鸟击作为影响机场安全的主要事故征候，需要准确、稳定的弱小运动目标检测方法用于机场飞鸟检测。应用光场涨落增强低信噪比的飞鸟运动特征信号，再结合局部高斯混合模型对图像增强区域进行前景分割处理，实现宽视场复杂背景下的机场飞鸟目标检测，并完成不同光照条件的机场飞鸟检测实验。实验结果表明：所提算法较传统算法能有效提高机场条件下的远距离、宽视场、低信噪比弱小目标检测率，且具有较好的光学稳定性。

针对可见光定位的信源在空间传输中抗干扰能力差、易失真,且接收信号的信噪比(SNR)会随传输距离的增加而显著降低等问题,设计了一款线性调频(LFM)信号同步检测的时域匹配滤波器。该匹配滤波器的特点是结合了过采样与互相关正交算法,将它应用在LFM信号的可见光定位中,可以有效地提高信号传输的距离。基于现场可编程门阵列器件完成了LFM时域匹配滤波器的逻辑设计与集成。在长距离可见光通信的同步检测实验中,在6 m通信距离内,该匹配滤波器同步检测的正确率超过99%,这为将来采用LFM信号进行可见光定位的应用奠定了基础。

微型光谱仪在检测高浓度比背景下多种痕量重金属离子浓度时, 光谱吸收信号易受外部环境和内部电路的随机噪声干扰, 多种痕量重金属离子的光谱吸收信号微弱易被噪声所淹没, 严重影响了光谱定量分析结果的准确性和重复性, 需要对光谱吸收信号进行去噪预处理。 然而, 大多数光谱去噪算法的一些关键细节参数的设置不仅需要通过反复的实验进行测试验证, 还取决于研究者的现有经验和待解决对象的特征。 针对这些关键参数对滤波效果影响大、 选择难的问题, 提出了一种基于sigmoid误差约束的改进型LMS自适应去噪算法。 首先对标准LMS算法原理进行了分析, 并结合微型光谱仪的数据干扰情况对标准LMS算法的滤波器结构进行优化改进, 利用sigmoid函数具有误差约束的特性, 对标准LMS算法的误差计算模块进行优化改进, 降低算法对噪声敏感性； 然后针对改进后的最小均方误差损失函数是一个非凸函数, 提出了一种类交叉熵损失函数, 将非凸问题转化为一个凸优化问题, 在利用梯度下降法逐步最小化损失函数时, 保证了局部最优解也是全局最优解, 同时结合Adam算法来自适应地调整学习率因子, 保证了算法具有较快的收敛速度； 最后为了验证改进后的自适应去噪算法具有较强的去噪性能, 通过交叉验证进行实验验证。 对四种金属离子混合溶液的实测光谱吸收信号, 添加不同信噪比的随机噪声后使用该改进的算法进行测试验证, 实验结果表明： 在处理信噪比低的吸收光谱信号过程中, 所提方法相对于标准LMS算法、 SG去噪算法、 小波软阈值算法、 小波硬阈值算法, 信噪比分别提高了9.225%, 19.678%, 7.591%和12.042%； 均方误差分别降低了59.647%, 63.070%, 53.600%和57.793%。 该方法不仅能够有效地抑制强噪声, 还原了光谱信号中的一些重要真实细节特征, 而且也避免了关键细节参数需要依靠主观判断选择的问题, 为分析低信噪比下的光谱信号提供了一种新的解决思路。

提出了一种新的解决红外图像小目标检测问题的深度卷积网络, 将对小目标的检测问题转化为对小目标位置分布的分类问题; 检测网络由全卷积网络和分类网络组成, 全卷积网络对红外小目标进行增强和初步筛选, 实现红外图像的背景抑制, 分类网络以原始图像和背景抑制后的图像为输入, 对目标点后续筛选, 网络中引入SEnet(Squeeze-and-Excitation Networks)对特征图进行选择; 实验验证了整个检测网络相对于传统小目标检测算法的优势, 所提出的基于深度卷积神经网络的小目标检测方法对复杂背景下低信噪比且存在运动模糊的小目标具有很好的检测效果.

特殊恒星是金属丰度异常的恒星, 其中包含的信息对于研究宇宙起源、 太阳系的演变以及生命的演化都有着重要的意义。 因此, 特殊恒星的搜寻是国内外巡天项目中的重要目标。 恒星光谱中包含着恒星的化学成分、 物理性质以及运动状态等丰富的信息, 它是开展恒星研究的重要依据。 恒星的识别、 分类以及特殊恒星的发现主要依据的是恒星光谱数据。 随着LAMOST和SDSS等国内外大规模数字巡天项目的深入展开, 恒星光谱的数据量达到了前所未有的高度, 如此大的数据量为特殊恒星的发现提供了强有力的支撑。 因此如何利用这些数据快速准确地发现特殊、 稀少甚至于未知类型的恒星光谱是天文学研究的重要问题。 数据挖掘是结合模式识别、 机器学习、 统计分析及相关专家背景知识, 从数据中提取出隐含的过去未知的有价值的潜在信息的技术, 其在处理大数据方面有着天然的优势, 越来越多的数据挖掘方法被应用到巡天数据处理及分析之中。 目前针对特殊恒星搜寻的数据挖掘算法主要包含随机森林、 聚类分析以及异常值检测等, 但随着巡天深度的拓展, 观测的目标越来越暗, 进而观测光谱的信噪比也随之变低。 低信噪比光谱中存在着大量的无用信息, 直接利用相关算法对其进行分析处理得到的结果往往存在很大的偏差。 因此, 如何从大量低信噪比恒星光谱巡天数据中有效地搜寻出特殊的恒星光谱, 是当前面临的一个重要问题。 由于低信噪比恒星光谱本身的特点, 对于从中搜寻特殊恒星光谱的工作开展较少。 为了解决此问题, 在仔细研究光谱数据处理方法的基础上, 针对低信噪比巡天数据中特殊恒星光谱的搜寻, 提出了一种以主成分分析(PCA) 和基于密度峰值聚类为基础的方法。 该方法首先选取O, B, A, F, G, K和M各种类型的高信噪比恒星光谱, 进行波长统一和流量插值后, 利用主成分分析得到特征光谱; 然后利用方差贡献率最大的前几个特征光谱对低信噪比的恒星光谱进行重构得到高信噪比的光谱; 最后利用重构之后的高信噪比光谱进行聚类, 聚类分析中得到的离群数据即为所要搜寻的特殊恒星光谱。 在聚类时, 考虑到恒星光谱数据本身的特点, 采用了一种基于密度峰值的聚类方法来进行聚类及离群点的挖掘。 实验表明, 该方法能够在低信噪比的恒星光谱巡天数据中准确地搜寻出数量相对较少的特殊恒星。 同时, 也可应用于诸如LAMOST、 SDSS等各种银河系巡天的光谱数据分析与挖掘中。

目前我国LAMOST光谱巡天已发布超过760万条的天体光谱, 对其中大量的低信噪比光谱的处理一直是业内公认的难题。 针对天体光谱中重复观测的光谱, 提出了一种新的处理方法。 该方法的主要内容为: 对每一组重复观测光谱, 选择其红移值的差距在一定范围内的组别, 然后使用一种基于信噪比加权的最优叠加方法来提高光谱的信噪比。 通过对LAMOST DR4中所有重复观测光谱进行处理, 证明该方法对于提高低信噪比重复观测光谱的信噪比十分有效。 使7 571组恒星光谱的信噪比达到参数测量的标准, 3 357组类星体和星系光谱的信噪比得到提高, 平均提高率为56.38%; 并且获得了43 021个双星候选体。