针对数字射频存储器(DRFM)等转发式极化调制假目标干扰的鉴别问题, 提出一种极化调制假目标鉴别方法。首先, 提出极化圆阵的时-空联合域编码的极化测量模型, 并证明了该模型经脉冲压缩后能够准确获得回波的极化信息; 其次, 根据极化雷达的张量积接收模型原理, 得到了目标和极化调制假目标回波在四维复空间的分布差异; 最后, 基于该差异, 结合最大最小距离算法和密度法思想, 对K-means算法进行了改进, 设计了以最佳聚类数K值大小为极化鉴别量的分类器。仿真实验以64个发射脉冲为例, 验证了所提鉴别方法在不同信噪比(SNR)和干噪比(JNR)下均有良好的鉴别效果, 可有效鉴别目标和极化调制假目标。

将非负矩阵分解(NMF)算法应用到空间目标图像识别中,对两种传统NMF算法的迭代规则进行了改进,得到了稀疏NMF算法,并分别在二维(2D)和(2D) ²维度应用了这3种算法。在实验室模拟了空间光学环境,获得了多组空间目标缩比模型图像,图像预处理后建立了训练样本库和测试样本库,运用不同NMF算法对训练样本进行了特征基提取,采用最小距离分类器进行了测试样本的分类,各种NMF算法识别率均在78%以上,最高可达90%。实验结果验证了所提算法的有效性,与其他已有的目标图像识别方法相比,具有准确率较高、速度快、资源开销少的优点。

为了提高选择顺应性装配机器手臂(SCARA)机器人平面定位的精度, 采用网格模型结合最小距离误差逼近的方法, 首先构建SCARA机器人平面定位的简化模型, 概述网格模型构建原理, 然后通过视觉采集机器人末端第1次到达的实际点与期望点相对位置关系, 构建可变参量的起始网格模型, 再采用最小距离误差逼近, 求解下一步构建可变参量网格模型起始点, 最后由期望点在网格模型中位置分布情况决定模型粒度点的收敛更新方向。结果表明, 视觉引导的定位补偿策略弥补了因模型不精准而造成的平面定位精度不高的现象; 空间插值补偿法定位精度为1mm~3mm, 平面定位补偿精度较之有较大提高。该方法调节的参量单一、机器末端移动次数明确、工业应用性强。

近年来，激光扫描技术有了重大的进展，可以方便地以较高精度和速度获取零件模型表面信息.对于产生的大量扫描数据，需要对其进行精简处理.在分析自适应最小距离法和基于八叉树非均匀网格法这2种精简方法特点的基础上，提出了基于这2种方法的改进型数据精简方法.该算法能够对大量点云测量数据进行直接、有效的精简.并通过对比实验进行了验证.最后对该算法的优缺点做了小结.

为了实现微型零件轮廓的高精度测量,根据其成像特点,提出了一种基于离散点的轮廓度评价算法——被测轮廓与理论轮廓离散点间最小距离法。首先,提取出被测轮廓的边缘点信息,然后,依据理论轮廓计算出一系列间距极小的坐标点并建立坐标系,将被测轮廓点与理论轮廓点对应,最后将计算得出的每个被测轮廓点到最近理论轮廓点的距离作为该点的轮廓度误差。实验结果证明,测量精度优于2 pixel,此方法可有效地提高线轮廓度的评价精度和效率。

在大量实测的城市地物光谱数据的基础上,对3种有代表性的光谱匹配模型,即最小距离、光谱角度匹配(SAM),光谱相似度匹配进行了深入计算和分析,在这3种模型中,以SAM表现程度较好,但都不是最理想,区分程度不是很高.为增强区别程度,本文引入了导数对光谱匹配模型进行了重新计算,分析结果表明,一阶导数能明显增加3种光谱匹配模型的区分度,尤其是最小距离法增加非常明显.

利用地物在空间上分布连续性这一信息,提出了一种高光谱图像先分块、再分类的分类方法,改进了通常意义下的分类只考虑光谱信息这一缺陷,通过对2000年我们在日本长野南牧村,采用上海技术物理研究所研制的推扫式成像光谱仪(PHI)获得了80个波段的高光谱数据进行实验,验证了我们算法的优越性.