针对普通卷积神经网络在遥感图像分割中林地边界区域识别不完整、小片林地分割精度低的问题,提出一种基于transformer与注意力机制的DeeplabV3+网络改进方法。在编码阶段引入transformer机制,将原池化金字塔部分中的空洞卷积操作替换为可获取更多上下文信息的transformer操作,从而提高网络对林地边界信息的提取能力; 将注意力机制引入到网络的解码部分,提升模型对小片林地的检测能力。实验表明,采用改进后的方法平均交并比(MIou)可达到81.83%,对比原DeepLabV3+网络模型提升了1.25%。该方法充分考虑了卫星遥感图像分割中林地边缘信息的提取以及对小目标的关注度,提出的改进方法可提升遥感图像中对林地提取的精度。

为进一步提高动态目标室内可见光定位追踪系统性能, 提出了一种基于随机森林(RF)算法的室内可见光指纹定位方法。利用发光二极管(LED)的光强信号作为特征构建指纹数据库, 应用指纹库中的数据训练决策树, 引入RF算法进行初始定位, 再通过卡尔曼滤波对初始位置估计进行优化, 从而获得更准确的定位轨迹。仿真结果表明: 在5 m×5 m×3 m的室内场景下, 通过所提定位方法能获得大部分采样点误差分布在4 cm之内的定位效果; 此外, 通过与不同室内可见光定位算法的性能进行对比, 验证了所提算法的技术优势。

为进一步提高室内可见光定位系统性能，提出了一种基于卷积神经网络（CNN）的可见光指纹定位方法。该方法利用参考节点LED的光强信号作为特征，构建指纹数据库，将接收器坐标作为训练标签，引入一维CNN学习模型进行训练，建立基于光强信息的定位模型。CNN的应用，较好地解决了全连接前馈神经网络定位精度低、稳定性差的问题。在室内5 m×5 m×3 m的定位场景下，利用所提定位方法可以获得平均定位误差为4.44 cm的定位精度。通过仿真实验，对比分析了不同室内可见光定位方法的性能，验证了所提方法的技术优势。

为有效对抗高、超光谱成像侦察威胁, 实现迷彩绿色涂料与植物的“同谱同色”, 本文基于酞菁与叶绿素卟啉结构的相似性, 开展酞菁化合物合成及植物光谱特征拟合研究。构建吸电子取代基团和二价过渡族中心离子的平面酞菁结构, 采用DBU催化法和自制合成装置合成酞菁化合物, 探究最佳合成条件和提纯方法, 采用分光光度计测试产物的吸收光谱和反射光谱, 研究中心离子与聚集方式对酞菁化合物光谱性能的影响。实验结果表明, 在催化剂作用下, 四硝基金属酞菁在240~250 ℃时反应时间最短; 钴酞菁比铁、锌、铜等作为中心取代离子形成的酞菁产物具有更尖锐的吸收峰, 与绿色植物光谱曲线更相似; 酞菁化合物的光谱反射曲线随温度、纯度及分散状态对产物聚集状态影响而产生移动。在220～240 ℃下合成20～30 min的四-硝基钴酞菁吸收光谱符合酞菁化合物Q带吸收特征, 且其峰值波长与植物光谱相拟合, 为酞菁类颜料在**、纺织、染料、仿生等领域的应用提供了新方法和新途径。