基于FastICA的高光谱图像压缩技术

提出了一种基于快速独立分量分析(FastICA)的高光谱图像压缩算法。首先引入虚拟维数算法估计图像中的目标端元个数,进而提取出感兴趣的目标端元矢量,并初始化快速独立分量分析的混合矩阵;利用最小噪声分量变换对原始数据进行降维,从降维后的主分量中提取独立分量;对独立分量进行恒虚警率检测与形态学滤波,实现目标分割。对高光谱图像进行谱间Karhunen-Loeve变换,利用比例位移法对感兴趣目标的小波系数进行提升,最后对各主分量进行最优码率的SPIHT压缩。实验结果表明,该方法在获得较高压缩性能的同时能够有效地保留感兴趣的目标。     

考虑端元差异性的协同稀疏高光谱解混算法

因现有的高光谱协同稀疏解混模型忽略了不同像元所包含端元的差异性,影响到丰度估计的准确性。该文提出一种先对具有相同端元的像元进行无监督聚类的预处理,然后对预处理后的不同类高光谱像元进行协同稀疏解混算法。在无监督聚类过程中,由于具有相同原子集合的像元之间的协同稀疏编码值最小,将重构误差与协同稀疏编码约束之和作为距离测度,从而有效保证了同类像元中具有相同端元;再利用基于ADMM的优化算法对每类像元分别进行协同稀疏解混。仿真和实际高光谱数据实验结果表明,该算法能有效地进行真实端元识别,从而提高了丰度估计的准确性。     

基于分形的快速最大熵红外图像特征检测

文章针对红外图像目标检测问题,提出一种基于分形的快速最大熵的红外图像特征检测算法.该算法利用DBC方法计算分维数,根据人造物和自然背景分形维差异,确定目标区域;最后,通过二维最大熵原则确定最佳阈值,实现对单目标或者多目标图像分割.该算法能够较好实现红外图像特征检测,有效抑制背景和噪声.     

采用自适应GHA神经网络的分类器设计

介绍了一种自适应逼近数据实质维的GHA神经网络学习算法。基于主元子空间分解的思想,给出了基于该算法的分类器刻画方法,对其中的刻画参数给出了详细的界定。该分类器采用监督学习机制进行训练,可以自动学习输入的主元特征子空间维数。在入侵检测领域,利用KDD CUP 1999数据集对该方法进行了仿真。采用正常连接数据训练GHA异常检测分类器,利用拒绝服务攻击数据进行了误用检测训练。并将测试结果与其他入侵检测方法进行了比较。     

MRF和GM模型高光谱图像地物标记

利用马尔可夫随机场和高斯混合模型构造了一种对高光谱图像进行地物标记的新方法。该方法利用PCA降维后的高光谱图像及其差分图像的先验信息建立高光谱图像的随机模型,并把最大后验估计作为地物标记优化的评判标准,用模拟退火算法实现地物标记。实验结果显示该算法是一种精确、高效、稳定的图形标记算法。     

基于数据融合的目标测距方法研究

单目视觉进行目标识别有着巨大优势,但在目标测距方面存在精度不足且测量过程不稳定的问题,一种基于4线激光雷达与摄像头融合的联合测距的方法被提出并改善这一问题。首先利用卷积神经网络检测图像中的目标,得到相应的检测框;与此同时,通过标定相机内外参,将三维的激光点云数据转换到二维平面,得到2种数据对于检测环境的一致性表达。然后利用R-Tree算法快速配准检测框与相应的点云数据。此时,利用点云的深度信息能获得目标在真实世界的位置,并提出联合测距的方法来进一步提高测距精度。最终经实车采集的数据验证了所提算法的有效性。     

基于测地距离的KNN高光谱遥感图像分类

从高光谱遥感数据的内在非线性结构出发,利用流形学习算法中的测地距离能很好的表示高维数据间的内在结构这一优点,再与传统的KNN分类方法相结合,对KNN进行改进,得到适用于高光谱遥感数据的分类方法。试验结果表明,基于测地距离的KNN算法是一种有效的高光谱遥感数据分类方法。     

