排序集抽样下Inverse Rayleigh分布的Fisher信息量及其在参数估计中的应用

文章分别在简单随机抽样和排序集抽样下研究了Inverse Rayleigh分布中对应样本所含刻度参数θ的Fisher信息量.数值结果表示,同等样本容量的排序集样本比简单随机样本提供更多关于θ的信息.接着分别基于简单随机样本和排序集样本构造了θ的一些优良估计,并对估计结果进行了数值比较.     

PPP项目中非完全利益群体的合作形成机制研究

协调政府与社会资本合作的利益分歧,进而实现个体理性向集体理性的趋同,这是纾解PPP项目合作困境的切入点之一。基于合作博弈理论,本文构建PPP项目非完全利益群体的合作形成机制,分析政府与社会资本间“合作共赢”的必要因素。研究表明,由政府与社会资本组成的PPP项目非完全利益群体,可在“理性-效用转移-有效协商”机制的协同作用下主动采取最优合作策略。其中,理性机制验证了政府与社会资本达成合作意向的前提,效用转移机制可实现二者之间的风险-收益对等,有效协商机制将达成政府与社会资本合作的帕累托均衡。     

低频重分布与边缘增强的红外图像增强算法北大核心CSCD

针对现有的红外图像增强方法存在欠增强、过增强以及微小细节丢失等缺陷,提出了低频重分布与边缘增强的红外图像增强算法。用基于改进引导滤波的Retinex将红外图像分解为低频和高频图像。为了充分利用像素级的动态空间,对低频图像进行均匀重分布,以提升图像的亮度和清晰度;用提出的方向梯度算子对高频图像进行边缘提取,再对高频图像进行边缘增强,进一步提升图像的对比度。将经增强处理的低频和高频图像作Retinex反变换,得到增强效果的红外图像。实验结果显示,相对于部分现有方法,本文方法的增强图像的信息熵和Brenner指数更高,而NIQE指数更小,因此本文方法能更有效地提升红外图像的对比度,在增强图像纹理细节的同时更好地保持图像的自然度。     

无限远像距中波显微光学系统设计北大核心CSCD

随着红外技术的发展,高性能红外显微系统在热物理化学、微生物及MEMS优化设计等科技领域起到了非常重要的作用,本文讨论了一种无限远像距显微系统的结构形式及设计方法,针对阵列规模320×256,像元尺寸30μm相对孔径为2的中波制冷型红外探测器,设计了一款无限远像距中波显微光学系统,放大倍率为3×,工作距离35 mm,数值孔径(NA)0.75,适合于高帧频下红外显微探测的需求以及类似显微物镜产品的系列化。     

面向植被边坡的地基SAR高相干点选择

基于高相干点进行相位分析,才能有效保证地基SAR（Synthetic Aperture Radar,合成孔径雷达）形变测量的准确性。在差分干涉测量领域中,广泛使用幅度离差法,可以有效地选择出岩石、建筑物等PS（Permanent Scatterer,永久散射体）点作为高相干点,但对于植被边坡,采用该方法选择出高相干点数量较少,不利于差分干涉处理。在星载SAR领域,普遍采用StaMPS方法解决植被边坡的高相干点选择问题。本文探索了StaMPS方法在地基SAR领域的适用性,提出采用非PS点来计算相干系数门限,并引入DS（Distributed Scatterer,分布式散射体）选择技术,进一步提高了高相干点的数量。对一处植被边坡的实验结果表明,相比于幅度离差法和StaMPS方法,改进方法在提高高相干点数量的同时,有效保证了其相位质量。      

基于TDOA和SDOA的宽带辐射源双机无源定位算法

针对双无人机无源雷达对宽带辐射源目标的直接无源定位(DPD)初始值敏感,提出一种基于小生境拓扑结构改进矢量粒子群算法(NTVIPSO)的直接无源定位算法。本文算法将直接法和间接法结合起来,依靠间接法中尺度差参数构造约束条件,利用小生境矢量粒子群求解得到精确的位置。仿真结果表明本文粒子群算法优于矢量粒子群算法和邻域拓扑结构粒子群算法。提出的存在扰动情况下尺度差约束条件下的直接无源定算法精确度低于直接法,但优于间接法;计算复杂度低于直接法,大于间接法。     

机器人视觉导航传感器光栅投射误差校正系统

当前传感器光栅投射误差校正系统,没有计算光栅投射条纹的倾斜角度,导致系统应用效率低、稳定性差、精准度低,严重影响了机器人的使用效果。因此,提出机器人视觉导航传感器光栅投射误差校正系统。首先采用光栅读数头、细分盒完成系统的硬件组成,提高系统的应用效率;软件部分采用了高频数字计数滤波的方法,滤除掉频率高于该临界点的干扰脉冲;最后通过基于投影序列融合的光栅投射误差校正算法,分析光栅投射条纹的倾斜角度实现误差校正,提高系统的精准度。实验对比结果表明,机器人视觉导航传感器光栅投射误差校正系统的应用效率最高为96%、稳定性最高为98%、精准度最高为97%,所设计系统具有较高性能。     

基于深度森林的多级特征融合SAR目标识别

大多数传统的合成孔径雷达(SAR)目标识别方法仅仅使用了单一的幅度特征,但是由于斑点噪声的存在,仅仅使用幅度特征会限制识别的性能.为了进一步提高SAR目标识别的性能,该文提出了一个基于深度森林的多级特征融合SAR目标识别方法.首先,在特征提取阶段,提取了多级幅度特征和多级密集尺度不变特征变换(Dense-SIFT)特征.幅度特征反映了目标反射强度,Dense-SIFT特征描述了目标的结构特征.而多级特征可以从局部到全局表征目标.随后,为了更完整、充分地反映SAR目标信息,借鉴深度森林的思想对多级幅度特征和多级Dense-SIFT特征进行联合利用.一方面通过堆叠的方式不断将多级幅度特征和多级Dense-SIFT特征进行融合,另一方面通过逐层的特征变换挖掘深层信息.最后利用得到的深层融合特征对目标进行识别任务.该文在MSTAR数据集上进行对比实验,实验结果表明所提算法在性能方面取得了提升,且其性能对超参数设置具有一定的鲁棒性.