一种新型红外焦平面阵列非均匀校正算法

针对现有红外热像产品多采用一点+两点的校正方式,存在增加结构复杂度和整机功耗的问题,开发研究一种新型的红外焦平面阵列非均匀性的校正方法.介绍非均匀性的3种定义,给出非均匀校正的常用方法,在以ULIS0304为试验件的基础上详细论述红外焦平面阵列非均匀性的校正方法,并比较各温度校正前后直方图.结果表明:校正后图像矩阵的非均匀性基本为0,算法有效.     

制冷焦平面高动态范围热成像非均匀校正系数与积分时间的关系

变积分时间是实现高动态范围（HDR）热成像的最有效手段,但积分时间的变化会使得系统的残留非均匀性噪声也发生变化。从红外系统响应模型出发,推导了两点非均匀校正（NUC）法的增益和偏置校正参数与积分时间的关系,结果表明：增益校正参数与积分时间无关,只有偏置校正参数与积分时间有关;并通过实际热成像系统的测试对比实验,证明了上述结论的正确性。研究结果为变积分时间的HDR热成像系统的NUC提供了合理、可行的校正依据,可极大的简化变积分时间的HDR热成像系统NUC处理过程。     

基于时域统计的非均匀校正算法

提出从输入辐射和输出响应的概率密度函数角度分析红外焦平面阵列非均匀性问题,并以此建立基于时域统计特性的自适应非均匀校正算法。增益和偏移系数的漂移被看作是离散的缓慢变化的非平稳随机过程。反映输出响应概率密度函数特性的时域直方图被用来计算探测元的增益和偏移系数;自回归模型被用来对未来的增益和偏移系数进行预测。与直接存储图像数据相比,采用时域直方图存储图像的统计信息可以节约大量的存储空间,而且获得时域直方图的方法也非常简单。把算法设计成流水线结构,便可以实现实时的自动漂移补偿的红外热成像系统。真实的红外实验数据说明该算法有显著的非均匀校正效果。     

基于神经网络的微光图像增强与复原

微光图像的退化主要取决于探測器的灵敏度、非线性和噪声。神经网络是ー个高度复杂的非线性动力学系统,对于微光图像,提出ー种基于多层前向传播（MLP)神经网络的图像增强与复原方法。为了加速训练学习过程,釆用加动量项的自适应BP学习方法对网络进行循环迭代训练。实验结果表明,MLP神经网络增强与复原方法是可行的,并且对微光图像的增强与复原具有很好的效果。     

基于红外目标局部灰度特性分析的管道滤波方法

提出了一种新的管道滤波方法并将其应用于红外图像序列中弱小运动目标检测。首先采用局部灰度特征分析的方法对图像序列的一帧进行逐点检测,检出候选目标;然后对每个候选目标建立管道,利用局部灰度特征的分析方法判断后续帧的管道区域内是否仍然存在目标,保留仍然存在目标特征的管道,清除不具备目标特征的管道。该方法不需要对每一帧图像都进行复杂的管道建立、维持、消除等操作,具有丢失目标后快速重新捕获能力。实测红外图像序列的实验结果证明了所提方法的有效性和抗干扰能力。     

High-resolution Image Reconstruction by Neural Network and Its Application in Infrared Imaging

As digital image techniques have been widely used, the requirements for high-resolution images become increasingly stringent. Traditional single-frame interpolation techniques cannot add new high frequency information to the expanded images, and cannot improve resolution in deed. Multiframe-based techniques are effective ways for high-resolution image reconstruction, but their computation complexities and the difficulties in achieving image sequences limit their applications. An original method using an artificial neural network is proposed in this paper. Using the inherent merits in neural network, we can establish the mapping between high frequency components in low-resolution images and high-resolution images. Example applications and their results demonstrated the images reconstructed by our method are aesthetically and quantitatively (using the criteria of MSE and MAE) superior to the images acquired by common methods. Even for infrared images this method can give satisfactory results with high definition. In addition, a single-layer linear neural network is used in this paper, the computational complexity is very low, and this method can be realized in real time.     