基于改进的TCM-KNNDoS检测算法

由于实现方式简单、攻击形式多样、威胁范围广、不易防御和区分,拒绝服务(DoS)攻击已经成为网络的最主要安全威胁之一。该文提出了一种ITCM-KNN算法,在此基础上建立了DoS检测框架。使用标准数据集KDD Cup 1999进行算法验证和分析实验。采用基于信息增益算法选择了5个特征,在保证高检测效果的同时减少了特征的维数。该算法不需要对攻击进行学习和建模,使用少量的正常样本作为训练集,提高了检测性能。实验结果表明,改进的TCM-KNN算法检测率高于SVM等算法,达到99.99%。     

分布式SAR系统中运动目标检测定位技术

建立了分布式卫星SAR系统动目标检测定位和测速模型,提出了一种基于改进的ESPRIT算法的多通道动目标检测定位和测速方法。该方法用DPCA技术检测动目标,再利用改进的ESPRIT算法确定动目标数并定位,提取运动参数。理论和仿真结果表明该方法能正确检测动目标并确定运动参数,与传统FFT方法比较,尤其对于成像后在一个方位分辨单元内的多个动目标情况,该方法具有明显优越性。     

基于质粒模型的DNA计算机算法求解背包问题

DNA计算机在求解大型科学问题中DNA链数呈纯指数增长的瓶颈亟待解决.本文提出一种将分治策略应用求解背包问题的新的基于质粒DNA计算机算法,使DNA链数可达到亚指数的O(1.414n),其中n为背包问题的维数.与已有文献结论进行的对比分析表明: 本算法将穷举算法中所需的DNA链数从O(2n)减少至O(1.414n),利用本算法将可破解的背包公钥的维数在试管级水平上从60提高到120.     

基于子空间投影的残缺人脸图像识别新算法

提出了改进的基于子空间投影的残缺人脸图像识别新算法,利用非负稀疏矩阵将原始人脸图像分解,从高维空间降到低维子空间,再利用Fisher线性判别式方法进一步降低子空间维数;然后利用欧式距离测量法,识别待测试人脸。实验证明,对残缺人脸图像的识别,新算法具有满意的识别率。     

基于均匀圆阵的相干信号波束形成方法

提出一种新的相干波束形成方法,利用内插变换对相干背景下的真实阵列进行虚拟平移,得到多个虚拟平移后的信号协方差矩阵;对其进行平均后,所得到的相干信号协方差矩阵具有满秩性。利用一般的波束形成法求出最优权向量。该方法解决了五阵元均匀圆阵下二维相干信号的波束形成问题。计算机仿真表明该方法在小快怕数及低信噪比时能很好地抑制相干干扰,对期望信号和相干信号方向估计误差具有较强的稳健性。     

基于虚拟网格技术的自适应车辆跟踪算法的研究

为了解决车辆跟踪速度、精度、非线性等问题,引入简化跟踪目标图像信息的虚拟网格技术,结合改进的Kalman预测理论,构建自适应车辆跟踪算法,利用该算法完成对移动目标车辆进行实时检测跟踪。测试结果验证了算法提高视频图像中移动目标跟踪速度,且以较高的精确性对单个、多个移动目标进行检测跟踪。     

基于加权模糊c均值聚类的快速图像自动分割算法

图像分割是指将一幅图像分解为若干互不交迭的区域的集合，是图像处理和计算机视觉的基本问题之一。为了提高图像分割的效率，提出了一种基于2维直方图加权的塔形模糊c均值（FCM）聚类图像快速分割算法。该方法先通过构造合理的2维直方图对噪声进行抑制；然后通过塔形分解来缩减聚类样本集；最后利用加权FCM聚类算法进行分类。仿真结果表明，该方法的效率明显优于标准的FCM算法。此外，为确定分割的最优类别数c，还引入了一种基于该快速算法的聚类有效性评价函数——修正划分模糊度，实现了最佳图像分割类别数c的自动确定。基于人造图像和实际图像的测试实验结果表明该方法是有效的。     

