圆二色（CD）光谱是一种公认的用于测量蛋白质及其二级结构的生物物理技术, 不但被广泛用于测量蛋白质的二级结构, 而且可以检测二级及更高级结构的变化, 同时用于科学研究和蛋白质产品如生物制药的质量控制。 由于对CD光谱测量中的误差来源定量理解有限, 对光谱进行客观比较仍具有挑战性。 统计方法可用于比较, 但不提供处理系统性以及随机性误差的机制。 在任意两台仪器中进行的CD测量, 即使在可比较的条件下, 相同样品的光谱幅度（elipticity椭圆度, CD scale, 也称圆二色值）或波长也可能存在细微差异。 光源、 最终的光度输出和各个仪器之间入射光偏振的微小差异是导致圆二色值或波长产生差异的可能原因。 分析蛋白质CD光谱取决于原始CD数据的质量, CD解卷积分析强烈依赖于CD光谱中谱峰的圆二色值。 因此, 以一种α-螺旋为主导的蛋白质—细胞色素C为实验对象, 在对CD光谱仪进行校准的前提下, 对其浓度为0.05 mg·mL-1的水溶液进行圆二色光谱测定, 继而建立了0.05 mg·mL-1细胞色素C水溶液的CD光谱测量模型, 评估了其在波长222 nm谱峰圆二色值的不确定度。 圆二色值的不确定度来源主要有测量重复性、 校准溶液及蛋白溶液浓度的不确定度、 比色皿光程长的不确定度等。 经过仪器校准后, 综合考虑这些不确定来源, 得到0.05 mg·mL-1细胞色素C水溶液在波长为222 nm处谱峰的圆二色值及不确定度为(-4.53±0.54) mdeg, k=2。 通过不确定度评估, 发现在不确定分量中较为显着的为1 mm比色皿光程长不确定度和溶液配置过程引入的不确定度分量, 设法消除或降低这些因素的影响, 可以改进测量方法分析测量过程, 以实现CD光谱的客观比较, 提高CD谱图的可比性和可靠性, 为开展圆二色光谱测量的实验室间比对提供实验参考。

目标域遥感图像特征分布的变化,导致遥感场景零样本分类性能下降,针对该问题,提出一种基于局部保持的遥感场景零样本分类算法。首先,为减少冗余信息,采用解析字典学习方法,将源域中的场景图像特征和类别语义词向量嵌入到同一稀疏编码空间,并实现两者稀疏系数的强制对齐,以建立图像特征与词向量之间的关系;然后,通过保留图像特征空间中场景图像间的局部近邻关系,增强场景图像对应稀疏系数的鉴别性,以有助于对稀疏系数进行聚类分析;最后,为适应目标域图像特征分布变化,采用k-means算法对目标域场景图像的稀疏系数进行聚类,并以初始中心的类别标签作为对应的聚类簇中场景的类别标签。实验分别采用GoogLeNet和VGGNet图像特征,以数据集UCM作为源域遥感场景集,对目标域场景集RSSCN7进行零样本分类,获得了最高50.67%和53.29%的总体分类准确度,比现有算法各提升了8.06%和9.70%。实验结果表明:该算法能够适应目标域遥感场景图像特征分布的变化,显著提升遥感场景零样本分类效果,具有一定的优越性。

利用不同图像特征之间的互补性,可提升遥感场景零样本分类性能。将图像特征的融合与零样本分类结合,提出一种基于图像特征融合的遥感场景零样本分类算法。采用解析字典学习方法,计算各图像特征的稀疏系数,并串接起来作为融合后图像特征,以减少冗余信息且保留各图像特征自身特点;引入监督信息,提高融合特征的鉴别性;将融合特征与场景类别词向量进行结构对齐,提升对新类别场景的迁移识别效果。在UC-Merced和航拍图像数据集两种遥感场景集上,对相同层次及不同层次的场景图像特征分别进行融合实验。实验结果表明:对于总体分类准确度和运算耗时,所提算法均优于其他零样本分类算法及通用的特征融合算法,证明了方法的有效性。

为了满足“察打一体化”无人机精确打击目标的要求, 针对现有目标定位算法的准确率低、实时性差的特点, 本文提出了一种基于图像配准的无人机目标精确定位算法。该算法主要分为两个阶段: 特征点检测阶段和目标精确定位阶段。首先采用基于侧抑制竞争的特征点检测算法, 实现局部图像中目标特征点的检测工作; 然后利用图像局部信息的配准算法, 完成目标所处的局部区域图像的精确配准工作, 最终实现了目标的高精度定位。实验结果显示该算法的定位精度可以达到 0.21 m, 能够满足精确作战时的目标情报保障需求。

