基于模糊支持向量机的超光谱遥感图像分类

支持向量机（SVM）应用到超光谱图像分类中有较好的识别效果，但它在解决多分类问题时，存在不可分区域的局限性．为此提出了一种基于一对一SVM的模糊支持向量机，并将该方法应用到超光谱图像分类实验，结果表明该方法不仅改善了不可分区域的存在问题，而且比传统的SVM在分类精度上有明显的提高．     

基于声压振速联合信息处理的声矢量阵相干信号子空间方法

为解决水下宽带源的远程测向问题,提出了一种基于声压P与振速V的互谱矩阵的声矢量阵相干信号子空间方法。与现有的将声矢量传感器的振速信息仅仅作为独立阵元来处理的声矢量阵测向方法不同,新方法完全基于声压与振速联合信息处理,充分利用了声矢量阵中P-V互谱的抗噪能力,能将相干信号子空间方法的宽带高分辨能力及去相干能力与声矢量阵的抗噪能力有机地结合起来,实现对宽带源的远程、高分辨方位估计。理论分析给出了基于P-V互谱矩阵的宽带聚焦原理和特征分解原理,以及信源数检测准则。基于湖试数据的仿真实验结果显示,采用3元声矢量阵,在信噪比为-10dB和观测时间为20s时,新方法方位估计的均方根误差约为5°,明显强于现有方法。     

时变信道下空时分组码解码器的研究

接收端的高速运动或者载频的偏移，会引起信道的时间选择性衰落．在时变瑞利信道下，如果依然采用Alamouti经典解码方法，就会引起发送天线间互干扰的产生．当接收端采用多接收天线时，情况将变得更为复杂，此时不仅要考虑？肖除发送天线间互干扰，而且还要保证最有效的利用分集增益．基于单接收天线时的决策反馈解码器和置零解码器，提出2种新的多接收天线下的解码器，称为决策反馈最大比合并解码器（DFMRC）和置零最大比合并解码器（ZFMRC）．仿真结果显示，这2种新的解码器表现出消除发送天线间互干扰和利用分集增益的优越性能．     

改进模拟退火算法在图像配准中的研究

为了实现图像的配准，提卅了使用模拟退火算法求解2幅图像的最佳匹配参数，然后对待配准图像进行变换，从而达到配准目的．实验表明，该方法对平移、旋转的2幅图像具有较高的配准精度和初值鲁棒性，其中的改进算法，即单纯形一模拟退火算法可以使优化解不陷入局部极值而获得全局优化解，具有更高的配准精度，同时也大大提高了运算效率．     

一种背景误差累积的高光谱图像异常检测算法

针对背景信息对高光谱图像异常检测的强干扰问题,提出了一种背景误差累积的异常检测算法.该算法通过构造背景子空间,利用各像素到该子空间的正交投影,得到有效抑制背景并突显目标的背景误差数据,用于后续的异常目标检测.最后用真实的高光谱数据进行仿真实验,理论分析比较和实验结果表明该算法具有较好的检测效果.     

齐墩果酸C-28位修饰物的合成与表征及其抑菌活性研究

齐墩果酸属于五环三萜类化合物,在自然界广泛分布,并且显示出多种生物活性,如：抗菌、抗炎、抗病毒及抗肿瘤等。但对其衍生物抑菌活性研究方面的报道较少。为了更为深入地研究齐墩果酸及其衍生物的构效关系,我们以具有较好生物活性的齐墩果酸为先导化合物,通过对其C-28位进行结构修饰,设计合成了6种未见报道的齐墩果酸衍生物。目标化合物的结构经IR和1HNMR表征确证,并对金黄色葡萄球菌、抗甲氧西林金黄色葡萄球菌、抗喹诺酮金黄色葡萄球菌、变形链球菌和大肠杆菌进行抑菌活性测试。结果表明,经修饰后的齐墩果酸衍生物对变形链球菌的抗菌活性较母体化合物有不同程度的提升。     

基于线性外推理论的红外焦平面阵列盲元检测算法

盲元的存在严重影响了红外成像系统的性能,为有效地检测出红外焦平面阵列中存在的盲元,详细分析了盲元与点目标在邻域像素灰度分布上的差异,在此基础上利用趋势外推理论能够对事物发展预测的特性,提出了基于二维线性外推理论的盲元检测算法.实验结果证明,这一算法不仅具有复杂度低、易于实现的特点,而且具有较高的检测率,完全满足实际应用中对盲元检测精度的要求.     

一维经验模态分解在二维图像细节提取中的应用

提出了将一维经验模态分解(1D-EMD)应用到二维图像细节提取的方法.运用1D-EMD方法从水平方向和垂直方向分别处理二维图像,采用最小尺度对齐的原则,可以得到二维图像在水平方向和垂直方向的细节.最后将这2个方向的细节叠加,就可以提取出图像的细节信息.仿真结果证明了该方法的有效性.     

基于改进的最小二乘支持向量机的高光谱遥感图像分类

支持向量机因其适用高维特征、小样本与不确定性问题的优越性,是一种极具潜力的高光谱遥感分类方法.核函数是支持向量机的核心,核函数分为局部核函数与全局核函数两大类,不同的核函数将产生不同的分类效果.核函数也是支持向量机理论中比较难理解的一部分.在基本核函数中引入光谱匹配识别中的典型方法--光谱角度匹配法(SAM法),兼顾到光谱亮度与光谱向量方向的距离测度,结合最小二乘支持向量机,通过与传统SVM分类方法的比较,证明这种方法的有效性.