基于自适应Wiener滤波的红外小目标检测方法

在分析红外场景模型的基础上提出了用自适应Wiener滤波器估计起伏背景、自适应门限分割、基于邻域管道目标检测的小目标检测方法.采用连续采集的红外图像序列进行了实验,仿真了不同信噪比(SNR)条件下的目标并给出了目标检测结果及其分析.结果表明,算法能够从信噪比大于2.0的图像序列中检测出目标轨迹.     

红外起伏背景下运动点目标的检测方法

文中根据目标、背景干扰和噪声在红外序列图像中的差异，提出了一种基于空间高通滤波和时间域上最大递归滤波的运动点目标检测方法。该方法可以在低信噪比的情况下消除红外起伏和随机噪声的影响，有效地检测出点目标。实验结果表明，采用这种时空混合处理的方法可以得到满意的结果。     

基于同化核分割相同值区域特征融合的边缘检测

针对SUSAN(Smallest univalue segment assimilating nucleus)边缘检测算子在强噪声环境中容易产生虚假边缘的不足,提出了基于同化核分割相同值(Univalue segment assimi-lating nucleus,USAN)区域特征融合的边缘检测方法——FUSAN(Fusion-USAN)算子。该算子在利用USAN区域大小信息提取潜在边缘点的基础上,分别直接和间接利用USAN区域的形状信息计算边缘响应,并采用简单的融合策略融合这两种边缘响应得到最终的边缘响应。与SUSAN算子相比,FUSAN算子综合利用了USAN区域的大小和形状信息。利用合成图像和常用Cameraman图像并加入噪声对FUSAN算子进行评估,实验结果表明:FUSAN算子的检测性能优于SUSAN算子。     

网络群负相关训练算法的等价形式

在基于负相关的神经网络群学习算法中,相关项由目标输出或网络群输出定义。本文首先证明无论相关项采用何种定义形式,个体网络的目标函数都等价于网络自身性能和群性能的线性组合,线性组合系数由给定参数和网络群规模共同确定。然后给出个体网络目标函数的统一定义,并分析了目标函数内参数的含义。该目标函数表明负相关算法实际是实现多目标优化,所以网络群算法无需负相关概念,从而在概念和实现两方面简化了负相关算法。     

TSK网络结构设计:一个基于二阶运算的局部反馈网络

按照局部反馈和易于解释两个原则,本文设计了一个带反馈的二阶TSK网络。网络的结论部分以输入成分的二项式[1,2]作为神经元的导出域。二项式是神经网络领域少见的运算模式,导出域通常为输入与权向量的内积。网络的结论部分借助于延迟反馈引入动态特性,属于局部反馈,所以动态导数计算简洁。TSK网络表征一组If-Then规则,本文网络较采用独立变换[3]和基于G—FGS神经元[4]的网络易于理解。系统辨识的仿真证明本文网络可以很好地辨识动态系统,表明TSK网络拓扑结构设计中使用二阶运算是可行的。     

基于空间匹配滤波的红外背景抑制技术

低信噪比条件下点目标的检测性能在很大程度上依赖于对红外背景杂波的抑制情况.针对红外背景杂波的统计特性,提出了一种改进型的空间匹配滤波算法.原理分析与实验结果表明,这是一种易于硬件实现,能有效抑制强起伏背景杂波的线性滤波方法.     

分层投票表决目标检测方法及其性能分析

针对弱运动小目标检测的缺陷,提出了分层投票表决的目标检测方法,在对算法进行描述和给出部分实验结果之后,对其性能进行了理论分析,实验结果和理论分析均验证了所提出方法的有效性.     

降维训练神经网络的圆阵列二维角估计

在信号二维达波方向估计中,神经网络训练集往往较大,一定程度上影响了神经网络在二维角估计中的应用,为此,提出一种降维训练方法,构造两个输入量,并各自形成独立训练集,在两个网络中分别训练俯仰角和方位角,极大地缩简了训练集。论文对降维训练方法进行了仿真,结果表明,所提方法十分有效。     

语音信号相空间重构中时间延迟的选择──复自相关法

时间序列空间重构中,时间延迟参数的选择具有重要意义。本文在分析求时间延迟的自相关法和平均位移法基础上,推导出较好的求时间延迟的方法,即复自相关法。复自相关法具有强的理论依据,其计算复杂度不大,对数据长度的依赖性不强,具有优秀的抗噪能力。应用于语音信号相空间重构的实验表明,其度量可得到合适的时间延迟。     

SAR图像斑点噪声消除算法的研究

ＳＡＲ图像一般都存在相干斑点噪声,严重影响了地物信息的提取与ＳＡＲ图像的应用效果。文中在分析斑点噪声产生机理的基础上提出了一种噪声消除算法,该算法与最常用的均值平滑滤波、中值平滑滤波、Ｆｒｏｓｔ自适应滤波等方法相比具有更明显的效果。实验结果验证了本算法的有效性．