基于隔帧差分向量无穷范数的运动点目标检测

提出了隔帧差分向量无穷范数检测运动目标的数学模型,建立了能够充分发挥该模型能力的并行处理结构体系。由于算法以隔帧差分为基础,所以处理系统不仅能够探测到帧间位移不小于1个像元的点目标,而足可以探测列帧间位移小于1个像元而多帧累积位移大子1个像元的运动点目标,使算法探测与识别目标的能力大大提高。实验结果表明了算法的有效性。     

一种新的图像超像素分割方法

针对现有超像素分割方法无法自动确定合适的超像素数目,以及难以有效贴合图像目标边界等问题,该文提出一种新的利用局部信息进行多层级简单线性迭代聚类的图像超像素分割方法。首先,运用基于局部信息的简单线性迭代聚类(LI-SLIC)对原始图像进行超像素初分割,然后,根据超像素的色彩标准差对其进行自适应多层级迭代分割,直至每个超像素块的色彩标准差小于预设阈值,最后,利用相邻超像素间的色彩差异对过分割的超像素进行合并。为验证方法的有效性,该文采用Berkeley, Pascal VOC和3Dircadb公共数据库作为实验数据集,并与其他多种超像素分割方法进行了比较。实验结果表明,该文提出的超像素分割方法能更精确贴合图像目标边界,有效抑制图像过分割和欠分割。

     

一种基于检测信息可靠度的部分软干扰消除迭代多用户检测算法

该文提出了一种基于检测信息可靠度的部分软干扰消除迭代多用户检测算法。如果由从信道译码器所获得的发送字符的先验信息大于某一预定阈值,则认为对其检测具有较高的可靠度,因而可以考虑将其对应的多址干扰成分从匹配滤波器输出向量中直接消除,相当于减小了干扰用户的数目,从而可以减小迭代多用户检测算法的复杂度。该算法的计算复杂度能够随着多址干扰的减小和信道信噪比的增大而降低。     

一种基于差异度的极化SAR图像迭代分类方法

该文提出了一种用极化SAR数据协方差矩阵的相关性和回波功率差异来定义的目标间的差异度,并在这一差异度的基础上提出了一种新的迭代分类方法。该迭代方法与基于Wishart距离的迭代分类方法相比,不需要矩阵的求逆运算和矩阵的对数运算,降低了迭代过程的计算量,也不再需要目标的先验信息,扩展了其适用范围。该方法应用于NASA/JPL的SIR-C系统在香港地区的实测极化SAR数据,得到了很好的分类效果。     

SAR图像点目标的检测

分析了在均匀杂波回波功率服从 Gamma分布条件下 SAR点目标检测 ,推导了点目标虚警概率和检测概率与阈值系数关系 ,提出了检测点目标阈值系数选择根据和方法。在杂波均值估计方面 ,提出了以全局均值代替局部动态均值。实际测试结果表明所提出的检测方法在检测效果和计算量方面都优于双参数恒虚警检测算法     

基于联合矩阵对角化的双基地MIMO雷达DOD-DOA估计

针对双基地MIMO雷达收发角(DOD-DOA)估计问题,该文提出一种基于联合矩阵对角化的快速多目标收发角估计算法。该算法首先根据匹配滤波输出的数据结构,利用奇异值分解和秩1矩阵判断定理将收发角度估计问题转化为联合矩阵对角化问题,然后采用单次-扫描迭代算法对其求解,得到收发阵列流型矩阵,最后通过谱分析方法估计收发角。该算法充分利用匹配滤波输出的所有信息,无需2维谱峰搜索,每次迭代均可得到精确的闭式解,且收发角自动配对。与现有算法相比,该算法不仅提高了角度估计精度,而且有效降低了运算量。仿真结果证明了所提算法的有效性。     

部分并行软干扰消除迭代多用户检测算法研究

本文提出了一种基于部分并行干扰消除(PPIC)结构的迭代多用户检测算法,并对基于PPIC的迭代多用户检测器的迭代结构进行了改进.由于PPIC多用户检测器前一级输出的信息的准确度会影响到后一级的检测,所以为了提高基于PPIC的迭代多用户检测器的性能,对PPIC每一级的输出信息结合最大后验概率(MAP)信道译码器单独进行迭代处理,这样就提高了PPIC每一级输出的信息的准确性.该迭代结构可用于其他基于PIC型的迭代多用户检测算法.     

Unsupervised segmentation of hidden semi-Markov non-stationary chains

The Bayesian segmentation using Hidden Markov Chains (HMC) is widely used in various domains such as speech recognition, acoustics, biosciences, climatology, text recognition, automatic translation and image processing. On the one hand, hidden semi-Markov chains (HSMC), which extend HMC, have turned out to be of interest in many situations and have improved HMC-based results. On the other hand, the case of non-stationary data can pose an important problem in real-life situations, especially when the model parameters have to be estimated. The aim of this paper is to consider these two extensions simultaneously: we propose using a particular triplet Markov chain (TMC) to deal with non-stationary hidden semi-Markov chains. In addition, we consider a recent particular HSMC having the same computation complexity as the classical HMC. We propose a related parameter estimation method and the resulting unsupervised Bayesian segmentation is validated through experiments; in particular, a real radar image segmentations are provided.     

稳健的高效MIMO检测器

无偏最小均方误差迭代树搜索(MMSE-ITS)检测器是目前性能最好的多输入多输出(MIMO)检测器之一。该文通过选择性地扩展部分长度路径和添加一位互补矢量,对无偏MMSE-ITS检测器作了改进。仿真和分析结果表明,和无偏MMSE-ITS检测算法相比,改进算法能以相对较低的处理复杂度获得更好的检测性能。另外,改进的检测器彻底避免了削剪处理,对MIMO信道状况具有较好的适应性,稳健性较强。     

Eigentargets Versus Kernel Eigentargets: Detection of Infrared Point Targets Using Linear and Nonlinear Subspace Algorithms

The Eigentargets method, based on the linear principal component analysis (LPCA), has been used successfully to detect infrared point targets. LPCA is based only on the second-order correlations without taking higher-order statistics into account. That results in the limitation of Eigentargets in target detection. This paper extends Eigentargets, a linear subspace method, to kernel Eigentargets, a detection method based on a nonlinear subspace algorithm. Because the kernel Eigentargets is capable of capturing the part of higher-order statistics, the better detection performance can be achieved. Moreover, the Gaussian intensity model is modified to generate training samples of infrared point targets.