集散控制系统在水电厂的应用研究

阐述了开发研制一套通用性强、可靠性高、易于扩展维护且性能价格比高的开放型分布式计算机监控系统的必要性，并从系统的总体结构，软硬件设计等方面论述了该系统的组成及工作原理。     

基于LTS-HD的像素跳跃式快速景象匹配算法

在分析Hausdorff距离特性的基础上,提出了一种两级实时景象匹配算法.与传统各种利用图像多尺度特征的多级匹配方法不同,该算法利用Hausdorff 距离特性直接在原分辨率图像上进行匹配,通过“减少匹配位置”以及“减少匹配位置相似性测度计算量”两种途径缩短匹配时间.跳跃式搜索极大地减少了参与匹配的位置数;而在每个匹配位置,只计算由特征点组成的两个点集间的LTS-HD相似性测度,非特征点不参与计算,从而大大减少了该匹配位置的相似性测度计算量.为了保证匹配准确度,采用由粗到精的两级匹配策略,第一级采用像素跳跃式全局搜索获得粗匹配点,第二级以第一级匹配为基础,在以粗匹配点为中心的δ邻域内局部遍历搜索获得精匹配点.仿真分析表明,提出的算法相比传统的遍历搜索及遗传算法耗时短且定位准确,在实时图存在严重遮挡的情况下仍能正确匹配.     

自适应多波段偏振图像融合研究

为综合利用不同波段的偏振信息，以便有效地去除背景杂波的影响，提高目标检测的效果，提出一种基于伪彩色映射和窗口线偏振度熵为系数的自适应加权多波段偏振参量图像融合方法.该方法是根据目标和杂乱背景的特性及多波段成像偏振探测的基本原理，利用目标偏振特征的波长依赖性，不同波段偏振图像所反映场景信息的差异，同一波段Stokes参量图像之间的关系，以及线偏振度图像所反映的有关人造物与自然背景之间的关系.将其应用于不同真实场景下多波段偏振图像，仿真结果和评价指标表明，该方法在背景抑制方面取得了良好的效果.     

基于WLS-SVM的飞机状态监控与预测方法

介绍了加权最小二乘支持向量机(WLS-SVM)在时间序列预测中应用的基本方法,给出了一维时间序列建模预测的一般框架。提出采用BIC准则选取嵌入维数,并给出了基于统计量的模型性能评价方法。针对飞机发动机的典型状态参数,分别进行基于加权最小二乘支持向量机和AR模型的建模与预测,给出了详细的比较结果。试验表明,由于加权最小二乘支持向量机采用了新型的结构风险最小化准则,因而表现出优秀的推广能力,可预测区间较长且具有较高的准确度。     

一种新的全色图像与光谱图像融合方法研究

给出了一种新的综合伪彩色映射技术和小波变换理论的图像融合方法,并将其应用于全色图像和光谱图像的融合中.通过提取两个不同谱段光谱图像的共有信息和特别信息,并进行伪彩色映射融合,来增强目标与背景的对比度.同时将伪彩色映射融合后的图像进一步用IHS变换提取空间信息,在小波变换框架下将其与全色图像进行融合以提高目标的边缘细节信息,使所获得的融合结果不仅包含丰富的光谱信息的同时还具有较高的空间分辨率.仿真图和评价指标表明,该算法在增强目标与背景的对比度以及保留目标信息等方面具有较强的优势.     

一种基于纹理特征的红外成像目标跟踪方法

提出了一种基于LBP（Local Binary Pattern)纹理特征的红外成像目标跟踪方法,将LBP纹理特征集成到了核跟踪方法中.根据目标各区域对背景的区分能力不同,提出了目标各区域置信度的评价方法,用基于区域置信度及空间距离核加权的LBP特征概率密度函数,构造了目标及候选目标的特征模型.通过相似性度量,利用均值漂移方法实现了基于纹理特征的红外成像目标跟踪.实验结果验证了该算法在红外成像目标跟踪中较基于灰度的均值漂移跟踪算法更为鲁棒.     

量测不确定下基于粒子权重优化的粒子滤波算法

为有效评价量测不确定下的粒子权重,提出了一种基于粒子权重优化的粒子滤波算法.首先,通过置信距离和置信矩阵的构建及求解实现粒子间蕴含的冗余和互补信息的充分提取,给出了一种度量粒子间相互支持程度的一致性权重,并利用权重平衡因子实现代价评估粒子滤波中粒子权重和一致性权重的优化组合,进而实现粒子权重的合理优化.新算法既充分利用了当前时刻粒子集中的信息,又避免了量测噪声先验统计信息的偏差的不利影响,从而提升了粒子权重度量结果稳定性和可靠性.理论分析和仿真实验验证了所提算法的有效性.     

基于空时域约束模糊核聚类的红外多时相地下目标探测

提出了一种具有空时域约束的模糊核聚类红外多时相浅层地下目标探测算法.首先在经典模糊聚类算法基础上引入空间和时相变化信息,给出时相信息指数;然后根据时相信息指数修正时相权重因子,将空时域约束加入到多时相模糊核聚类中对红外多时相图像进行分类;最后由分类结果给出地下目标的位置及目标大致种类数,并根据地下目标的红外成像机理获得目标的大体物理性质来提高地下目标探测的准确性.结果表明,所提算法对地下浅层目标具有较好探测准确度.     

基于深度优先随机森林分类器的目标检测

从机载视觉传感器获取的图像中检测近距离目标,对小型无人机飞行安全非常重要,需要大量样本训练分类器以提高目标检测的准确性。然而,如果训练样本太大,随着树的层数增加,广度优先方法训练随机森林分类器会导致欠拟合问题。针对这个问题,提出了深度优先方法递归训练随机森林分类器,每次递归过程只分裂一个节点。实验表明,在SenseAndAvoid数据集目标检测的平均准确率是69.3%,比广度优先方法训练的随机森林分类器高7.6%。深度优先方法递归训练随机森林分类器,能有效抑制广度优先方法训练时的欠拟合问题,提高了随机森林分类器的泛化能力和目标检测的准确性。