基于正弦函数拟合的高动态捷联惯导姿态更新算法

为提高捷联惯导在高动态条件下的姿态解算精度,基于等效旋转矢量泰勒级数展开法,提出一种基于正弦函数拟合的高动态捷联惯导姿态更新算法。以正弦函数拟合载体运动角速度,考虑Bortz方程高阶项的影响,对陀螺角增量表示的旋转矢量进行泰勒六阶展开,对比旋转矢量不同形式表达式求得误差补偿系数。在MATLAB平台上,以圆锥运动与大角速率转动并存环境作为仿真条件,对所提算法与传统算法进行对比仿真分析。仿真结果表明,在小半锥角低频圆锥运动伴随高速角速率转动情况下,所提算法性能较好,当半锥角为0.5°、角频率为2.26πrad/s、常值角速率为5.30 rad/s、姿态解算周期为0.02 s时,所提正弦函数拟合三子样旋转矢量算法与传统扩展形式频率级数/显示频率三子样圆锥算法相比误差降低了2个数量级。

基于双层联邦学习的高动态车联网业务边缘协作计算机制

联邦学习作为一种新兴的分布式机器学习架构,允许车联网中多个车辆终端进行本地模型训练,并在兼顾数据隐私保护的条件下实现模型的全局聚合,从而提供可靠的车联网服务.然而,在联邦学习训练过程中,车辆终端往往因其高移动性在不同区域间切换训练,导致全局模型精度低.此外,恶意终端频繁上传无效或错误模型数据将导致车联网服务可靠性差.因此,本文提出了一种基于双层联邦学习的高动态车联网业务边缘协作计算机制.首先,综合考虑车辆终端的移动性、计算能力和可靠性,构建了终端服务能力模型,并提出了基于深度强化学习的边缘协作计算域构建算法,通过将多个边缘节点覆盖下的车辆终端进行聚簇训练,降低了终端本地模型的切换概率,从而保证联邦学习模型训练的持续性.进而,构建了包含边缘协作计算域内聚合层和域间聚合层的双层联邦学习框架,分别采用基于自适应聚合因子的本地模型半异步聚合机制和基于数据量的区域模型异步聚合机制,提升了联邦学习系统的聚合效率.特别地,考虑终端高速移动引起的跨域问题,引入了本地模型部分条件更新机制,避免了高质量模型被低质量模型覆盖的情况,进一步提高了全局模型准确率和系统资源利用率.仿真结果表明,本文所提机制在模型精度和服务可靠性等方面均优于本地计算、同步联邦学习和异步联邦学习算法.

高动态卫星导航信号多普勒频率模拟方法

针对卫星导航信号模拟源在高动态场景下对多普勒频率模拟难度较大的现状,提出了一种基于相位重置的三阶DDS导航信号模拟算法。该方法从卫星与接收机之间的相对运动物理模型着手,建立了一种基于数字电路的三阶DDS模型,可有效地模拟出高动态场景下导航信号中含高阶项的多普勒频率。此外,通过对三阶DDS模型中关键参数进行相位重置以避免累计误差。在计算机中进行仿真,其结果表明在速度为10000 m/s,加速度为1000m/s^(2),急动度为1000 m/s^(3)的高动态场景下,该算法相较于传统算法多普勒频率模拟精度提升了31 dB,且不会因急动度增加导致精度恶化,多普勒频率模拟精度可达-36 dB或更高。说明该方法在高动态场景下可精确地模拟导航信号的多普勒频率,且具有一定的鲁棒性。

高动态跳频信号时钟同步设计与实现

由于跳频信号各跳之间的符号速率和符号数量不一致,特别是低速跳只含少量符号,导致时钟误差提取困难。针对高动态下的跳频信号时钟同步难题,提出基于频偏估计的钟偏反馈调整方法。该方法通过同步序列进行频率估计和钟偏估计,并结合反馈方法调整钟偏和时钟跟踪,实现了高精度时钟同步。仿真结果表明:该方法适应飞行速度7.9 km/s、加速度0.2 km/s2的超高动态,定时同步性能优越,定时精度满足高速跳频信号解调要求,且解调损失小于0.1 dB。

