毫米波无源成像系统

技术开发单位上海航天技术研究院第804研究所技术简介该毫米波无源成像系统在工作时,探测目标在85GHz～95GHz频段的辐射信号,波束经大口径聚焦透镜天线入射到具有低通高反射特性的频率选择面上(频率选择面由驱动电机带动扫描运动,点频本振信号源频率为45GHz),经频率选择面透射后,与射频信号一起通过高阻硅透镜,耦合至焦平面64×64阵列     

基于FPGA的非制冷焦平面阵列驱动电路设计

非制冷红外热成像系统的核心是非制冷焦平面阵列(UFPA),其发展水平直接决定了非制冷热成像系统的发展.而焦平面阵列驱动电路性能的优劣直接影响UFPA输出信号的质量,从而决定了红外热像仪的品质参数.因此,研制出一种性能好的UFPA驱动电路非常重要.文中提出了实现320×240红外非致冷焦平面阵列(UFPA)驱动电路优化设计的方法.采用Xilinx公司的Virtex-E系列综合可编程逻辑器件FPGA,利用Verilog HDL硬件描述语言设计时序电路,采用LINEAR公司的LDO线性稳压器提供偏置电压.从而完成非制冷红外焦平面阵列的驱动.仿真与实验结果证明此方案可行.     

蜂窝式立体元图像阵列的生成

提出了一种蜂窝式透镜阵列立体元图像的生成方法。首先,通过分析真实透镜的成像原理,建立了成像模型。然后,利用虚拟相机阵列模拟透镜阵列,根据显示端透镜阵列和显示器的参数设置虚拟相机的采集参数。最后,采用投影的方式生成立体元图像阵列。实验结果表明:利用本文方法生成的蜂窝式立体元图像阵列在水平和垂直方向均具有连续的视差变化,且满足子图像与立体元图像之间的投影关系,可以真实再现3D物体的空间信息。本文方法既克服了透镜阵列直接采集存在的空间反转和串扰等问题,又可避免光学采集设备带来的误差,节约成本,可为基于组合成像系统研究提供各种图像来源。     

调频广播外辐射源雷达中的目标方向估计方法

针对外辐射源雷达中散射波信号波达方向（DOA）难以估计的问题,提出了一种距离多普勒域阵列信号处理方法。首先计算直达波信号和接收阵列信号的互模糊函数;然后在互模糊函数上抽取特定时差和多普勒的数据构建单个采样点虚拟阵列信号;将单个采样点的虚拟阵列信号扩展为多个采样点的虚拟阵列信号;通过频率扫描的方式,用MUSIC算法进行空间谱估计得到二维DOA-多普勒图,最终可获得散射波的DOA,及其对应的多普勒频率。从理论上推导了虚拟阵列信号的构造过程及散射波增强的原理,并通过仿真实验评估了所提出方法的性能。     

Fourier神经网络非线性拟合性能优化研究

针对采用传统BP(back propagation)算法训练的Fourier基函数神经网络拟合非线性函数容易陷入局部最优、拟合精度较差等问题,提出采用粒子群(particle swarm optimization,PSO)算法优化Fourier基函数神经网络拟合非线性函数的方法。通过引入具有全局搜索能力的PSO算法对Fourier正交基神经网络权值进行优化,达到提高非线性函数拟合精度的目的,并进行实例仿真实验,通过比较PSO和BP算法训练Fourier基函数神经网络的预测输出结果,验证PSO算法拟合非线性函数的优越性。结果表明,经PSO算法优化后的Fourier基函数神经网络学习能力更强,非线性函数的拟合精度更高。     

红外变焦距光学系统的设计

由于非致冷焦平面阵列红外探测器不需要制冷,可以在常温环境下工作,因此配合这种探测器的光学系统在军事和民用上得到了非常广泛的应用。本文介绍一种用于非致冷焦平面阵列红外探测器的长波红外变焦距系统的设计,系统采用传统的透射光路形式,其工作波段8-12μm,变倍比3.5:1,最后利用CODE V光学设计软件对其像质进行了评价。     

