURF特征点对,根据该特征点对估计基础矩阵,得到两图像的投影关系。仿真结果表明,该算法能够适应光电成像制导中图像的几何形变,实现稳定的景象匹配。     

弹上下视景象目标快速匹配的技术实现

弹上光学传感器拍摄的下视目标图像的配准是打击效果评估的前提.研究了一种稳定的SlFT算子,实现了大视场下视景象目标的快速匹配.其方法是:通过在尺度空间中计算局部极值,先确定匹配关键点的位置和尺度,同时去除低对比度的关键点不稳定边缘上的响应点;然后由关键点相邻像素的梯度方向直方图描绘出种子点及其特征向量,近而获得关键点的特征向量;最后使用距离函数作为相似性度量进行配准.实践证明,与传统的方法相比,实现的算法具有更高的实时性.由于在原有基础上增加了其特征向量的雏数,因而具有更好的鲁棒性.     

多核并行计算技术在景象匹配仿真中的应用

随着计算机技术向多处理器以及多核的架构发展,以OpenMP和线程构建模块（thread building blocking, TBB）为代表的多核处理器并行计算平台的应用得到重视。对多核并行计算技术在建模仿真领域的应用进行了初步探讨,以景象匹配仿真计算为例,基于OpenMP和TBB并行计算平台构建了一个景象匹配评估平台,对不同的景象匹配算法效率进行评估。对多核并行计算技术及其在景象匹配仿真算法中的应用进行了详细介绍,并通过仿真实验验证多核并行计算技术能够大大提高景象匹配评估平台的运行效率,从而有效地支持对导弹真实景象匹配制导系统相关算法进行验证和研究。     

复杂过程建模的模糊集和神经网络方法

为了建立复杂生产过程的被仿真对象的模型,将系统的定性信息（语义规则）和定量信息相结合,提出了一种基于ｐ－范数的近似推理神经网络模型,并给出了一种将梯度方法和最小二乘方法结合起来的交互式学习算法,最后通过实例对算法进行了验证,取得了满意的仿真结果,为进一步科学决策提供了依据     

一种实用的景象匹配仿真方法

设计了一种实用的景象匹配仿真方法。用该方法对匹配算法进行性能评估，可提高所获取的算法性能参数的可信度。基于对特定匹配算法的性能参数进行分析，提出了一种面向景象匹配制导的基准图可匹配性检测方法，为匹配区基准图的选定提供了新的度量参数。仿真比较实验结果验证了本文仿真方法的实用性、有效性。     

基于量子遗传算法的正规模糊神经网络控制器设计

针对模糊神经网络控制器通常涉及的参数较多,反传播算法难于收敛的问题,提出了一种优化设计正规化模糊神经网络控制器的量子遗传算法。该方法用量子比特构成染色体,用量子旋转门进行染色体更新,用量子非门进行染色体变异,将量子位的概率幅看作两个并列的基因,因此每条染色体包含两条并列的基因链,在染色体数目相同时,可提高获得全局最优解的概率。对控制器参数随机编码建立初始群体,利用量子遗传算法进行参数优化。实验结果表明该方法是有效的。     

The Fuzzy Modeling Algorithm for Complex Systems Based on Stochastic Neural Network

The Fuzzy Modeling Algorithm for Complex Systems Based on Stochastic Neural Network~~~~     

一种模糊神经网络学习算法:移动小论域法

提出了一种T-s模糊神经网络在线学习算法：移动小论域法，解决非线性控制对象的在线辨识的精度和实时性问题。该算法是在前后件参数可分离的离线混合学习算法基础上，通过分析隶属函数类型及论域模糊子集划分稠必程度对辨识精度的影响后提出来的。不同于传统模糊化进程，此法使用了移动的小论域窗口在此窗口上划分较少的模糊子集技术产生网络前件模糊化参数，解决了模糊神经网络学习中精度和实时性相互制约的矛盾。仿真结果证实该算法精度高，实时性好。     

