空间目标红外辐射特性研究

利用目标的红外光谱特性进行目标探测和识别是一种有效的方法。以空间卫星为目标,研究了其红外辐射特性形成的机理;利用所建立的数学模型,仿真了空间目标在探测面上所形成的红外光谱特性曲线;分析了模型中各参数对目标光谱特性的影响程度和卫星目标的红外光谱曲线。     

基于灰度曲面匹配的虹膜识别方法

目前的虹膜识别都是采用在图像上提取特征点,并将特征点编码为固定长度的特征数据用于匹配的方式。这种方式使虹膜识别系统易受攻击。为了进一步提高虹膜识别系统的安全性和识别速度,提出了一种基于灰度曲面匹配的虹膜识别方法。该方法抛弃了特征提取和编码等传统操作,在特征分析的基础上直接利用了灰度曲面匹配的思想,首先对两幅图像中的像素灰度做差,得到灰度差曲面,然后求出该灰度差曲面的方差。将此方差作为衡量两个虹膜特征曲面之间距离的依据,并据此判定两个虹膜是否来自同一只眼睛。在给定阈值为40的前提下,正确识别率为96.89%,识别时间为53.2 ms。实验结果证明,该方法识别准确率高,识别速度快。     

基于红外/毫米波双模融合的目标识别方法

在数据融合的基础上,以红外/毫米波双模传感器的智能融合结构为模型,将模糊神经网络与D-S证据理论相结合,提出了一种新的目标识别方法.该算法根据红外/毫米波传感器的性能及工作范围,构造模糊变量作为神经网络的输入,根据神经网络的不同输出判别目标的真伪,并利用D-S证据理论进行目标身份识别.仿真结果证明了该算法的可行性.     

基于神经网络的钞票真假识别研究

利用神经网络与光电检测的技术研制了钞票真假识别系统.介绍了系统的结构组成、工作原理、软件系统、神经网络的优化设计、实验及测试结果.经实践验证,其识别结果稳定可靠,可应用于金融智能防伪点钞机与ATM机中.     

基于图像匹配加速算法的金刚石氮–空穴色心轴向识别

场矢量探测是量子精密测量的重要分支,在基础物理、生物医学、材料科学等领域,都有着广泛的应用.金刚石氮-空穴(Nitrogen-Vacancy Center)色心作为量子传感器,在室温下具有较长相干时间,可以实现纳米尺度的磁场探测.为了实现纳米分辨率的磁场重构,需要选取金刚石中三个不同轴向的NV色心作为磁场传感器.实验上...     

概率神经网络和FTIR光谱用于食道癌的辅助分析

利用正常与相应癌化食道组织的主要FTIR特征峰aυs,CH3、sυ,CH2、σCH2、aυs,po4-、υc-o、sυ,po2-及sυ,磷酸化蛋白作为概率神经网络的输入向量,对网络的主要参数(网络径向基函数分布spread(0~5))、输入向量和网络表现(m ean accurate rate of recogn ition)之间的关系进行了研究。主要结论如下:i)无论输入向量是哪种特征频率的组合,其平均识别正确率都高于71.40%;ii)当输入向量为特征频率sυ,po2、sυ,磷酸化蛋白或υc-0、sυ,po2、sυ,磷酸化蛋白时,网络表现较佳,平均识别正确率较好。当spread介于1.4~2.3时,两者均达到网络具有的最高平均识别正确率(85.71%);iii)大多数情况下,网络的平均识别正确率与spread之间呈现二个高峰的特征,即spread介于0.1~0.3和1.5~5.0之间时,网络均具有较高的平均识别正确率。研究表明,以傅里叶变换红外光谱的主要特征峰为概率神经网络的输入向量,用于食道组织样品的癌化识别分析是完全可能的,其平均识别正确率可达85.71%。     

CdS薄膜及其光电化学电池阳离子识别特性的研究

半导体材料CdS薄膜具有优良的光电特性,一直受到人们的关注,广泛用于许多无机薄膜太阳电池的n型窗口层[1,2]。用CdS薄膜组装的光电化学电池也一度引起人们的极大兴趣。二十世纪七十年代以来,半导体光电化学在光能-电能转换、光能-化学能转换和太阳能的光电化学利用方面得到了蓬     

氨基甲酸酯型α-猪去氧胆酸分子钳对分子的识别性能研究

用差紫外光谱滴定法考察了新型猪去氧胆酸分子钳1~6对苯胺、对甲氧基苯胺、对硝基苯胺等中性分子的识别性能,测定了主客体间的结合常数(Ka)和自由能变化(△G°)。结果表明,分子钳主体对所考察的客体分子显示良好的识别作用,主客体间形成1∶1型超分子配合物,最大结合常数可达3123.46L.mol-1,识别作用的主要推动力为氢键,范德华力等的协同作用。讨论了主体与客体的识别模式以及客体间形状、大小匹配和几何互补等因素对形成超分子配合物的影响,并利用核磁共振氢谱与计算分子模拟作为辅助手段对实验结果与现象进行了解释。     

基于(C-H)+…X-氢键作用的阴离子识别与传感的研究进展

对基于(C—H)+…X-氢键类型的阴离子识别以及识别过程所引起的光化学传感和电化学传感的研究进展进行了评述.     

基于CNN-SVM的地下目标形状识别

针对传统地下目标识别算法中特征提取方法的缺陷,鉴于深度学习中的卷积神经网络（CNN）能自动从数据中提取特征,但CNN自带的分类器不能很好的解决非线性分类问题,由于SVM具有良好的泛化分类能力,为此提出基于CNN-SVM的地下目标形状识别方法。本文首先在地表面光滑场景下,利用该方法对地下圆形和矩形目标识别,然后加大场景难度,在地表面粗糙场景下进行地下目标形状识别。实验结果表明,相比传统人工设计的特征分类方法,该算法利用CNN自动提取的特征联合SVM提高了CNN的分类准确率,并且在两种场景下都具有更高的地下目标识别精度。