将二维变分模态分解(BVMD)应用于合成孔径雷达(SAR)图像特征提取及目标识别, 经过BVMD分解后, 产生原始SAR图像的若干分解成分, 可更有效地描述目标的全局和局部细节信息。首先, 决策过程利用支持向量机(SVM)对原始图像及分解成分进行独立分类; 然后, 基于线性加权融合对它们的结果进行处理, 根据最终的决策变量获得目标类别决策; 最后, 采用MSTAR数据集开展测试, 分别在标准操作条件、俯仰角差异和噪声干扰条件下进行实验, 并与现有几类方法进行比较, 结果验证了方法的有效性。

超精密加工工件表面存在影响其性能的各种空间频率误差,针对工件的不同性能研究,需要采用有效分解手段对含有特定频段空间频率误差的形貌进行提取。传统的空间频率误差分解方法存在严重的模态混叠现象,为了解决这一问题,提出自适应二维变分模态分解(BVMD)算法对三维表面形貌进行分解。首先,由于采集三维形貌数据时会造成截断误差,引入镜像延拓和自卷积Hanning窗方法对数据进行预处理。然后,利用粒子群退火优化算法,对BVMD算法中的惩罚系数和分解层数进行寻优处理。其中,以各模态分量之间的频谱KL散度作为混叠指标,引入最小风险贝叶斯决策理论,综合KL散度与重构误差,构建优化算法适应度函数。最后,对超精密加工实测表面形貌进行分析,并与离散小波分解、二维经验模态分解方法相比较。结果显示,所提方法分解的KL散度值在10 2量级,远高于其他两种方法,能更好抑制模态混叠,实现超精密加工表面空间频率误差的有效分解。