V-BLAST信号的宽线性反馈判决检测

针对V-BLAST结构接收机采用传统反馈判决检测在高信噪比高端出现的检测性能不佳的问题,设计了一种具有更加检测性能的基于最小均方误差准则的宽线性反馈判决检测算法。计算机仿真结果显示,该算法采用最优子流检测顺序时,在信噪比的低端及高端,其误码率性能均逼近最大似然检测;当采用随机子流检测顺序时,这种算法的误码率性能仍优于Golden MMSE检测算法。在相同算法下,采用宽线性检测至少带来了3dB的性能增益。     

基于深度学习的海岸带土地利用信息提取方法

针对海岸带地物类型复杂多样,监测难度较大,本文选取山东省烟台市海岸带为研究区,运用时间序列Sentinel-2遥感影像数据,基于面向像元分类方法,利用不同地物在时间序列遥感影像不同波段上表现出的光谱差异特征,通过构建轻量级卷积神经网络提取出研究区土地利用信息,并对分类结果进行精度评估.结果表明:(1)像元时序特征值作为网络输入形式,提取出烟台市8种土地利用类型信息,很好区分出草/林地、耕地、裸地等地物,并能提取细长河流和道路,有效降低了"同物异谱"和"异物同谱"现象.(2)该方法总体分类精度、Kappa系数分别达到了91.32%,0.8965,比采用支持向量机、随机森林分类器总体精度提高4.17%,5.66%,分类制图中有效地避免了"椒盐"现象.基于像元时序特征值分类方法分类精度较高,为利用中分辨率遥感数据对海岸带土地利用信息快速、准确分类提供支持.     

太赫兹时域光谱技术在纺织纤维鉴别中的应用

提出了一种基于太赫兹时域光谱(THz-TDS)的纺织品鉴别方法,并以几种常见的合成纤维作为实验介质证明该方法的可行性。利用THz-TDS系统测得了这些介质在大赫兹波段的时域光谱信号,得到了它们在太赫兹波段吸收系数谱。实验结果表明,涤纶、锦纶和维纶分别在0.98、1.51和1.16THz有明显不同的特征吸收峰,芳纶、腈纶和天丝的吸收谱也存在明显差别。研究表明,利用太赫兹时域光谱技术进行合成纤维鉴别是可行的,为进一步将太赫兹波技术应用于纺织品检测提供了依据。     

元胞自动机变换可恢复图像认证算法

提出一种基于元胞自动机变换的可恢复图像认证算法,将图像分割成不重叠子块,对每个子块进行两层二维元胞自动机变换CAT,从第二层低频系数生成子块认证水印和恢复水印,分别嵌入当前子块和对应子块的第一层低频系数,形成含水印图像;用认证水印进行图像认证;用恢复水印恢复被篡改图像子块。实验表明,该算法安全性高,且具有很强的抗VQ攻击能力。     

基于深度学习的复杂背景下目标检测

针对某些静态图像背景复杂,受环境因素(光照、遮挡、掩盖等)影响较大的问题,提出一种基于深度学习算法的卷积神经网络(convolutional neural networks,CNN)结构对目标进行检测。利用CNN网络可自主提取图像特征并进行学习的优点,避免了复杂的人工特征选择和提取过程。通过一种区域合并的方法进行端到端的交替训练,在复杂背景图像的处理中体现出较优的性能。CNN的局部连接、权值共享及池化操作等特性使之可以有效地降低网络的复杂度、减少训练参数的数目、提高检测效率。试验验证结果表明:此方法在互联网图像数据库检测方面达到了较高的精度。采用坦克模型图像对复杂背景下的单目标、多目标以及不同程度的遮挡、伪装等情况进行试验,得出该方法具有一定的鲁棒性。     

基于Overlay-Underlay的功率控制路由算法

对现有混合式认知无线电网络频谱共享模型进行改进,解决了现有路由算法在干扰与时延处理方面的缺陷,提出了一种基于Overlay-Underlay频谱共享的路由算法。该算法以着色图为路由分析模型,以最短路径和链路状态作为路由指标,以最小累积干扰为信道分配指标,优先接入空闲授权信道,否则利用功率冗余接入,发展了一种具有功率控制的端到端路径选择和信道分配方法。仿真研究结果表明了该算法的有效性,与现有路由算法相比,提高了网络吞吐量,降低了丢包率和端到端时延。