多编队目标先后出现时的无先验信息跟踪方法

针对多编队机动目标先后出现时的跟踪问题,该文提出了一种基于交互式多模型高斯混合概率假设密度滤波(IMM-GM-PHD)算法的无先验信息跟踪方法。首先,在IMM-GM-PHD算法预测过程完成的基础上,引入密度检测机制,利用相关域为所有预测高斯分量挑选有效量测,结合密度聚类(DBSCAN)算法检测是否出现新编队目标。其次,在IMM-GM-PHD算法状态更新完成的基础上,利用更新高斯分量的组成情况完成模型概率的更新。最后,在状态估计优化过程中,结合编队目标的特点,加入相似度判别技术,利用杰森-香农(JS)散度度量高斯分量间的相似度,剔除没有相似分量的高斯分量,进一步优化估计结果。仿真结果表明,该文方法能够快速有效地跟踪非同时出现的多编队机动目标,具有较好的跟踪性能。

     

基于并行点火PCNN模型的图像分割新方法

提出一种并行点火脉冲耦合神经网络(Parallelized firing pulse coupled neural networks, PFPCNN)模型的图像分割方法. 首先用改进的Unit-linking PCNN (ULPCNN)模型对图像进行增强, 便于后续的图像分割. 然后采用PFPCNN新模型对增强后的图像进行分割, 最后用最大香农熵方法判定最佳分割结果. 各种复杂场景下的仿真实验及定量评价表明, 本文提出的图像分割方法, 其效果明显优于常规的PCNN分割方法.     

视觉显著性检测：一种融合长期和短期特征的信息论算法

针对传统视觉显著性检测算法单纯使用当前观测图像的信息或是先验知识的不足,该文引入了长期特征和短期特征的概念,分别代表先验知识和当前观测图像的信息,并提出了一种基于信息论的算法将它们融合。首先,分别根据人眼跟踪数据和当前观测图像的内容来训练长期和短期稀疏词典并对图像进行稀疏编码,将得到的稀疏编码作为长期和短期特征。其次,针对现有算法只能在整幅图像上或是在一个固定大小的局部邻域内进行统计的缺陷,该文提出一种基于信息熵的特征概率分布估计方法,该方法可以根据当前观测图像的具体情况自适应地选择一个最佳的区域大小来计算长期和短期特征出现的概率。最后,利用香农自信息来输出图像的显著性检测结果。同8种流行算法在公开的人眼跟踪测试库上进行的主观和定量的实验对比证明了该文算法的有效性。     

信息论在认识和记忆中的运用

文章将香农的信息论原理与人的主观世界结合，对主观领域定量分析；并利用信息论解释人的认识过程和记忆、遗忘的原因，拓展信息论的应用领域。     

扩频技术在卫星测控领域的应用

扩谱技术是一种新型的信号处理方法，具有其他通信技术所不能与之相比的独特性能，现已成为近代通信重要的研究和发展方向。本文对扩谱系统的理论基础和典型的扩谱系统模型进行了阐述。针对卫星测控领域，本文对传统的统一载波TT＆C系统和扩谱TT＆C系统从构成、工作原理和性能特点等方面进行了对比分析，并对相干系统和非相干系统两种不同扩谱体制的信号设计进行了阐述。最后，论文对扩谱TT＆C系统的一些关键技术进行了介绍。     

基于模糊信息融合的气固流化床流型及其转换的识别研究

本文在模糊集理论的基础上介绍了多传感器、多参数识别气固流化床流型的信息融合模型。将压力脉动信号的算法复杂性Cn、涨落复杂性Cf和香农熵En作为融合的特征参数，进行特征层的多参数融合；根据特征参数建立了过渡流型的隶属度函数；对多个传感器的特征层识别结果进行决策层融合，得到了多传感器对不同流化状态的最终识别结果。实验结果表明，采用香农熵特征参数能较好地解决鼓泡与湍动2种流化状态转换的识别；应用多传感器、多参数数据融合对流态化不同流型及其转换的识别能得到较好的效果。     

基于粒子群优化算法和模糊熵的多级阈值图像分割算法

针对现有阈值分割算法利用穷举搜索寻找最优阈值而造成的计算成本较大的问题,提出了一种基于粒子群优化算法和模糊熵的多级阈值图像分割算法。图像分割是图像分析中非常重要的预处理步骤,在提出的方法中,首先选择香农熵和模糊熵作为优化技术的目标函数;然后建立一种基于粒子群优化算法的多层次图像阈值分割,通过最大化香农熵或模糊熵进行图像分割。最后从图像分割数据库中选取Lena、baboon和airplane作为测试图像进行性能分析（包括鲁棒性、效率和收敛性）,并与现有的几种阈值分割算法进行比较。结果显示,提出的算法得到了更高PSNR值和更少的分类误差,证明了该算法是一种高效的多级阈值图像分割算法。     

基于全极化SAR影像的海岛地物分类

There are numerous islands with abundant resources in China.Due to the limited information included in common polarization features and the poor effect of traditional classification methods when there are few samples,nine polarization features are analyzed and classification is carried out using active deep learning.Firstly,multiple features are extracted from an original image.Then,the original features can be extracted by anto\|encoder and the initial classifier is trained and fine-tune the whole model with a small number of labeled samples.Finally,the most uncertain samples are selected to label with active learning algorithm and added to the training samples.Experiment comfirms that active deep learning can effectively improve the classification accuracy with less labeled samples and entropy shannon is a more effective feature to distinguish between seawater,mudflats and beaches.