卷积神经网络在高动态成像技术中的探讨

大数据时代,机器学习领域的研究和探索愈发广阔,基于对海量数据进行表征学习的深度学习更是发展迅猛,它利用大模型模拟人脑建立连接进行分析,学习神经网络以模仿人脑的机制,获取各种信息,分析图像获得更准确、逼真的高动态视觉信息备受关注。所以在如今如火如荼的计算机视觉领域里,赋予机器以人类视觉功能对人工智能发展极其重要,采用深度学习的卷积神经网络模型去研究高动态成像技术具有较强的实际意义。

高动态范围条纹结构光在机检测技术及应用进展

条纹结构光技术是近年来发展迅速的非接触式测量方法,为机械加工在机检测提供了新的解决方案。由于加工环境光线复杂且金属零件本身具有高反光的特性,造成结构光在机检测的精度降低。将高动态范围(High Dynamic Range,HDR)技术应用于结构光检测中,可抑制高反光的影响,实现金属零件在复杂场景的测量。本文首先介绍了结构光测量原理,总结出HDR结构光在机检测面临的难点;其次,对HDR结构光技术进行了全面综述,以机械加工在机检测为背景,对基于硬件设备的HDR技术和基于条纹算法的HDR技术分别进行了归纳分析;然后,根据在机检测的条件需求,对各类技术进行总结,并比较不同方法的优缺点和在机检测的适用性;最后,结合近年来先进制造技术和精密测量的研究热点,对潜在应用进行分析,提出技术展望。

基于自适应多曝光融合的高动态范围表面测量方法

为解决结构光测量高动态范围表面物体时出现局部过度曝光或曝光不足的问题,提出一种改进的多曝光融合方法,利用自适应曝光代替手动曝光,并对图像融合过程进行优化。首先,将初始曝光时间下拍摄的图像利用直方图进行分析,将被测物体表面反射率不同的区域分为若干组,分别计算出每个组别的最佳曝光时间;在此基础上,拍摄不同组别对应最佳曝光时间下投射白光和条纹的图像,并去除图像中超过设定阈值的高灰度值区域,再将投射白光处理后的图像制作成掩模图,与相同曝光时间下投射条纹处理后的图像相乘,进而对多组相乘后的图像进行亮度压缩与融合;最后,通过CLAHE算法提高融合后所生成条纹图的对比度与清晰度,并对条纹解相后进行点云重建和尺寸测量。实验结果表明:文中方法中自适应曝光相较于手动曝光具有高效性和准确性,U型卡、连接块、圆盘三个高动态范围表面物体的点云重建率分别高达99.98%、99.74%、99.76%,测量出的标准块阶梯高度差绝对误差为0.062 mm,相对误差仅为0.69%,该方法有效解决了高动态范围表面物体测量时点云缺失的问题,提高了三维轮廓的测量精度。

星载高动态范围差分吸收成像光谱仪成像电路设计及实现

星载差分吸收成像光谱仪通常运行于太阳同步轨道,探测地表反射光的光谱并根据特征气体的谱线吸收强度测量区域内某些痕量气体浓度。第一代星载差分吸收光谱仪受限于探测器性能等原因,探测的动态范围不大,造成暗背景下数据信噪比低,亮背景下像元饱和。随着更大阱深,更高速度的探测器出现,第二代高动态范围的差分吸收成像光谱仪得以实现。本文介绍了高动态范围的差分吸收光谱仪成像电路的研制过程,包括器件选型,电路方案及电路测试,并对测试结果进行了分析。重点讨论了高动态范围的实现,给出了单点测量值的概念,提出了最大单点测量值的计算公式,解释了最大单点测量值与动态范围的关系,并评估了探测器件的单点探测能力,同时规划了未来进一步提高动态范围的方法,从而为同类设备的研制提供参考。

