定量分析被动FTIR遥感污染云团的探测极限

在建立大气模式下污染云团红外光谱仿真模型的基础上,利用LOWTRAN或MODTRAN所提供的Subarctic Winter大气模式,仿真出几种特殊的污染云团红外光谱,详细讨论了该模式下的仿真结果与U.S.Standard模式下的仿真结果的差别,并给出在Subarctic Winter大气模式下被动傅立叶变换红外光谱辐射仪遥测污染云团的探测极限。     

被动FTIS遥测污染云团和探测极限研究

利用ＬＯＷＴＲＡＮ所提供的大气模式,给出定量分析被动傅立叶变换红外光谱仪（ＦＴＩＳ）遥测污染云团红外光谱特征的方法。详细讨论了污染云团红外光谱的仿真结果和几种云团的被动ＦＴＩＳ探测极限。结果表明：它们是定量评估被动ＦＴＩＳ探测性能和光谱鉴别器的重要工具。     

基于集成 PU 学习数据流分类的入侵检测方法

入侵检测问题可以模型化为数据流分类问题,传统的数据流分类算法需要标注大量的训练样本,代价昂贵,降低了相关算法的实用性。在PU学习算法中,仅需标注部分正例样本就可以构造分类器。对此本文提出一种动态的集成PU学习数据流分类的入侵检测方法,只需要人工标注少量的正例样本,就可以构造数据流分类器。在人工数据集和真实数据集上的实验表明,该方法具有较好的分类性能,在处理偏斜数据流上优于三种PU 学习分类方法,并具有较高的入侵检测率。     

基于EEG的驾驶持续性注意水平PSO-SVM识别模型

为了对驾驶持续性注意水平予以有效识别,基于脑电( EEG)信号特征指标构建了一种持续性注意水平识别方法. 以驾驶行为绩效为客观测评指标,提出了一种驾驶持续性注意水平等级划分方法. 在此基础上,选取驾驶员EEG波段 (θ(4~8 Hz)、α(8~13 Hz)、β(13~30 Hz))的频谱幅值及其组合指标(α+β)/β、α/β、(θ+α)/(α+β)、θ/β、(α+β)/θ作为特征指标,将粒子群优化( PSO)算法与支持向量机( SVM)相结合,构建了驾驶持续性注意水平识别算法. 最后,基于驾驶模拟器实验数据对该模型予以试算. 结果表明模型识别平均正确率可达93. 02℅.该方法可用于对驾驶员持续性注意水平的识别.     

鄂钢高炉装备技术及设备管理的进步

对鄂钢高炉装备技术及设备管理的进步进行了总结.鄂钢高炉装备水平全面升级后,通过加强设备计划管理、设备运行管理和设备检修管理,初步建立适合强化冶炼需要的现代设备管理体制,取得较好的成效,高炉炼铁主要技术经济指标明显改善,休风率明显降低.     

钽的激光选区熔化成形工艺研究

通过一系列实验探究难熔金属钽的激光选区熔化(Selective?Laser?Melting,SLM)成形工艺,分别选取不同激光功率、扫描速度和扫描间距,进行了单道实验、单层实验以及块体实验.结果表明,SLM成形钽最优工艺参数为激光功率300?W,扫描速度50?mm/s.针对SLM过程中钽层出现不同程度的开裂现象,从热传...     

时空运动显著性的目标跟踪

目的 在目标跟踪过程中,运动信息可以预测目标位置,忽视目标的运动信息或者对其运动方式的建模与实际差异较大,均可能导致跟踪失败。针对此问题,考虑到视觉显著性具有将注意快速指向感兴趣目标的特点,将其引入目标跟踪中,提出一种基于时空运动显著性的目标跟踪算法。方法 首先,依据大脑视皮层对运动信息的层次处理机制,建立一种自底向上的时空运动显著性计算模型,即通过3D时空滤波器完成对运动信号的底层编码、最大化汇集算子完成运动特征的局部编码;利用视频前后帧之间的时间关联性,通过时空运动特征的差分完成运动信息的显著性度量,形成时空运动显著图。其次,在粒子滤波基本框架之下,将时空运动显著图与颜色直方图相结合,来衡量不同预测状态与观测状态之间的相关性,从而确定目标的状态,实现目标跟踪。结果 与其他跟踪方法相比,本文方法能够提高目标跟踪的中心位置误差、精度和成功率等指标;在光照变化、背景杂乱、运动模糊、部分遮挡及形变等干扰因素下,仍能够稳定地跟踪目标。此外,将时空运动显著性融入其他跟踪方法,能够改善跟踪效果,进一步验证了运动显著性对于运动目标跟踪的有效性。结论 时空运动显著性可以有效度量目标的运动信息,增强运动显著的目标区域,抑制干扰区域,从而提升跟踪性能。     

机载惯性传感器信号降噪研究

针对机载条件下惯性传感器千扰输出是来源多样的非平稳、非线性信号,采用传统降噪方法有明显的不足和局限这一问题,分析了机载惯性传感器输出信号的特点,提出基于局城波分解对实测机载惯性传感器信号降噪.根据实测数据使用局域波分解和小波包变换进行信号降噪对比分析,结果表明局域波分解和小波包变换对于存在噪声干扰的机载惯性传感器信号可以有效降噪并提取有用信号.局域波分解消除惯性传感器信号嗓声计算简便,容易实现.     

贝叶斯先验约束下的混合判别方法

在有限样本下判别模型对训练样本敏感,易导致分类器学习结果泛化性能较弱,产生过拟合现象.针对上述问题,提出一种贝叶斯先验约束下的混合判别方法.通过在判别计算中引入生成先验分析,构建生成与判别模型在决策层的混合求解框架.该方法采用不同质分类器进行分类预测,并通过定义有效的融合机制进行样本筛选和标签决策,自动扩展训练集以更新模型,弥补训练样本信息的不完全性.有限样本下的场景分类实验结果表明,相比经典算法,该模型能够挖掘出具有高度判别特性的样本,从而进行有效的模型更新,纠正前期由于样本分布不均而导致的错分样本标签,提升场景分类精度.     

变步长LMS算法的超宽带Rake接收机设计

在无线通信中,超宽带接收机的抗干扰性是接收系统的重要技术,而误码率是抗干扰性重要的评价指标;为了提高超宽带接收机的接收性能和抗干扰能力,设计了变步长LMS算法的超宽带Rake接收机;通过建立系统模型,分析LMS算法基本原理且提出改进思路,将改进的变步长LMS算法应用于Rake接收机,进行建模仿真;结果显示变步长LMS算法的Rake接收机接收性能提高,误码率迅速降低到10-1,有效改善了接收机抗干扰能力。