太阳可能是个“偷星贼”

有一次和另一颗恒星相遇时,太阳可能当了一回"偷星贼"。一项新的研究结果暗示。太阳的引力可能曾经将围绕另一颗恒星运行的星子("婴儿"阶段的行星)拖到了太阳系以内。这要从2004年说起,就在2004年,天文学家发现了迄今已知环绕太阳运行的最遥远天体--微型行星塞德娜。塞德娜星不仅比冥王星距离太     

气象因素影响下的雷达作用距离预测

大气环境对电磁波的吸收衰减作用使雷达的作用距离减小，大气异常折射现象使雷达的作用距离增大或减小．为此重点研究了气象要素特别是异常折射对雷达作用距离的影响，从分析异常折射产生的原因和规律人手，提出了气象要素的观测和雷达作用距离的预测方法．该方法对雷达在航海及军事上的应用具有重要意义．     

扭n立方体中的边不交Hamilton圈

网络图的Hamilton性是图论、计算机网络理论中的重要研究议题，超立方体及其变体由于其良好的网络参数、拓扑结构吸引了众多学者的关注和研究，并将之广泛地应用于许多实际领域中．结合Lee距离Gray码理论证明了扭n方体中存在[n／2]个边不交Hamilton圈，并且给出这些边不交Hamilton圈的生成方法．     

鲁棒Hausdorff距离在SAR／惯性组合导航图像匹配中的应用研究

分析了适用于SAR景象匹配辅助导航系统的图像匹配算法的特点，提出了一种新型Hausdorff距离的鲁棒型图像匹配算法．首先分析了传统的Hausdorff距离算法的不足，然后引入了一种能有效消除高斯噪声影响的新算法．同时针对此算法图像匹配时全局搜索的不足，提出了扫描终止法技术，以有效解决图像匹配实时性的问题．针对高斯噪声的大小对图像匹配的影响进行了仿真实验．仿真结果表明，新图像匹配算法能大大提高合成孔径雷达图像的匹配精度和实时性，对组合导航系统的精度提高有重要的意义，是一种行之有效的方法．     

地球物理测井多参数综合识别储层流体类型的新型神经网络

建立了一种基于引力的新型神经网络模型 ,引入了合力作用机制 ,解决了储层流体类型划分的判定半径问题 ,克服了以往神经网络对任何输入数据都要产生响应 ,并给出一个分类结果的缺陷。改进了传统的距离计算方法 ,克服了传统方法易受单个参数突变的影响而引起误判的缺点。利用新型神经网络方法并结合测井资料 ,对某油田的储层流体性质及类型进行了识别 ,获得了很高的识别率。与径向基神经网络的判别结果相比 ,该神经网络的识别率明显提高。     

基于快速最小距离树的肝脏图像非刚性配准

为精确诊疗肝脏疾病,针对CT肝脏图像中呈现出与相邻器官灰度值相似、边界不清晰,仅靠灰度水平法难获得理想的分割结果的问题,采用快速最小距离树度量多维特征,构造了Renyiα-entropy能量函数,成功完成了atlas和待分割图像之间的非刚性配准,实现了肝脏的自动精准分割.该方法的分割精度较传统互信息法明显提高,较传统Prim算法分割速度更快.     

基于粒子群优化算法的井下目标定位方法

针对矿井结构复杂,井下未知节点定位存在信标节点布置冗余、定位精度低等问题,提出了一种基于粒子群优化算法的井下目标定位方法。根据矿井环境特点区块化布置信标节点,通过引入线性递减权重的粒子群算法对未知节点与信标节点的测量距离和估计距离的误差进行优化,降低定位误差。与四边测量法、加权最小二乘法和RSSI加权质心算法进行Matlab仿真对比实验。仿真结果显示:信标节点为5个,节点总数为15时,平均定位误差为0.877 m。高斯白噪声标准差取值范围从5递增到20,平均定位误差由1.21 m增长到4.65 m,增长幅度最小,抗噪性最好。信标节点密度由10%增加到40%,平均定位误差从2.82 m下降到0.76 m,定位精度明显好于其他三种算法,稳定性好于RSSI加权质心算法。定位精度更高,抗噪性更好,可靠稳定,在井下巷道环境中适应性更强。     

变数据窗阻抗算法的频域分析方法研究

分析典型变数据窗阻抗算法的估计原理和特点 ,提出了一种适用于不同阻抗估计算法的新型频率响应计算方法 ,为不同算法的频域特性分析和比较提供了共同的基础 .该方法也可用于对算法抑制非周期分量的性能进行分析研究     

基于颜色分割和HOG学习机制的人脸检测

人脸检测在信息安全和处理等应用领域起到很重要的作用.提出了一种鲁棒的人脸检测算法.该算法结合了基于颜色分割的粗定位过程和基于Histogram of Oriented Gradient(HOG)特征的人脸精确定位过程.粗定位利用人脸的颜色特征,采用基于YCbCr空间的颜色分割方法,获得图像中有可能包含人脸的图像子区域;精确定位则采用HOG特征,并利用SVM进行分类,得到人脸的准确位置.实验证明我们的方法对不同亮度、各种年龄及性别、表情变化及部分遮挡的人脸都具有很强的鲁棒性.     

一种改进的Knockout抠图方法

通过对Knockout算法的研究分析,针对其在实际应用中需要用户大量的交互工作以及因模型简单造成的抠图不精确问题,提出了一种改进算法。该算法用区域生长方法将用户输入的前、背景线段生长聚合成前、背景区域;然后用轮廓查找方法找到两个区域的轮廓作为Trimap的前、背景轮廓线;最后使用优化颜色样本的方法对每个未知像素点的样本进行优化,提高抠图的精确度。实验结果表明,改进后的算法需要用户较少的工作量,能够得到传统Knockout算法更好的抠图效果。