移动机器人路径跟踪的自适应控制

提出一种结构简单的自适应控制器，控制器是由模糊神经网络和PD控制器并行控制移动机器人路径跟踪。在初始阶段，PD控制器控制路径跟踪并提供控制经验给模糊神经网络学习。在学习信号触发器的管理下，可以在线学习自适应调整模糊神经网络的参数。模糊神经网络控制器既推理产生控制规律，也辩识移动机器人动力学模型，通过BP学习算法实时在线调整自身参数达到路径跟踪自适应控制目的。     

飞机目标红外图像序列双阈值分割方法

针对飞机目标红外图像序列,提出了一种新型双阈值分割方法.它依据实测飞机目标红外图像序列的统计特性,以及目标在上一帧图像中所占比例,确定当前帧图像中两个阈值的取值范围;再利用最大熵准则和遗传算法搜索最佳双阈值.仿真结果表明,这种方法能够实时地分割出飞机目标和作为目标特征点的尾喷管,可用于工作在成像目标跟踪阶段的红外成像制导、红外型自动目标识别(ATR)系统.     

无人艇非线性航迹鲁棒自适应跟踪控制

针对欠驱动水面无人艇（USV）的非线性航迹跟踪控制问题,提出一种基于单调3次埃尔米特样条插值（CHSI）和神经网络的鲁棒自适应控制方法。采用CHSI方法对航路点进行拟合,得到光滑的非线性期望航迹,解决了传统线性航迹容易使USV出现的摇摆、曲折问题;引入Serret-Frenet坐标系,并构建了自适应视线制导律,提高了收敛速度且减少了振荡;考虑USV模型的不确定性和环境干扰力影响,设计了简捷的鲁棒自适应神经网络控制器。稳定性分析结果证明了控制系统的收敛性;仿真实例验证了所提出的控制方法能够有效地改善USV航迹跟踪控制的精度和品质,并具有学习参数少、运算负载小的特点。     

基于人眼视觉响应的低光照图像增强

为解决光照图像可视信息不足的问题,提出一种基于人眼视觉响应的图像增强算法.利用导向滤波对图像亮度通道的反相图进行局部平滑计算掩摸,根据亮度通道的全局均值和标准差计算关键参数,对图像光亮度通道进行自适应曲线调整,全面提升动态范围.通过增强前后的亮度通道计算颜色饱和度增益和偏差进行颜色校正,结合灰度直方图分布进一步拉伸全局对比度.采用SSIM、VLD和MOS评价指标对不同图像增强方法结果进行对比.实验结果表明:该算法对低光照图像具有良好的增强效果,能够有效增强图像亮度和细节,提高视觉可视性.     

基于Sarsa算法的无人直升机悬停控制

无人直升机悬停控制,利用Sarsa增强学习算法设计.将Sarsa增强学习算法与多层前馈神经网络相结合,对控制器参数进行在线调整,实现对微小型无人直升机悬停控制性能的在线优化.增强学习的值函数逼近器采用N10-12-16结构的多层前馈神经网络,权值学习采用直接梯度下降的近似梯度迭代算法,用ε-Greed策略进行行为选择.     

红外图像弱小点目标检测技术研究

针对低信噪比、背景和噪声干扰严重的红外图像中运动点目标的检测问题，提出了一种背景预测和目标轨迹搜索相结合的高效检测算法。该算法首先对序列图像进行高通滤波，然后对滤波后的图像进行背景预测，将原图像与背景预测图像相减获得残差图像，依据图像阀值分离出少量的候选目标点，再将含有候选目标的序列残差图像经过最大合并算法形成组合帧图像，最后利用目标运动的连续性和一致性在组合帧图像中搜索目标运动轨迹。     

应用神经网络的飞行器动力学自适应控制

针对具有未知参数的飞行器系统提出了一种基于模型的神经网络预测控制策略．目的是通过一个优化程序以自适应控制律来稳定未知系统．由于能够描述动态函数关系的特性和具有反馈处理结构，回归神经网络以一个期望状态值的自适应估计器得到应用．神经网络的训练是通过动态顺序递归反向传播学习算法来执行的．这表明所提出的神经网络学习算法拥有设计飞行控制系统的潜在能力，所设计的飞行系统能在大范围飞行条件下和其它不确定因素下补偿飞行器动力学不可预测的变化．     

