在航天产品的研发制造过程中,多余物控制至关重要,尤其是多余物状态识别的环节,其核心在于如何有效提取高噪声图像中的局部特征。现有方法尚未针对多余物场景进行有效建模,通用的视觉模型往往会对噪声进行过度拟合,而无法有效滤除噪声信号。为此,提出了一种可学习滤波感知机。该感知机通过采用一种可学习滤波器来替代繁琐的自注意力机制,用以学习空间位置的交互作用信息。随后,引入了频谱掩模用于频域分量特征的抽取,以学习不同频段内的重点信息。实验结果表明,该方法在多余物识别中取得了96.7%的准确率,优于基于卷积和自注意力的模型,并且具有更低的计算复杂度。

红外探测系统以其隐蔽性好、穿透能力强等优点广泛应用于航空航天、**侦察等领域。但该系统的观测距离较远，且目标往往呈现弱小状态，所以针对单帧图像的红外弱小目标检测一直是红外探测领域的难点和研究热点。基于滤波、视觉显著性、图像数据结构和深度学习四个方面，对当前单帧红外弱小目标检测算法进行了详细综述，最后对红外弱小目标检测技术进行了总结与展望。

为了解决目前机载激光雷达点云滤波算法中特征单一、运算效率低、植被覆盖区效果较差等问题, 提出一种植被茂密地区的点云自适应双重滤波方法。首先利用回波分离方法, 分别提取点云的单次回波和末次回波进行粗滤波处理; 然后利用偏度平衡理论进行单次回波的强度阈值确定, 同时利用最大类间方差法对首次回波和末次回波的高程差进行高差运算, 实现末次回波高差阈值自动化, 并融合粗滤波后单次回波和末次回波的点云数据; 最后, 利用不规则三角网渐进加密滤波算法对融合后的点云数据进行精滤波处理, 并通过了实验验证。结果表明, 3组数据集的Ⅱ类误差都相对较低, 分别为1.06%,1.64%,1.34%。结合回波信息和高差信息的双重滤波方法不仅能较好地剔除植被, 而且能较好地保留地形细节。

自由空间激光通信以其传输速率高、保密性能好、体积质量小等特性, 在无线通信领域具有广泛的应用前景, 特别是卫星领域, 可有效解决微波通信通信速率低、体积大等问题。为实现远距离、高速率的星间激光通信系统, 有必要引入一种数字激光通信接收机, 灵活地抑制干扰和噪声, 提高通信灵敏度。根据数字通信误差概率的原理, 设计了基于现场可编程门阵列(FPGA)的数字接收机。采用有限脉冲响应、动态阈值、基带中值等滤波算法, 优化信噪比, 提高检测灵敏度。同时, 设计了1 550 nm激光通信接收机灵敏度测试实验结构, 并进行了检测灵敏度实验。实验结果表明, 雪崩光电二极管(APD)接收机在Mbps数量级的通信速率下, 实现了接近理论设计值的探测灵敏度-52.57 dBm。通过数字滤波算法信噪比提高了约10 dB, 为卫星激光通信的接收机设计提供了理论指导。

为了提高基于无人机机载激光雷达点云电力线提取与重建的精度和效率, 采用了一种综合电力线点云分步提取、分段k均值聚类采样及结合直线和抛物线拟合的电力线点云提取与重建方法。在对电力线走廊点云进行预处理和改进滤波的基础上, 先对其进行分段并根据电力线点云在高程方向的分布特征进行粗提取, 再将粗提取得的电力线点投影到水平面上用Hough变换对其进行精提取, 然后通过对精提取的电力线点进行分段k均值聚类采样,从而完成电力线的单根分离, 最后使用直线和抛物线结合的模型对电力线进行拟合重建。选取实测数据进行试验, 通过电力线提取的完整率以及重建的精度和效率对本文中算法进行了评价。结果表明, 利用该算法提取电力线点的综合完整率达到96%以上。这一结果对高效地提取和重建单档单根电力线具有一定帮助。

针对轨道车辆外轮廓超限实时检测系统中图像噪声对超限实时检测可靠性、精度和检测速度的影响，对现场图像噪声进行了深入分析，优化了系统硬件设施与软件框架，对图像噪声处理软件算法进行了优化与改进。现场实测效果表明，系统检测稳定性、可靠性、精度与速度均得到很大的提高，满足了生产现场实时检测的需要。

推荐信息泛滥严重影响了移动智能终端的用户体验, 而有限计算环境制约了移动推荐信息过滤模型与算法的研究。针对上述问题, 结合用户画像技术与信息过滤方法, 提出了一种基于有限计算环境的移动推荐信息过滤算法。该算法通过用户轨迹信息构建用户画像, 根据用户画像与需求特征, 对外界推荐的各类信息进行过滤, 并最终进行二次推荐。仿真实验证明: 该算法过滤精确度高, 个性化服务能力较强, 其无需额外占用过多的系统计算与存储资源, 性价比较高, 因而适用于移动智能终端的有限计算环境, 具有一定的实用性。

针对传统的非线性滤波算法EKF在高机动、低数据率下跟踪精度下降较快和UKF在低数据率下线性化误差小但实时性差的缺点, 提出了一种基于数据率控制的交互式多模型滤波算法。该算法根据不同作战模式下目标的探测率和系统非线性大小, 自适应地分配EKF和UKF两种非线性滤波算法的加权比例, 有效克服了以往算法中仅选用单一滤波处理模型的缺陷。通过仿真验证, 所提算法有效解决了传统EKF算法在目标机动时数据率下降导致的系统跟踪精度和稳定性下降太快的问题, 相比UKF算法在机动段目标跟踪精度下降不多的情况下大大缩短了运行时间, 减少了雷达资源消耗。

城区激光雷达点云建筑物提取技术是近年来发展的热点,如何准确区分植被、建筑物以及人造物,提高分类精度一直是研究难点。为此,针对分类精度较低的问题,提出一种基于随机森林的点云分类算法。首先使用改进布料滤波算法对点云数据进行地面滤波;其次,构建决策树并进行基于最大互信息系数的相关性分析,选出相关系数最小、精度最高的决策树,得到弱相关随机森林模型;最后,对决策结果进行加权投票处理,得到一种综合布料滤波和加权弱相关随机森林的点云分类算法,并通过Vaihingen城区数据集对算法进行验证。实验表明,与传统随机森林分类算法相比,本文算法提高了4.2%的分类精度,也提高了算法效率。

为解决位置敏感器件(PSD)提取光斑位置信息的不准确性, 克服元器件、信号处理电路等带来的随机噪声干扰, 本文提出了一种基于极限学习机(ELM)的反馈堆叠模型(FsELM)。该模型使用ELM作为基本训练块, 以单层预测结果与目标真值的偏差作为依据对输入数据进行更新, 并进行循环训练, 形成反馈堆叠的结构, 从而实现PSD信号有效信息的深度提取。同时设计进行了基于一维PSD的激光三角位移检测实验验证算法的性能, 比较了传统滤波算法、经典学习算法、ELM及其变体和本文提出的FsELM方法对数据的处理效果。实验结果表明: FsELM预测精度明显优于其他处理方法, 预测结果均方误差可达1.4×10-5, 预测精度为0.78%; 除ELM等单次训练结构外, FsELM模型的运算速度比其他处理方法更快。该结果证明了FsELM在应对随机噪声干扰的优异性能, 以及不确定环境下突出的预测能力。