采用遥感影像的林地建模研究

提出了一种全新的林地建模方法,对生长着树木的林地获取地面序列影像,利用影像分割实现树木信息的自动识别,通过基于地面区域约束的点云提取算法获得地面高精度密集点云,最后应用三次Beta样条曲线插值模型实现了林地等高线的建模。该方法将摄影测量技术应用于林地建模,解决了无法对有树木遮挡的地面进行建模的难题,提高了林地建模的效率。     

方柱状IPMC制备与驱动性能的研究

离子型聚合物金属复合物(ionic polymer-metal composites, IPMC)是一种离子型电致动聚合物材料,具有尺寸小、质量轻、驱动电压低、形变量大以及生物兼容性好等众多优点。但传统片状IPMC只能在单一方向上运动的缺点,极大地限制了IPMC的应用。因此,通过溶液浇铸和化学镀的方法制备出一种可实现多自由度运动的方柱状IPMC,并对其表面电极进行了SEM观测和驱动性能表征分析。通过对比方柱状IPMC在正弦、方波和直流电压信号下的末端位移和输出力变化情况,发现方柱状IPMC在这3种电压信号驱动下均具有较好的驱动性能,且在直流电压信号下末端位移和输出力最大。通过对方柱状IPMC在不同运动方向的测试结果进行对比分析,探究了方柱状IPMC在介入式手术导管导向装置上应用的可行性。     

微型低湍流标定风洞结构设计研究

针对大型风洞造价昂贵,小型风洞便捷性不够的现状,为了对风速传感器进行标定,设计了一种微型便携移动低速标定风洞。该风洞的尺寸仅有630 mm,级别达到了桌面级。采用轴流风机作为动力段,风洞提供稳定风速标定范围为30 m/s～60 m/s。介绍了洞体结构设计和流体仿真,给出了各个位置尺寸的计算方法。结构设计采用CFturbo和Solid Works进行三维建模,同时运用Ansys CFX完成了涵道流体计算。计算结果表明:出口气流均匀,湍流度较小,实验段的最大轴流风速稳定;且出风口风场速度稳定面积占比75%以上,满足实验设计要求。该设计方案可行,可作为标定风洞使用。     

基于稀疏表示的多输入多输出雷达多目标定位

针对双基地多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达目标定位问题,提出一种基于稀疏表示的双基地MIMO雷达多目标定位方法.利用点目标所在的二维角度空间构造冗余字典; 通过对接收信号的协方差矩阵进行特征分解,从中选取不同数目的特征向量在该冗余字典下稀疏表示,构建以特征向量为观测信号的多重测量向量(Multiple Measurement Vectors,MMV)模型,提取的特征向量在充分包含目标的角度信息的前提下,降低了直接以接收信号为观测信号的矩阵维数,形成低维稀疏线性模型; 最后,通过特征向量的稀疏重构,得到目标的角度估计.与现有算法相比,该算法对特征向量的稀疏重构降低了重构原始接受信号的计算复杂度,且在低信噪比和低快拍下仍有较好的估计性能,仿真实验验证了算法的有效性.     

基于视觉感知的全参考图像质量评价算法

针对传统图像质量评价算法不能有效反映图像的视觉感知质量,存在主观一致性较差的问题,提出了一种基于视觉感知的全参考图像质量评价算法。利用人眼对于图像边缘极为敏感的视觉系统感知特性,构造区域掩膜按感知重要性对图像进行分割,经方向性对比度敏感函数滤波后加权,构造出一个与人眼主观感受相一致的客观图像质量评价指标。基于CSIQ数据库进行了大量的实验并与其他算法进行比较,实验结果表明,本文算法对于多种类型失真图像的评价结果均具有较高的主观一致性,能准确反映人眼的视觉感知质量,尤其是针对JPEG2000压缩失真,性能大幅优于其他算法。     

L1-L2范数联合约束的鲁棒目标跟踪

针对稀疏原型跟踪方法中未考虑正交模板系数的密集性的问题,本文提出一种L1-L2范数联合约束的鲁棒目标跟踪。首先,该方法建立基于L1-L2范数联合约束的目标表示模型,对PCA基模板系数和琐碎模板系数分别进行L2范数和L1范数正则化约束,不仅提高了跟踪的准确性,而且保证了对目标遮挡的鲁棒性;其次,针对目标表示模型的优化问题,运用岭回归和软阈值收缩方法快速迭代求解PCA基模板系数和琐碎模板系数;最后以粒子滤波为框架,利用目标未被遮挡部分的重构误差和稀疏噪声项建立观测模型,并结合提出的L1-L2范数联合约束的算法实现目标跟踪。实验结果表明,与5个现有的跟踪算法相比,本文的跟踪算法具有更好的准确性和鲁棒性。     

基于变分自编码器的异构缺陷预测特征表示方法

跨项目软件缺陷预测技术可以利用现有的已标注缺陷数据集对新的无标记项目进行预测,但需要两者之间具有相同的度量集合,难以用于实际开发.异构缺陷预测技术可以在具有异构度量集合的项目间进行缺陷预测,该技术引起了大量研究人员的关注.现有的异构缺陷预测技术利用朴素的或者传统机器学习方法为源项目和目标项目学习特征表示,所学习到的特征表示能力很弱且缺陷预测性能很差.鉴于深度神经网络强大的特征抽取和表示能力,本文基于变分自编码器技术提出了一种面向异构缺陷预测的特征表示方法.该模型结合了变分自编码器和最大均值差异距离,能有效地学习源项目和目标项目的共性特征表示,基于该特征表示可以训练出有效的缺陷预测模型.在多组缺陷数据集上通过与传统跨项目缺陷预测方法及异构缺陷预测方法实验对比验证了所提方法的有效性.