基于遗传算法的轮廓模糊匹配问题研究

在由序列的二维轮廓线重构出面模型来表示三维形体的面绘制方式中,首先要解决相邻两层切片上的轮廓线之间的匹配连接关系。针对目前的轮廓线匹配算法容易导致错误匹配的问题,提出一种基于遗传算法的轮廓模糊匹配算法。模糊性为轮廓匹配问题本身所具有,借鉴遗传算法这一种全局优化自适应概率搜索算法,可以准确表达轮廓匹配中的约束,有效地减少错误匹配的发生。在肝脏的CT数据三维重建中应用该算法取得了比较理想的效果。     

基于模糊Chebyshev基函数神经网络的快速学习算法

将模糊控制与神经网络相结合,用神经网络来实现模糊推理,提出了一种以Chebyshev基函数为隶属函数的模糊神经网络。由于无需调整隶属函数的参数,因此该模糊神经网络模型算法的计算量大大减小,仿真结果表明了该模型算法的有效性和快速性。     

基于混沌神经网络模型的预测控制器的设计及应用

根据具有混沌特性非线性、大时滞系统的时间序列重构相空间，计算相空间饱和嵌入维数、并以此为指导，建立混沌神经网络，即便在网络输入不完整或发生变异的情况下，该模型仍能对系统作高精度的短期预测；在此基础上，又设计了模糊神经网络预测控制器，实现了对非线性、大时滞系统高精度的自适应控制。将该控制器应用到单元机组负荷控制系统中，仿真表明了该控制有效性、快速性和鲁棒性。     

模糊神经网络的混合学习算法及其软测量建模

提出了一阶TSK模糊神经网络的混合学习算法，算法由三部分组成：基于模糊聚类的网络初始化；基于梯度下降的规则前件的学习算法；基于部分最小二乘的规则后件的学习算法。该混合算法可以根据训练样本的分布自动确定模糊神经网络的初始值，当输入变量个数多时不会出现模糊规则数爆炸现象，训练速度快，模型精度高。将混合学习算法应用到PTA工业过程中4-CBA含量的软测量建模中，取得了令人满意的效果。     

基于动态递归模糊神经网络盲均衡算法的研究

模糊系统和神经网络已广泛应用于系统的辨识和控制,但是传统的模糊神经网络是一种静态映射,不适用于动态系统的辨识;而由于无线通信信道的时变性和不确定性,决定了盲均衡器本身就是一个动态的均衡过程,所以研究利用动态递归模糊神经网络的盲均衡算法是可行的,而且也是必要的。仿真结果表明:由于动态模糊神经网络的均衡过程同时利用了系统的当前数据和历史数据,对动态系统的均衡,较传统神经网络在均衡的精度和稳定性方面具有更好的效果。     

基于模糊神经网络预测转角的无传感器无刷直流电动机换相控制研究

针对位置检测和准确换相是无刷直流电机运行的关键，本文提出一种新的方法来实现无传感器无刷电机的换相控制。即构造一个基于遗传算法训练结构和参数的模糊神经网络，通过检测电机的磁通和电流来预测电机实际转角实现电机的准确换相。仿真结果表明，利用模糊神经网络预测转角来控制电机换相能取得很好的效果。而文章利用遗传算法作为模糊神经网络的训练算法，此算法具有收敛速度快，不易陷入局部极小的特点。     

DC-DC变换器的模糊神经网络控制方法研究

提出了一种新型的模糊神经网络串联式结合方式。这种串联型模糊神经网络具有模糊控制的结构简单、使用方便的特点，同时又利用了人工神经网络的聚类功能，使整个控制器又具备人工神经网络的自学习能力。仿真试验表明该控制方法对于复杂的全桥式串联共振型DC—DC变换器具有良好的控制效果，整个模糊神经网络控制器的设计过程不仅避免了传统控制器的繁琐的参数调节过程，而且又避免了传统模糊神经网络控制器设计的复杂性。