高动态范围图像光照学习算法

为解决三维场景光照估计易受天气条件和拍摄视角等多方面因素影响的问题,提出一种基于深度学习的球谐系数估计方法,包括特征提取模块和光照估计模块。使用输入的图像对及预先计算好的光照参数训练网络,特征提取模块提取输入图像的特征,迭代改变球谐系数损失和渲染损失来优化网络,通过光照估计模块预测表达场景光照的球谐系数。实验通过与其它6种主流方法以及3种网络模型进行比较,所用评价指标均有显著性降低,实验结果表明,提出方法可有效恢复光照效果,定量定性地验证了恢复的光照在视觉上是真实的。

投篮机器人高动态目标篮球抗干扰跟踪方法

针对投篮机器人对目标球识别跟踪过程中,受到目标球运动图像质量较低,且球可能会被场地、人员等遮挡的影响,造成跟踪效果较差的问题。提出一种新的投篮机器人高动态目标球抗干扰跟踪方法。在明确投篮机器人系统结构,确定其现有检测问题的基础上,使用Gabor滤波器对感知子系统获取的视频帧图像进行消噪处理,突出目标特征和轮廓表征;利用背景差分算法提取得到目标边缘轮廓,使用注意力模型完成可跟踪和不可跟踪的投篮机器人目标球跟踪。在对比实验测试中,所提方法能够精准识别发球空间点以及准确追踪目标球,并且平均绝对误差较小,具有较好的抗干扰能力,能够准确地跟踪高动态目标球。

改进小波阈值降噪方法在振动-高动态离心复合试验控制系统中的应用

目的 针对振动-高动态离心复合试验控制系统中控制信号受噪声干扰导致控制效果不佳的情况,进行降噪处理,以提升试验控制能力。方法 利用改进的小波阈值降噪方法,对振动-高动态离心复合试验控制系统中控制信号进行降噪处理,通过分析信号特性,结合小波阈值降噪方法原理,提出阈值准则随分解尺度自适应动态变化的改进方法。结果 通过本文改进方法和其他小波阈值降噪方法的对比分析表明,本文所提方法对于振动-高动态离心系统所存在的中高频噪声干扰起到了明显抑制作用,可有效保留控制信号特征,获得了更佳的综合降噪效果,信噪比提升近10 dB,满足试验控制所需的降噪要求。结论 采用自适应动态变化的阈值准则的小波阈值降噪方法对振动-高动态离心复合试验系统的控制信号进行降噪处理有效且可靠,可对后续相关试验技术研究方向提供一种可行思路。

高动态复杂场景下航空自组网路由协议研究

随着航空运输规模的迅速增长,以民航飞机为主的航空自组网通信已经具备通信组网覆盖的基础。能否找到一种有效手段将高动态不确定复杂场景下航空器节点重要数据传输并安全备份,是提高空天地一体化系统可靠性和管理能力的重要措施。然而,航空自组网所具备的网络拓扑结构高动态变化、网络跨度大和网络链路不稳定等特点,给航空自组网网络协议设计,尤其是路由协议设计带来了严峻考验。为了便于未来在航空自组网路由协议设计方面开展深入研究,对航空自组网路由协议设计相关要求进行了全面的分析并对现有的路由协议进行了全面的调研。首先根据航空自组网的特点分析了航空自组网路由协议设计所需要考虑的因素、面临的挑战以及设计原则;然后,根据现有路由协议设计特点,对国内外已有航空自组网路由协议进行了分类综述与分析;最后,探讨了未来航空自组网路由协议设计的研究重点,为推动我国下一代空天地一体化网络研究提供了参考。

