Wigner-Ville变换在抗箔条干扰方法中的研究

在雷达跟踪空中目标时,受箔条干扰信号的影响,会造成雷达探测的数据不完整、不精确、不可靠.针对这一情况,本文应用Wigner-Ville变换理论,给出了一种对雷达回波信号进行滤波的算法.通过仿真实验证明,应用Wigner-Ville变换能较好地抑制箔条干扰信号,可进一步提高雷达系统的跟踪精度和可靠性.     

应用GMM的快速火焰检测

基于视频图像的火焰检测是火灾预防研究的重要内容。为提高检测效率,首先使用具有自适应背景变化的 高斯混合模型(GMM)来检测场景中的运动物体。然后针对运动物体,提取颜色特征和面积变化特征。最后,根据得 到的特征来识别场景中是否有火焰发生。该方法不仅可有效检测到视频中的火焰帧,还避免了非火焰场景中对计算时 间的浪费。     

自适应加权在智能交通系统中的应用

为了更加准确地监测动态变化的交通信息,通过分析城市道路交通流量变化的特点,提出一种基于自适应加权的监测方法。这种方法根据数据各属性的特点,将数据构造为多个相关的时间序列,在此基础上进行数据融合,得到最终的结果对交通信号灯进行实时控制,以保证道路通畅。仿真实验结果证明该方法具有较高的判断准确率和良好的识别性能。     

基于多尺度耦合的密集残差网络红外图像增强

为了提升非制冷红外热像仪的图像质量,满足低对比度弱小区域的观瞄与锁定的需求,提出了一种基于多尺度密集残差网络的红外图像超分辨重建模型,该模型的基本框架是通过级联多个残差特征进行学习,以粗到细的方式重建高分辨率图像。首先提出一种多尺度跨域融合模块,通过对不同感受野的分支结果进行融合,不仅可以融合不同感受野的互补信息,还可有助于提升梯度收敛和特征传输;然后叠加多个跨域融合模块,并采用残差特征学习进行优化,最终学习出高分辨率细节信息。仿真实验结果表明,所提出的超分辨模型能够较好的超分辨重建效果,在微弱结构保持和点目标保持上的性能也更加突出。所提的模型已经在海思嵌入式深度学习平台上实现了高质量的红外增强,具有较高的工程应用价值。     

基于分解协调法的雷达目标分配问题研究

针对雷达网防空作战中的目标分配问题,应用大系统理论的分解协调法,将空中m批目标分解为m个独立的子优化问题,通过协调器协调各个子问题的解,找出使整个雷达网对m批目标发现概率最大的目标分配问题全局最优解.仿真结果表明,该方法是有效、可行的.     

多特征融合的火焰检测算法

视频火焰检测是复杂场景下预防火灾的重要方法。为了提高火焰的检测效率和鲁棒性,基于RGB和HSI颜色空间改进了火焰的颜色特征模型,有效地提取了疑似火焰区域;实验对比分析了火焰不同的形状结构特征,及其特征组合对火焰检测有效性的影响,提出了一种融合圆形度、矩形度和重心高度系数的火焰检测算法,然后将融合后的火焰特征输入支持向量机(SVM)中进行分类。在Bilkent大学火灾视频库上的实验结果表明,该方法高效、快速,且能适用于多种场景。     

一种雷达非线性调频信号检测及仿真方法

由于雷达非线性调频(NLFM)信号的时频非线性分布特性,常规检测算法难以实现信号能量的有效聚集,传统采用NLFM信号检测时准确率较低,在低信噪比下甚至会失效。针对上述问题,应用了一种基于广义时宽-带宽积的最优窗函数,提出了一种改进的短时分数阶傅立叶变换瞬时频率估计算法。应用改进算法可有效提高非线性调频信号的检测性能,提高检测的准确率。仿真结果表明,在相同信噪比下,提出的方法对NLFM信号的检测概率高于传统方法,性能较好。     

雷达干扰资源优化分配模型和算法研究北大核心CSCD

针对敌方多目标雷达,如何合理有效的分配干扰资源,取得最佳干扰效益的问题,建立干扰资源优化分配模型。考虑到实际作战环境下的约束条件和干扰需求,对于约束条件增多时,传统算法求解速度慢。因此,提出一种将模拟退火算法应用到遗传算法中,以提高遗传算法局部搜索性能,增强遗传算法进化能力的遗传模拟退火算法。在每次进化产生下一代种群个体需经过模拟退火算法改进,并在每次迭代结束之前进行降温操作保证遗传算法和模拟退火算法具有相同的收敛方向和速度。仿真结果表明,与模拟退火算法比较,该方法具有较好的搜索最优解速度和可靠性。上述方法提供的分配方案对提高雷达干扰智能决策系统有一定的作用。     

改进的D-S证据理论在战场目标识别中的应用

战场目标识别中多传感器信息融合面临各种不确定冲突信息。为此,提出了一种基于权重的证据调整方法,给予证据分配不同的权重,重新修正基本概率分配函数,利用Dempster组合规则实现信息融合。通过数值验证并与其他的改进算法对比,结果更为理想,能有效的减小冲突证据的不良影响,同时具有较高的收敛速度,降低了决策风险,仿真结果表明,算法有效、可行。     

基于支持向量聚类改进的雷达信号分选方法

在复杂的电磁信号环境下,针对使用支持向量聚类算法进行信号分选时,聚类结果易受核函数参数和惩罚因子的影响,及计算复杂度高和准确率低的问题,提出了一种将支持向量聚类与集对分析相结合的雷达信号分选方法。该方法使用集对分析先对支持向量进行聚类,再用所得的聚类结果对剩余数据进行聚类。仿真结果表明该方法在含有一定数量的噪声信号环境下,能获得较好的分选效果,不仅耗时短,而且还具有较高识别率。