基于神经网络和圆谐展开对战斗机俯视图位移、旋转和缩放的识别

神经网络进行畸变不变性模式识别具有普适性、适应性、最优并行性及其在硬件上实现的优点，它可以有效地弥补光学相关模式识别在存在性上的局限性．两者的有效结合对模式识别的发展将起到很大的作用。神经网络和圆谐展开相结合的方式构造复合滤波器可以有效地实现对同一位移、平面旋转和缩放了的图像的畸变不变识别，并给出了该方法用于战斗机俯视图识别的计算机模拟结果。     

阶梯色散渐变光纤及高速孤子传输

当皮秒孤子在群色散沿长度方向指数衰减的色散渐变光纤(DDF)中传输时，孤子的群色散和自相位调制保持局域平衡，宽度可以保持不变，用于孤子光通信有其特殊的优越性、但群色散分布满足要求的色散渐变光纤制造难度较大．为此，文章提出了用群色散分段均匀的光纤(称其为阶梯色散渐变光纤)来加以替代的可能性．模拟结果表明：孤子可以在由这样的光纤及滑频滤波器组成的光纤环路中稳定传输、即使群色散分布不理想的DDF，只要其各段的平均群色散满足要求，就不会严重影响孤子传输的稳定性。     

基于小波矩和SCNN的多目标图像识别

提出了将自组织竞争人工神经网络(SCNN)和小波矩结合进行图像旋转不变识别的新方法。SCNN可以克服反向传播神经网络(BPN)不易收敛、低效率等缺点,而且小波矩方法提取的图像不变矩特征具有很强的辨别力和抗噪性能。计算机模拟显示该方法使用简单、效率高,具有很好的研究价值。     

最优圆谐滤波器级次的选取方法

应用圆谐展开理论处理旋转不变光学图像的识别,需要选择合适的圆谐级次。解决这一问题的方案是 采用相关能量峰值旁瓣比最大法来比较各个圆谐级次的识别能力,选择最佳的圆谐级次来构造圆谐滤波器。新方法 所选取的圆谐级次是最优的,从而提高了圆谐滤波器的识别能力。另外给出了相应的计算机模拟结果．     

MET1证据理论在不变矩目标识别中的应用研究

分析了简化的证据理论识别方法,并将其用于目标识别中傅里叶-梅林矩和小波矩的特征融合。在证据理论的具体应用中,运用相关系数法和相对距离度量法构造出了两种新的基本支持函数并证明了其合理性。实验结果表明,证据理论的识别方法既可以提取图像全局信息,也可以很好地提取局部信息,比单独使用的傅里叶-梅林矩或小波矩识别效果更好。     

最优圆谐滤波器级次的选取方法

应用圆谐展开理论处理旋转不变光学图像的识别，需要选择合适的圆谐级次。解决这一问题的方案是采用相关能量峰值旁瓣比最大法来比较各个圆谐级次的识别能力，选择最佳的圆谐级次来构造圆谐滤波器。新方法所选取的圆谐级次是最优的，从而提高了圆谐滤波器的识别能力。另外给出了相应的计算机模拟结果。     

基于扇区投影-小波描述子的图像轮廓识别

针对传统轮廓描述子不能识别相似样本或者确定图像方向复杂等一系列缺陷,本丈提出了基于主轴归一化方法的轮廓扇区投影-小波描述子.该方法根据图像识别中的畸变不变性原理,采用先位置、大小、方向归一化,后扇区投影和小波分析的方法.该描述子不仅能消除掉主轴归一化方法的不精确性对轮廓描述的影响,而且还能够解决傅里叶描述子和环投影方法不能解决的一些特殊轮廓样本的分类问题.实验结果表明,无论是差别比较大的轮廓样本还是差别细微的轮廓样本,扇区投影-小波描述子都有着很好识别效果.     

确定圆谐滤波器展开中心的方法

提出相关能量峰值旁瓣比最大法来确定圆谐滤波器的正确展开中心,以用于旋转不变光学图像的识别。这一新方法能保证圆谐滤波器的识别能力是最优的。另外给出了相应的计算机模拟结果。     

基于神经网络和圆谐展开对战斗机俯视图位移、旋转和缩放的识别

神经网络进行畸变不变性模式识别具有普适性、适应性、最优并行性及其在硬件上实现的优点,它可以有效地弥补光学相关模式识别在存在性上的局限性。两者的有效结合对模式识别的发展将起到很大的作用。神经网络和圆谐展开相结合的方式构造复合滤波器可以有效地实现对同一位移、平面旋转和缩放了的图像的畸变不变识别,并给出了该方法用于战斗机俯视图识别的计算机模拟结果。