MEO星弹双基SAR多普勒特性及分辨率分析

中地球轨道SAR具有波束范围覆盖广、重访时间短等特点，将其作为发射平台，弹载SAR作为接收平台，可以大范围面、高机动性地对重点区域高精度成像。根据空间系统模型建立MEO星弹双基SAR等效模型，对收发平台斜距模型进行描述，将其等效为多项式模型，并分析了孔径时间内的斜距误差，验证模型有效性；根据平台特性重新分析多普勒特性，得到多普勒中心频率和多普勒调频率的二维空变特性；运用梯度法计算距离分辨率、方位分辨率，并分析其随成像区域的变化情况。仿真实验表明，成像区域内的分辨率受俯冲速度的影响是不均匀的，应改变斜视角或改变双基构型，使关注的目标处在受速度影响较小的区域。     

基于IQGA的船舶电力系统故障定位方法

为了快速精准定位船舶电力系统故障，争取宝贵的船舶电力抢修时间，提出一种改进的量子遗传算法（improved quantum genetic algorithm,IQGA）。首先,搭建船舶电力系统的数学模型，把故障定位问题转化为求目标函数最优问题；接着，将量子计算引入遗传算法（genetic algorithm,GA）中，采用双链量子比特编码方式，改进量子旋转门的角度更新策略;最后，加入量子非门实现染色体变异操作，增强算法收敛性能。仿真实验结果表明，改进量子遗传算法能够精准定位故障区段，并且较传统算法有着更为显著的收敛性能。     

基于关键点的遥感图像舰船目标检测

针对当前舰船目标检测算法存在锚框遍历计算成本高和特征旋转适应性不足等问题, 提出基于关键点的遥感图像舰船目标检测方法, 通过预估舰船中心点实现目标检测。首先, 引入深度可分离卷积降低参数冗余, 结合SimAM无参注意力机制, 增强对舰船目标的关注度。其次, 引入方向不变模型(orientation-invariant model, OIM)生成方向不变特征图, 增强网络对旋转目标的适应能力。最后, 考虑到遥感图像舰船目标任意方向密集排列, 但舰船目标中心点不变的特点, 采用直接预测目标的中心点, 再回归偏移量、目标尺度和角度的思路, 摆脱锚框遍历机制, 提高检测速度。在HRSC2016和RFUE2021数据集上进行对比实验, 实验结果充分说明了本文方法的有效性和先进性。     

基于YOLO框架的无锚框SAR图像舰船目标检测

面向合成孔径雷达(synthetic aperture radar, SAR)多目标检测应用, 提出了一种基于YOLO (you only look once) 框架的无锚框SAR图像舰船目标检测方法。该方法针对YOLOv3锚框需要预先设定且无法完美契合的弊端, 通过采用无锚框方法更好适应所检测目标的大小, 便于多尺度目标使用。在此基础上, 给CSPDarknet53网络增加了注意力机制作为特征提取网络, 然后经过能够增大感受野的改进特征金字塔网络(feature pyramid network, FPN)后, 把特征图传给无锚框检测头, 有效提升了目标类别和位置的预测精度。实验证明, 所提算法在公开SAR舰船数据集上平均精度比YOLOv3提高3.8%，达到了94.8%, 虚警率降低4.8%。     

船行波激励下施工栈桥动力响应及控制研究

在船行波的激励下，施工栈桥会产生较大的位移和加速度响应，影响施工作业、造成过往人员恐慌，甚至造成栈桥过大变形，埋下安全隐患。针对这一问题，以郑万高铁某特大桥的施工栈桥为依托，基于线性波理论简化船行波荷载计算，通过附加质量法考虑水体对结构频率的影响，采用附加阻尼考虑水体对钢管桩振动的抑制作用，分别考虑中小型客船与大型驳船，通过谐响应分析法计算两类船行波下钢管桩的动力响应规律。结果表明，水体对栈桥钢管桩频率的影响较大，而水体外阻尼对钢管桩动力响应的抑制作用可忽略；中小型客船引发栈桥过大位移的机理为共振反应，而大型驳船导致栈桥过大位移的原因在于船行波荷载较大；建议中小型客船限速为15 km/h,以防止共振；大型驳船限速10 km/h,以减小波浪荷载大小，保证施工栈桥的安全。     

复杂背景下SAR图像近岸舰船目标检测

针对合成孔径雷达(synthetic aperture radar, SAR)图像近岸舰船目标易受背景杂波的影响, 造成SAR图像近岸舰船目标检测检测率低、虚警率和漏检率高的问题，提出一种适用于复杂背景下SAR图像近岸舰船目标检测的DFF-Yolov5(deformable feature fusion you only look once 5)算法。构建了一个专门用于SAR图像复杂背景近岸舰船目标检测的数据集, 基于Yolov5目标检测算法, 在特征提取网络中进行特征细化和多特征融合两个方面的改进。在特征提取网络中利用可变形卷积神经网络改变卷积对目标采样点的位置, 增强目标的特征提取能力, 提高复杂背景下SAR图像舰船目标的检测率。在多特征融合网络结构中采用级联和并列金字塔, 进行不同层级的特征融合。同时，使用空洞卷积扩大特征提取的视觉感受野, 增强网络对复杂背景近岸多尺度舰船目标的适应性, 降低复杂背景下SAR图像舰船目标检测的虚警率。通过在构建的复杂背景近岸舰船检测数据集上的测试实验, 结果表明: DFF-Yolov5的平均准确率为85.99%, 相比于原始的Yolov5, 所提方法平均准确率提高了5.09%, 精度提高了1.4%。