SAR图像车辆目标ROI的提取技术

SAR图像感兴趣目标区域(Region Of Interest, ROI)的提取是目标识别的基础。该文针对SAR图像中车辆目标ROI提取问题,系统分析了ROI提取过程的关键环节,提出了采用基于有序数据可变索引(Ordered Data Variability Index, ODVI)的自适应CFAR方法实现目标的恒虚警检测,同时对ROI切片计算鉴别特征,并实现序贯鉴别。最后利用X波段SAR图像数据验证了该文的ROI提取技术,给出了鉴别输出的ROI,处理结果显示该文算法能准确提取车辆目标ROI,有效消除虚警。     

路用探地雷达层位回波提取算法研究

在路用探地雷达数据处理中,从采集数据中提取有效回波的时延和幅度是实现层厚和异常检测的前提.本文针对这一需要,介绍了一种基于门限检测和最小二乘法的时延和幅度估计算法,给出了算法原理和步骤.仿真表明,该算法计算简单,且运算速度快,具有较强的实用性.     

基于人工神经网络的复杂介质中波的传播不确定性分析方法

土壤在物理系统的工作频率范围内可能表现出较强的色散性,色散物质的不确定参数在波传播的仿真结果中引入了不确定性。在考虑这些仿真结果的可接受性时,量化仿真结果中的不确定性至关重要。针对传统不确定性分析法计算效率低、运算量大的问题,该文以探地雷达建模仿真中的不确定性分析为例,提出一种基于人工神经网络的不确定性分析模型,阐述了模型的构建过程,及克服过拟合问题的策略。作为探地雷达全波仿真的替代模型能够预测仿真结果,进而得到仿真结果的统计信息,如均值、标准差。经比较,在相同的数值模型、不确定性输入参数个数,以及参数变化范围为10%的前提条件下,对任意一组输入参数,输出得到1000组结果时,该方法所得预测结果统计特性与执行全波仿真所得具有较好的一致性,且显著降低运算量,计算时间效率提升79.82%。     

探地雷达地杂波抑制方法研究进展

下视探地雷达是检测地雷的一种有效手段.强烈的地表反射回波即地杂波会淹没浅层埋藏的非金属地雷的微弱回波,从而导致很高的检测虚警概率.如何尽可能完全抑制地杂波而又不损失回波中的目标信息成为探地雷达地雷检测的关键技术问题.本文以地雷检测为应用背景,对目前已有的主要的地杂波抑制方法进行了综述.     

探地雷达地杂波抑制方法研究进展

下视探地雷达是检测地雷的一种有效手段.强烈的地表反射回波即地杂波会淹没浅层埋藏的非金属地雷的微弱回波,从而导致很高的检测虚警概率.如何尽可能完全抑制地杂波而又不损失回波中的目标信息成为探地雷达地雷检测的关键技术问题.本文以地雷检测为应用背景,对目前已有的主要的地杂波抑制方法进行了综述.     

探地雷达探测储粮密度的模型试验研究

基于电磁波在粮食中的传播基本理论,利用河南工业大学引进的RIS-K2探地雷达进行小麦麦堆密度分布测定,并由此计算粮食的数量,初步探索了探地雷达技术在粮情的检测中的应用可行性。在某模型仓内,设计了三层不同密度的小麦堆,利用探地雷达测试其密度。根据试验结果研究了不同初始条件时粮食介电常数与密度的关系,得到介电常数与密度计算公式,为工程实际应用提供试验依据。     

一种新的掌纹ROI图像定位方法

在分析传统Harris算法缺陷的基础上,提出一种基于角点检测的快速掌纹图像预处理方法。该方法利用一种改进的自适应Harris算法提取出手掌边缘和手指凹凸处的轮廓特征点,采用属于同一特征组的特征点均值作为候选角点,剔除了邻近角点,并根据候选角点在轮廓线上角度变化的大小定位手指根部的三个关键角点,从而有效提取出掌纹图像的感兴趣区域(ROI)。实验测试图像采用CASIA数据库,实验结果表明,该方法能快速有效地定位出掌纹的ROI区域,且能有效增强掌纹图像的边缘与细节,有利于提高掌纹识别的识别率。     

基于核方法和主成分分析(PCA)的探地雷达目标特征提取新方法

常用探地雷达目标特征提取方法LDA(又称为FDA)直接在低维的探地雷达数据空间提取探地雷达目标特征, 提取的探地雷达目标特征的区分度小;常用的正则化技术存在正则化参数选取困难的问题。本文提出先通过基于核方法的 非线性变换把低维的探地雷达样本数据投影到高维空间,然后在高维空间中用PCA对奇异的核矩阵降维重建,最后对重 建后的非奇异核矩阵用LDA提取探地雷达目标特征。对实测数据的对比处理分析表明,本文所提探地雷达目标特征提取 方法优于其它方法。     

基于神经网络的探地雷达探雷研究

根据对探地雷达回波信号的分析,提出了一种新的适合于现场处理的探雷方法,采用延时校正、维纳自适应滤波及减背景等手段对原始数据进行预处理,提取Welch功率谱密度估计作为目标的特征,将特征送入神经网络进行分类训练。使用地雷目标与共相近的物体的数据进行对比试验和神经网络测试,结果表明,经过训练的神经网络可有效地将地雷与其它干扰物分开。     

波速误差对浅地层探地雷达SAR算法影响的研究

定性地研究了波速误差对基于Stolt偏移的SAR算法和基于微波全息成像的SAR算法产生的影响,给出波速误差对两种SAR算法方位分辨率影响的关系曲线,得出基于Stolt偏移的SAR算法对波速误差没有基于微波全息成像的SAR算法敏感;当波速小于真实值,两种算法都能得到更好的方位分辨率.并对这些结论进行了合理的物理解释.     

