基于体积和稀疏约束的高光谱混合像元分解算法

针对传统非负矩阵分解法中解空间较大、存在大量局部极小值的问题,提出了一种基于单形体体积和丰度稀疏性约束的非负矩阵分解法（Volume and Sparseness Constrained NMF,VSC-NMF）。该方法首先使用顶点成分分析法对高光谱图像进行端元提取,将其作为端元矩阵的初始值,可达到加速算法收敛的目的;然后,在目标函数中加入单形体体积最小化约束和丰度稀疏性约束,从而实现对混合像元进行较好的分解。实验结果表明,该方法不仅能有效地克服传统非负矩阵分解法的缺陷,而且能估计出精确的端元和对应的丰度,获得满意的解混效果,尤其适用于稀疏度较高的高光谱图像。     

送丝速度对镀锌钢激光钎焊接头性能影响研究

激光钎焊过程中有很多影响焊接接头质量的因素,如激光功率,焊接速度,离焦量等,主要研究了送丝速度对焊接接头力学性能的影响。实验结果显示:焊接接头中有Fe-Si(Cu)弥散相的析出,这些析出相呈现颗粒状,小岛状或者花瓣状分布。当送丝速度达到2.0m/min时,弥散相的分布最为密集,焊接接头的力学性能最好,并高于母材,在母材处发生断裂;当送丝速度为1.7m/min和2.3m/min时,Fe-Si(Cu)相只是零星的分布在焊接接头内,接头力学性能比母材差,拉伸实验断裂在焊缝处,断裂方式属于韧性-塑性型。     

联合时频分布和压缩感知对抗频谱弥散干扰

频谱弥散(SMSP)干扰是一种专门对抗线性调频脉冲雷达的有源欺骗干扰。针对SMSP干扰的抑制问题,该文根据该干扰的时频分布特性,提出一种联合时频分布和压缩感知的干扰抑制算法。该方法通过在时频域丢弃SMSP干扰信号,保留属于目标信号的时频点,并根据保留的时频点与雷达回波频谱间的线性关系,建立压缩感知最小问题求解模型并利用正交匹配追踪方法重构目标信号,实现对SMSP干扰的抑制。Monte Carlo仿真结果验证了该方法的有效性。     

基于多特征联合处理的灵巧噪声干扰识别

灵巧噪声干扰已成为一种作用于新体制相参雷达的重要干扰类型.为了有效抑制该类干扰,提出一种基于多维特征的抗干扰方式.通过分析DRFM产生灵巧噪声干扰原理,建立目标与干扰信号模型;在分析对比两类信号特性的基础上,提取包络起伏参数、相位门限内概率及盒维数特征以表征目标与干扰信号在波形、相位及尺度信息上的差异;为了进一步提高干扰识别性能,加入表征信号复杂度的近似熵特征,分析表明该特征因子对噪声具有较强的鲁棒性;最后采用支撑向量机对提取的多维特征进行处理以实现灵巧噪声干扰的识别对抗.仿真实验表明,该方法对目标和干扰的正确识别率高且基本不受干噪比影响.     

物联网场景下基于蜜场的分布式网络入侵检测系统研究

为了解决物联网网络入侵检测系统无法识别新型攻击、灵活性有限等问题,基于蜜场提出了一种能有效识别异常流量和具备持续学习能力的网络入侵检测系统。首先,结合卷积块注意力模块的特点,构建专注于通道和空间双维度的异常流量检测模型,从而提高模型的识别能力。其次,利用联邦学习下的模型训练方案,提高模型的泛化能力。最后,基于蜜场对边缘节点的异常流量检测模型进行更新迭代,从而提高系统对新型攻击流量的识别准确度。实验结果表明,所提系统不仅能有效检测出网络流量中的异常行为,还可以持续提高对异常流量的检测性能。     

有监督的高光谱图像伪装目标检测方法

针对伪装目标检测问题,提出了一种有监督的高光谱伪装目标检测方法。以植被型伪装目标为研究对象,在分析伪装材料与绿色植被光谱之间特性的基础上,先通过光谱重排、光谱微分以及光谱差异性增强处理,对植被型伪装材料与真实植被（背景）之间的光谱差异进行放大,然后利用主成分分析（PCA）变换进行降维,从而实现了一种适用于大面积植被型伪装目标的高光谱检测方法。实验结果表明,该检测方法在检测时间和检测效果上要优于基于加权的约束能量最小化法（WCM-CEM）和基于非监督目标生成处理的正交子空间投影法（UTGP-OSP）。     

基于奇异谱分析的抗数字射频存储距离波门拖引干扰

针对基于数字射频存储(DRFM)技术的转发式欺骗干扰难以检测和抑制问题,该文根据DRFM的延时量化会导致干扰信号产生细微的中心频率频移及谐波分量寄生的特性,提出一种基于奇异谱分析(SSA)的抗距离波门拖引干扰方法。该方法首先提取干扰信号谐波分量与目标回波经SSA分解后奇异值能量的分布差异特征,实现对有源欺骗干扰的检测,然后依据干扰中心频率频移特性,通过划分合适的奇异值子空间重构目标信号,实现对欺骗干扰的抑制。该方法不需要估计噪声参数,在干扰检测阶段具有恒虚警特性。Monte Carlo仿真结果验证了该方法的有效性。     

基于多帧数据联合处理的机载单通道雷达贝叶斯前视成像

针对机载单通道雷达前视分辨率不高的问题,该文提出一种基于多帧数据联合处理的贝叶斯前视成像方法。该文首先建立高斯背景下的前视回波信号模型,然后将散射场景的处理空间由单帧波束域的低维空间扩展到多帧波束域联合而成的高维空间以增加其空域稀疏性,并对散射场景的稀疏性进行统计建模。最后基于贝叶斯理论,将前视条件下的雷达成像转化为贝叶斯准则下的优化问题,并通过共轭梯度算法进行优化求解。在优化求解时,稀疏统计参数从数据迭代过程中估计得到。仿真结果和实测数据表明该方法不仅可以对前视场景进行高分辨成像,还可以抑制虚假散射点。