基于BP神经网络的Landsat影像去云方法

利用最优化云变换HOT检测云区位置,再经过云区偏移和膨胀计算检测云影。对于多时相遥感图像的辐射特征存在非线性关系问题,采用BP神经网络对非线性函数进行模拟,预测仿真后各像元的灰度值,实现参考影像与目标影像的光谱匹配。根据云区及其阴影的检测图,将BP神经网络辐射校正后的参考影像镶嵌入目标影像,达到影像修复的目的。实验结果表明,BP神经网络对于Landsat数据具有很好的函数逼近效果,去云后图像质量得到较大改善。     

组合成像中的立体元阵列合成与稀疏视点采集

针对组合成像系统中的立体元图像阵列由于采集设备等因素限制而难以实景拍摄的问题,提出了一种利用稀疏视点图像通过并行映射获得立体元图像阵列的方法。该方法首先使用相机阵列拍摄实际景物的稀疏视点图像,然后分别计算每幅图像的水平和垂直视差图并重构出图像中每个像素所对应实际物点的空间位置,最后采用并行映射的方法生成立体元图像阵列,对于立体元图像中仍然存在的空洞,采用插值计算的方法进行填补。实验结果给出了采集到的稀疏视点图像以及合成后的立体元图像阵列,结果表明,合成图像具有连续的视差变化,可以真实再现拍摄对象的空间结构,而且本文方法在实现上优于传统的立体元图像阵列采集方法。     

场景自适应的红外焦平面阵列非均匀性校正新方法

提出了一种基于神经网络的红外焦平面阵列 (IRFPA) 非均匀性自适应校正方法,重新设计了隐含层结构以获得更接近真实信号的期望信号,此外,还将变步长归一化LMS (VSS-NLMS)自适应滤波技术引入到校正参数的迭代估计过程中,以实现对校正速度和稳定性的提升．实验结果表明,该方法在校正精度、收敛速度和稳定性方面的性能均显著优于传统的神经网络校正算法．     

反射面天线表面误差对平均功率方向图的影响

在同时存在随机误差和系统误差的情况下,提出了反射面天线平均功率方向图的计算方法．首先,分析面板加工误差以及框架安装误差,得出口径场随机相位误差的平均表达式．然后,考虑馈源的轴向偏焦问题,推导出系统误差存在时锥削照射相关函数的解析形式,进而得出了两种不同性质误差共同作用下的平均功率方向图．最后,以某65m口径天线为对象,研究了随机误差和系统误差对其电性能的影响,并给出了参考建议．     

基于BP神经网络矩形微带天线谐振频率预测

谐振频率是微带天线的重要技术指标,建立合适的数学模型以获得微带天线精确的谐振频率,在微带天线的设计中至关重要,通过BP神经网络建模的方法对天线谐振频率进行预测.以一款谐振频率为2.4 GHz的矩形微带天线为分析算例,通过HFSS软件的仿真计算,获取了大量的天线样本,在此基础上建立了矩形微带天线的BP神经网络模型,并预测出不同结构参数下5个矩形微带天线的谐振频率.再将这5个天线的结构参数输入HFSS软件,用HFSS软件对这些天线进行仿真得到其谐振频率,比较结果证明采用BP神经网模型预测得到的天线谐振频率与HFSS仿真结果间误差很小,说明神经网络预测得到的天线谐振频率有效,本文的设计方法可行,效果良好.     

基于遗传BP神经网络的磁流变悬置模型辨识

为克服误差逆向传播算法的多层前馈型BP神经网络收敛速度慢、局部极小化问题,提出用遗传算法(GA)的全局搜索能力寻求最优的BP神经网络权值和阀值,以提高神经网络的收敛速度和克服局部最优。以磁流变液压悬置动态特性试验结果为数据样本,分别用未优化的BP神经网络和优化后的GA-BP神经网络对磁流变液压悬置正、逆模型进行辨识。结果表明,相对于BP神经网络,GA-BP神经网络具有更高的辨识精度、更快的收敛速度,在磁流变液压悬置数学模型辨识方面具备更优的性能。     

基于改进BP网络的机械零件图纸信息识别

在通过对BP算法加以改进，使其性能有所提高，收敛速度加快的基础上，提出了一种新的CAPP系统零件信息的输入方法，即零件的图纸经过扫描仪扫描获得数字信息、加载神经网络模式识别，同时将数字信息还原成CAPP系统中计算机直接读懂的信息，并加载网络测试加以验证。     