基于核方法的探地雷达目标特征提取方法

把核方法引入探地雷达目标特征提取中,先对雷达特征数据进行基于核的非线性变换投影到高维空间;然后在高维空间应用传统的探地雷达目标特征提取方法（LDA方法和PCA方法）提取雷达数据特征。对PCA、LDA、基于核方法的PCA和基于核方法的LDA四种探地雷达目标特征提取方法进行对比研究,对实测数据处理的结果表明：无监督的学习方法不适合探地雷达目标特征提取,所提基于核方法的LDA探地雷达目标特征提取方法效果最好。并详细阐述了基于核方法的LDA探地雷达目标特征提取方法。     

超宽带低背腔车载探地雷达收发天线的研究

本文研制了一种超宽带车载探地雷达收发天线系统,采用半椭圆形状的偶极子天线形式和电阻加载的方法展宽了天线的工作带宽,使天线末端的反射明显减小.分析了背腔高度对天线电性能的影响,在保证天线电性能的前提下,采用的背腔高度仅为22mm.设计并制作了一套天线样机,并安装在探测车上,在电波暗室中对天线的电性能进行了测试,测试结果与仿真结果吻合良好,这表明该超宽带收发天线可以满足车载探地雷达系统的需求.     

人工神经网络BP算法在近红外光谱分析中的应用

简要介绍了人工神经网络及其在近红外光谱分析中的应用。给出了三层BP网络的基本结构和对应的BP算法。通过测定润滑油的流动性、苯和甲苯的回收率及相对标准偏差的两个实例,分析了人工神经网络BP算法的明显优势。最后指出了存在的部分问题。     

周期性缺陷接地结构神经网络训练样本预处理

周期性缺陷接地结构(PDG S)是一种微波电路的周期性“缺陷”结构,存在明显的频率阻带特性。结构尺寸较大的PDG S,传输系数曲线会出现不同程度的微小抖动,为了减小抖动对神经网络训练样本的影响,文中采用最小二乘法和五点三次平滑法对存在不规则抖动的传输系数曲线进行了预处理,并将预处理过的传输系数作为训练样本对神经网络进行训练,结果表明,神经网络的预测结果和FDTD法计算结果一致性很好,准确反映了传输特性的变化趋势。     

频率步进探地雷达的SAR成像处理方法

由于冲激脉冲探地雷达平均功率低,限制了其作用距离和探测深度,多用于近地表和浅低层探测。为了提高系统的作用距离和探测深度,常采用频率步进探地雷达。利用频率步进信号的大带宽和高平均功率的特点,不但可以提高作用距离和探测深度,而且成像分辨率可以大为改善。由于介质与空气的介电特性不一致,电磁波的传播路径和传播速度会发生相应的改变,常用的回波模型和合成孔径成像方法不再使用。本文推导出了频率步进探地雷达的回波信号模型,并结合SAR成像理论,针对地下目标探测的特点,提出了分层聚焦的SAR成像处理方法,取得了良好的效果。     

探地雷达阻性加载天线的应用研究

阻性加载技术可以有效拓展天线带宽、降低时域振铃.该文以双纽线构成平面印制天线的辐射臂, 分析阻性加载对其频域和时域特性的影响.通过数值仿真, 讨论了天线在两种阻性加载方式下阻抗带宽和时域波形的变化.设计了一款指数型微带转平行双线的巴伦, 并对巴伦和天线进行了加工及测试.测量结果表明, 天线时域波形拖尾振铃小于10%;在0.8~6 GHz频带内, 天线单元回波损耗小于-10 dB.将天线与雷达收发系统集成后, 进行地下目标探测实验.雷达探测结果成像清晰、浅层目标分辨率较高.该天线具有超宽带、低振铃、紧支撑等特点, 可满足便携式探地雷达的工程化应用需求.     

地下埋藏目标与分层粗糙面复合散射探地雷达回波特性研究

探地雷达（ground penetrating radar,GPR）是一种重要的无损检测工具,被广泛应用于道路缺陷检测、路面以下物体检测以及非结构化地形感知等领域. 针对基于深度学习的介电常数图反演方法特征提取不全、准确度不高的局限性,本文引入注意力机制, 提出了一种GPR图像智能反演算法,设计了适用于GPR图像反演的神经网络InvNet以完成从GPR图像到介电常数图的非线性映射. 该算法首先利用时间维度卷积和全局特征残差编码器提取GPR时间维度和全局特征,接着采用改进的注意力机制作为注意力语义提取模块提取特征图的全局语义信息,最终通过介电常数解码器完成GPR介电常数图重构. 在基于时域有限差分法构建的GPR反演数据集上,InvNet反演结果的结构相似性指数（structural similarity index measure,SSIM）达到了97.14%,均方误差（mean square error, MSE）降为0.003 0,平均绝对误差（mean absolute error,MAE）降为0.015 7;相比于最新GPR反演网络算法GPRInvNet和PINet,InvNet的SSIM分别提高了1.06%和0.86%,MSE分别降低了0.24%和0.25%,MAE分别降低了1.41%和1.02%. 实验表明本文方法能够根据GPR图像有效反演出对应的介电常数模型图,并且与现有方法的对比结果展示了其优越的反演性能.