基于N-P准则的权值在线学习的分布式检测算法

研究了一种基于N-P准则的权值在线学习的分布武检测系统的融合算法。该算法能够根据观测数据的变化，自动在线调整权值大小，逐步改善系统的检测性能。计算机仿真结果表明，该方法能够较快地收敛到最优解。     

相关条件下基于N-P准则的分布式检测理论研究

本文针对并行网络、二元局部判决的情况,研究了在相关条件下基于N-P准则的分布式检测融合算法,给出了在联合概率密度已知和未知两种情况下的最优融合规则的理论推导及相应的解决方案,并在实验仿真的基础上,得到了部分有益的结论。     

基于星图识别算法的空间小目标识别

基于星形星图识别算法,利用星对距离和星对角距2个特征进行匹配识别,实现了快速识别空间小目标的目的,并可对该目标实时追踪。Matlab仿真表明,该算法识别过程简单,对星图噪声和伪星具有较好的抵抗力,具有识别率高且稳定、识别速度快的优点。     

解耦的转换测量Kalman滤波算法

对于极坐标观测下的目标跟踪问题,基于转换测量Kalman滤波器(CMKF),应用正规变换,得到了解耦的CMKF算法,同时研究了CMKF和解耦CMKF算法的初值估计问题.仿真结果表明了解耦CMKF算法及其初值估计的有效性.     

一种改进的基于不变描述子的图像自动配准方法

本文提出了一种改进的基于不变描述子的图像自动配准方法来处理具有全局仿射变换的图像配准问题.该方法主要分为三步:首先,利用Mean-shift算法和区域标记算法分别从参考图像和待配准图像中提取区域特征作为配准基元,采用7个仿射不变矩作为不变描述子;其次,通过组合仿射不变矩的最小距离准则和行、列匹配概率系数算法获得一个候选匹配区域特征集,运用穷举策略从中得到三个最好的匹配区域特征,利用它们的重心点坐标计算仿射变换模型参数的初始值;最后,根据空间一致性检测获得所有正确的匹配区域特征,利用它们的重心点坐标和最小二乘算法估计最优的仿射变换模型参数.仿真和实际图像数据的配准实验和对比实验结果表明本文方法具有较高的可靠性和配准精度.     

基于H∞滤波的阵列互耦及通道幅相误差联合自校正算法

针对非理想均匀阵列中存在的模型误差(通道幅相不一致及阵元间互耦)提出一种联合自校正算法.该算法利用鲁棒控制理论中的H∞滤波方法,在阵列模型误差较大时为对初始值要求严格的交替迭代寻优技术提供稳健的DOA估计,在校正阵列模型误差的同时得到更精确的DOA估计值.理论分析和仿真结果均表明该算法增大了自校正技术对阵列模型误差的校正范围,具有良好的工程应用前景.     

基于图像域的属性散射中心分析

属性散射中心模型使用一组富含物理意义的特征参数描述高频区目标的散射特性,其模型参数中具有的频率和方位依赖项为目标识别提供了重要的特征信息.但复杂的模型形式使得参数的提取只能在图像域中进行,其中一个关键的步骤就是图像分割.这需要对图像域中散射中心的表现形式有着深刻的认识和理解.本文在已有文献的基础上,将频率域中的散射模型转换到图像域,并对图像域中属性散射中心的分布特性进行充分地分析,由此为散射中心区域的划分和特征参数的提取提供有益的指导.     

一种改进型的粒子滤波器

针对复杂背景条件下图像序列中跟踪运动目标的问题,提出一种改进的粒子滤波图像跟踪算法,该算法利用遗传算法的研究成果,采用选择、交叉、变异等步骤实现对粒子的重采样,解决了粒子滤波器所面临的粒子退化和匮乏问题.由于该算法利用了遗传算法的全局寻优特性,因此该算法具有较强的稳健性.同时,粒子滤波可实现非线性非高斯状态空间模型的最优估计,将该粒子滤波用于目标跟踪,具有较好的过遮挡能力.实验结果表明,该算法状态估计性能好,能够很好地实现复杂图像序列中的目标跟踪.     

基于协方差控制的集中式传感器分配算法研究

传感器管理是对一组传感器或测量设备进行自动化或半自动化控制的一种处理过程,它实现了探测性能的优化和资源的有效利用.该文建立了传感器管理的一般最优化模型,研究了基于协方差控制策略的传感器分配问题,详细讨论了其实现方法,并给出三种基于不同矩阵度量的传感器分配算法.仿真结果表明,使用基于协方差控制的传感器分配算法可以进行良好的传感器管理,节约传感器资源.     

面向自动目标识别的图像压缩研究综述

如何使得经过有损压缩后的图像仍然保持一定的自动目标识别性能是一个非常有意义的问题。目前国外对这一问题的研究有了一定的进展,研究的内容集中在以下三个方面:(1)图像压缩对于ATR性能的影响;(2)面向ATR应用的图像质量测度;(3)面向ATR应用的图像压缩算法研究。本文针对这一问题的研究进行了较全面的综述,着重分析了几种重要算法的原理、实现和性能,并探讨了未来的研究方向。