基于BP神经网络算法的手写数字识别技术研究

BP神经网络由于具有高度的并行结构和并行处理能力,以及固有的非线性特性和自学习、自组织、自适应能力等,特别适合应用于模式识别。以BP神经网络为背景,研究手写数字识别技术,在考虑诸多因素的情况下,最终设计一种能够提供良好识别的方法。根据研究目标,设计BP神经网络模型,并针对BP神经网络的缺陷提出BP神经网络算法的改进,提高了神经网络的性能。MATLAB仿真实验表明,改进后的BP神经网络可以对手写数字进行快速、准确地识别,具有广泛的应用前景.     

基于小波神经网络的CFG桩复合地基承载力预测

针对BP神经网络学习时间长、收敛速度慢等缺陷,借助小波分析理论,将母小波平移和伸缩构成的小波基作为神经网络的激励函数,通过指导网络的初始化和参数选取,使网络以较简单的拓扑结构实现函数逼近,利用网络训练建立起承载力与其影响因素之间的非线性关系.在相同结构和参数下,与BP神经网络进行分析对比.结果表明:利用小波变换对数据时...     

一种神经网络和模式匹配相结合的入侵检测系统

构造一个基于BP神经网络和模式匹配技术的网络入侵检测系统模型.神经网络和模式匹配在检测类型上是互补的，BP神经网络需要数值化的输入，适合检测基于网络数据包流量特性的入侵行为；模式匹配技术是通过在数据包中搜索特征字符串来检测入侵的.将网络数据包分析处理后分别按神经网络和模式匹配检测模块的输入数据格式生成输入实例，再分别予以检测.该系统可以检测出已知的入侵行为，同时具有一定的对未知入侵的检测能力.实验证明两者结合起来构成的检测系统性能更全面.     

基于小波神经网络的CFG桩复合地基承载力预测

针对BP神经网络学习时间长、收敛速度慢等缺陷,借助小波分析理论,将母小波平移和伸缩构成的小波基作为神经网络的激励函数,通过指导网络的初始化和参数选取,使网络以较简单的拓扑结构实现函数逼近,利用网络训练建立起承载力与其影响因素之间的非线性关系。在相同结构和参数下,与BP神经网络进行分析对比。结果表明：利用小波变换对数据时频局域化分析的能力并结合人工神经网络的自学习功能,使得小波神经网络预测模型具有较强的逼近和容错能力,预测结果比传统的BP神经网络具有更快的收敛速度和更高的精度。     

基于神经网络的油墨转移率预测

利用神经网络根据油墨转移率影响因素的数据来预测其具体数值. 通过对比径向基神经网络、Elman神经网络和BP神经网络最后选择径向基神经网络作为预测网络的模型. 根据各影响因素间的相互关联和各自对油墨转移率影响的大小关系确定影响油墨转移率的主要因素. 以主要影响因素为试验条件,运用正交试验法和均匀试验法合理设计分组试验,将试验结果作为神经网络的样本数据. 利用样本数据对网络进行训练,最终使网络能够预测出不同影响因素下油墨转移率的数值. 将径向基神经网络预测结果和Elman神经网络、BP神经网络的预测值对比分析,以此证明径向基神经网络的预测值具有较高的精确度.     

基于萤火虫算法优化BP神经网络的目标威胁估计

在萤火虫优化算法和BP神经网络的基础上,建立了萤火虫算法优化BP神经网络的目标威胁估计模型,并提出了基于该模型的算法。该模型和算法采用萤火虫算法优化BP神经网络的初始权值和阈值,优化后的BP神经网络能对测试集进行更好的预测。实验结果表明,萤火虫算法优化BP神经网络的预测误差明显小于BP和PSO_SVM。该模型和算法具有很好的预测能力,可以快速、准确地完成目标威胁估计。     

基于区域映射模型的R&D项目中止决策

针对传统的BP网络训练时收敛速度缓慢,容易陷入局部极小,并且实际分类准则与训练准则不一致的缺陷,提出了R&D项目中止决策模式识别的区域映射模型.模型从根本上保证了分类准则与训练准则的一致性,具有比BP网络更快的训练速度和更高的识别率.案例研究表明,区域映射模型是R&D项目中止决策的一种有效的模式识别方法.