基于减法聚类和自适应模糊神经网络方法的运动规划器设计

使用减法聚类和自适应模糊神经网络方法设计了一种水下机器人运动规划器。根据输入输出数据的特性,用减法聚类算法,自适应地确定模糊系统的初始结构和参数,提出将模糊神经系统参数分解为非线性前提参数和线性结论参数并分开辨识。采用梯度下降算法和最小二乘算法分别进行自适应模糊推理系统前后件参数的优化,提高了参数的学习效率。仿真结果表明：在相同的仿真环境下,所设计的自适应模糊神经网络运动规划器的规划效果要好于模糊运动规划器。     

电阻阵红外景象投影仪非均匀性校正方法学

电阻阵红外景象投影仪是红外成像制导系统和前视红外系统等红外探测系统性能测试、评估和系统动态仿真的重要装置。但是其严重的辐射非均匀性限制了它的应用范围。因此,必须要进行校正。本文对非均匀性校正的方法学进行研究,综述几种有效的校正方法及其实施过程。     

自适应模糊神经网络在用电预测中的应用

电力三产用电量预测模型,基于自适应神经网络模糊推理系统(ANNFRS)原理及电力负荷的历史数据建立.该系统由7个隐含层数,5个隶属度函数组数据模型组成.网络使用Levenberg-Marquardt算法训练,每个局部映射参数采用线性最小二乘估计算法.仿真结果表明拟合误差的数量级为10-5,能满足负荷预测要求.     

基于模糊神经网络的非线性系统辨识

基于神经网络的预测控制器由神经单元自适应PID控制器和基于神经网络的Smith预估器组成.预估器对输出进行多步预测,使控制器超前动作以消除时滞对系统的影响.自适应PID控制器通过有监督的Hebb学习算法实现其权值的调节,同时通过权系数的在线调整实现自适应控制,提高自适应能力.     

一种自适应模糊小波神经网络及其在交流伺服控制中的应用

针对某武器大功率交流伺服系统所存在的大变负载、慢时变、强耦合的非线性特性和不确定扰动等问题,提出了模糊小波神经网络（FWNN）间接自适应控制器,该控制器的特点为Takagi-Sugeno-Kang (TSK)模糊模型的后件部分由自回归小波神经网络（SRWNN）构成。给出了SRWNN参数的迭代算法,利用SRWNN辨识器为控制器提供实时梯度信息,有效地克服了参数变化和负载扰动等不确定因素的影响,且具有良好的动态特性。采用Lyapunov稳定性理论方法证明了闭环系统的稳定性。仿真研究和样机试验结果证明了所提方案的有效性和正确性。     

基于最小二乘支持向量机时域背景预测的红外弱小目标检测

针对信噪比较低时,如何有效地抑制自然背景对目标检测的影响,提出了一种基于最小二乘支持向量机(LS-SVM)时域背景预测的红外弱小目标检测方法。首先针对前几帧图像中对应同一位置像素点的灰度值序列,利用参数经粒子群优化的最小二乘支持向量机进行函数拟合,并据此预测下一帧图像在该位置处像素点的灰度值;然后将原始图像与预测图像相减得到预测残差图像,利用基于二维Tsallis-Havrda-Charvat熵的阈值选取快速算法进行分割,并根据小目标运动的连续性和轨迹的一致性进一步分离噪声和小目标。文中给出了实验结果及分析,并与现有的检测红外小目标的空域和时域背景预测算法进行了比较。结果表明所提出的算法具有更高的检测概率,明显优于已有的基于背景预测的红外小目标检测算法。     

基于混沌搜索的AMPSO-WNN 在交流伺服系统中的应用

为解决大功率交流伺服系统存在非线性和参数时变等不确定性的问题,提出一种混沌搜索的自适应变异 粒子群优化小波神经网络的预测模型。建立交流伺服电机数学模型,利用不同变异方法使粒子趋近于不同的搜索区 域,引入混沌优化算法改进粒子群,采用基于混沌搜索的AMPSO-WNN 算法,以提高全局收敛的概率和速度。仿 真结果表明：优化后模型的预测精度高于优化前,且改进后算法具有较强的函数逼近能力,网络性能得到了显著提 高,局部极小值问题得到了有效解决。