基于残差神经网络的无人机射频信号识别

针对民用小型无人机对低空领域安全造成威胁及无人机视觉上识别难的问题,提出了一种无人机射频信号识别的方法,使用深度学习技术学习无人机与控制器之间的射频信号特征来识别无人机。首先将射频信号数据集中的无人机信号进行预处理操作,接着使用残差神经网络进行模型训练,最后使用训练好的网络模型对无人机信号进行识别验证。实验结果表明,该方法识别无人机是否存在的准确率达到99.8%,识别无人机型号的准确率达到91.1%,识别无人机运行模式的准确率达到70.3%,且该方法具备较强的鲁棒性和环境抗干扰能力,性能明显优于基准方法。     

基于SIFT和Affinity Propagation的遥感图像配准算法

随着传感器和光学影像测量等各种技术的快速发展,航空遥感技术已经在电力巡检、森林防火、地理测绘等领域中发挥着越来越重要的作用,而图像配准作为遥感图像的预处理步骤为图像融合等后续处理提供了参考和依据,目前已经成为遥感图像处理领域的研究热点。文中提出了一种基于尺度不变特征变换（Scale-invariant Feature Transform,SIFT）和仿射传播聚类（Affinity Propagation,AP）的图像配准算法。该算法与原有算法相比优势在于无需预先设定参数,并且实验仿真表明该算法能有效地对多源图像进行高精度的配准,与随机抽样一致算法（Random Sample Consensus,RANSAC）相比提高了正确匹配点的数目。     

一种基于DSP+CPLD的低功耗实时红外成像系统实现方法

非致冷红外焦平面阵列(IRFPA)固有的非均匀性严重制约了系统成像质量,其输出动态范围大和监视器显示输出动态范围小也构成了矛盾。为解决这些问题,采用了复杂可编程逻辑器件(CPLD)设计红外焦平面阵列输出驱动和视频编码芯片的显示时序,以高速低功耗数字信号处理器(DSP)为核心,实现了嵌入式红外图像实时采集与压缩校正硬件系统。提出了一种结合两点校正的灰度直方图统计阈值分段线性压缩变换算法,并进行了实验。结果表明,系统可以实时的对红外图像进行采集和压缩校正,处理后图像的非均匀性得到很好的校正,背景被抑制的同时目标和细节得到了增强。该方案简单可靠,电路功耗较低,可为小型化红外热像仪的研制提供参考。     

基于卷积神经网络的无人机射频信号识别

针对在复杂电磁环境下无人机难以被检测的问题,提出了一种基于卷积神经网络的无人机射频信号识别方法.射频前端对目标空域内的无线电信号进行扫描,捕捉与拦截无人机自身发射的射频信号,将无人机射频信号进行预处理,送入构建的卷积神经网络进行分析与识别.实验结果表明,基于卷积神经网络的无人机射频信号识别方法在检测无人机是否存在、 识...