通过溶胶凝胶法合成了CexPd1-xO2-δ(x=1,0.7,0.5,0.3)系列纳米晶,X射线衍射(XRD)结果显示所得晶体为立方相。X射线光电子能谱(XPS)测试结果显示Pd的价态有Pd4+,Pd2+及Pd0,其中Pd4+的出现说明形成了固溶体结构。结合高分辨透射电镜(HRTEM)、XRD和Raman光谱数据,发现掺杂物的物相中含有PdO。HRTEM谱图显示CeO2表面分布有Pd单质,说明形成固溶体后高温导致晶格中的Pd析出。对系列化合物分别进行可见光拉曼谱(λex=532 nm)和紫外光拉曼谱(λex=325 nm)测试,并采用归一化法对比PdO的峰面积及CeO2的峰面积,发现紫外光谱下CeO2的F2g峰得到增强,同时还在593 cm-1,1170 cm-1,1750 cm-1处出现三个峰,分别归为CeO2本征纵向光学吸收LO(longitudinal optic),2LO和 3LO,该现象由于共振拉曼效应导致的。结合紫外拉曼光谱,对不同比例Pd掺杂的CeO2纳米晶中的氧缺位进行了量化研究。结果表明,随着Pd掺杂量的提高,氧缺位浓度逐渐增加,这与XPS测试结果的趋势基本一致。

为了提高无人机目标定位的速度和精度, 提出了一种可靠的基于无人机图像侦察的目标定位算法: 首先利用无人机光电系统获得实时侦察目标的图像信息, 然后把目标在图像上坐标和无人机自身飞行参数相结合, 通过坐标变换和几何求解等过程, 构建出目标定位方程, 计算出目标的大地坐标。在考虑整个定位过程中存在实际误差的情况下, 根据无人机飞行时记录的数据, 利用蒙特卡罗模拟法进行仿真实验。实验结果表明, 此目标定位算法能快速准确地定位目标, 定位精度达到了 12.683195 m, 说明该算法良好的实时性、精确性、可靠性和可行性。

无人机能够通过多种方法定位出目标的精确位置信息, 以便实施战场指挥或**打击。主要整理并分类介绍了无人机侦察图像目标定位的各种技术原理, 解析了其在**领域的应用范围；并以无人机飞行任务为模型, 完整详细地用空间量算的无人机侦察图像目标定位技术对无人机实际飞行进行航迹规划的运用, 证明了无人机侦察图像目标定位技术的重要**价值。

为解决大多数舰船检测算法的精度不高、速度较慢等问题，提出一种显著性特征引导的舰船目标快速精细检测方法。首先，利用基于局部与全局整合的视觉显著模型定位目标区域，并通过区域提取得到候选目标切片；然后利用改进的均值聚类方法将目标切片分割为超像素集合；最后通过融合显著图和超像素分割结果，筛选属于目标的超像素来实现精细分割，得到舰船目标的候选区域。实验结果表明，该方法能够准确快速地定位舰船目标，且能精确刻画目标轮廓，更有利于后续舰船识别等后续工作的开展。

目标定位技术作为信息化战争中实施目标精确打击的前提，是情报保障工作的重要内容。目前主要是采用基于图像配准的方法来实现目标的快速定位，而传统的方法通常都是基于单一特征的图像配准算法，无法保证图像配准结果的可靠性，进而影响目标的定位精度。针对以上问题，提出了一种全局图像配准的目标快速定位方法，该方法采用图像斑点特征和角点特征相结合的配准方法，通过度量两种特征配准结果的相似性来保证目标定位精度。最后利用航空遥感图像数据进行了图像配准性能和目标定位精度实验。实验表明：该方法定位精度高，速度快，能够稳定并快速地完成航空遥感图像的目标定位。

为了快速准确地完成遥感图像目标的定位, 提出了一种可靠的目标定位算法：在基准图像确定和遥感图像预处理之后, 对图像进行小波分解, 在低分辨率图像中利用 SIFT算法检测斑点特征和小波高频系数检测角点特征, 并采用 SIFT描述子描述特征；特征匹配时加入方向约束, 分别匹配两种类型的点特征；对于特征匹配后得到的两个图像变换模型进行相似性判断, 以此保证配准结果的可靠性, 若是结果可靠则解算出遥感图像目标在基准图像中的位置。实验结果表明, 本文的目标定位算法拥有良好的实时性、可靠性和可行性。