MEMS传感器及其在引信高动态环境中的应用

当前在引信环境力敏感中,常使用高动态环境下过载作为一级动作要素,通常以惯性模块在过载加速度下的运动行程来作为一级动作使用,惯性模块受限于机械运动,在电气系统中不易集成、可测试性较差。针对以上问题提出并设计了一种基于微机电系统(Micro-Electro-Mechanical System,MEMS)传感器技术,实现引信高动态环境下的动作,介绍了MEMS过载识别系统原理、组成及功能、软件工作流程及地面试验验证情况。试验结果表明,该环境力识别方式适用范围广,可以显著提升引信系统设计灵活性,易于系统集成。

面向高动态范围成像的内容恢复和鬼影抑制网络

基于多曝光融合的高动态范围(High Dynamic Range,HDR)成像旨在整合多幅低动态范围图像(Low Dynamic Range,LDR)的信息,以生成高质量的HDR图像.然而,抑制运动区域的鬼影信息和恢复过饱和区域的缺失信息仍是HDR成像面临的两大挑战.为了综合考虑对参考图像缺失内容的恢复和运动区域鬼影的抑制,文中提出面向HDR成像的内容恢复和鬼影抑制网络.在内容恢复方面,引入基于预测滤波的内容恢复块.由内容恢复块预测到的滤波核对参考图像特征进行滤波,整合参考图像和非参考图像中的关键信息,为有效进行缺失内容的重建提供更丰富的信息.为了抑制运动区域的鬼影信息并充分利用非参考图像中的互补信息,引入可变形卷积,将非参考图像特征与参考图像特征对齐.此外,为了提升网络的HDR图像重建能力,构建三支路图像重建模块,包括一条主支路和两条辅助支路,辅助支路协助主支路在HDR结果的生成过程中更好地保留细节.实验表明,文中网络在主观视觉和客观指标上均具有较优表现.

基于一致性感知特征融合的高动态范围成像方法

高动态范围成像(High Dynamic Range Imaging,HDRI)技术是指通过融合多张低动态范围(Low Dynamic Range,LDR)图像拓展图像动态范围、完整图像内容的方法,其为解决由于相机传感器动态范围有限而导致所拍摄图像内容丢失的问题提供了实际的解决方案.通过数十年的研究,众多有效的HDRI方法已被提出,并在无物体运动、内容曝光良好的静态场景中取得接近最优的性能.然而,现实场景中物体移动和相机偏移无法避免,直接使用传统HDRI方法会在融合后的HDR图像中产生严重的重影和伪影.这使得仅包含简单融合过程的HDRI方法并不适用于实际应用,现实场景中的HDRI任务仍然具有一定挑战.因此,针对动态场景下的HDRI研究迅速发展.近期的方法集中在借助深度卷积神经网络(Convolutional Neural Network,CNN)的力量以期实现更好的性能.在这些基于CNN的方法中,特征融合对于恢复图像完整内容、消除图像伪影方面起着至关重要的作用.传统的特征融合方法通过借助跳跃连接或注意力模块,首先将LDR图像的特征进行拼接,并通过堆叠的卷积操作逐渐关注不同的局部特征.然而,此类方案通常忽略了LDR图像序列之间丰富的上下文依赖关系,且未充分利用特征之间的纹理一致性.为解决这一问题,本文提出了一种全新的一致性感知特征融合(Coherence-Aware Feature Aggregation,CAFA)方案,该方案在卷积过程中对输入特征中位于不同空间位置但具有相同上下文信息的特征信息进行采样,从而显式地将上下文一致性纳入特征融合中.基于CAFA,本文进一步提出了一种结合CAFA的动态场景下一致性感知高动态范围成像网络CAHDRNet.为更好地嵌合CAFA方案,本文通过设计三个额外的可学习模块来构建CAHDRNet.首先,使用基于在ImageNet上预训练的VGG-19构建可学习特征提取器,并在模型训练期间不断更新该特征提取器的参数.这种设计可实现LDR图像的联合特征学习,为CAFA中的上下文一致性评估奠定了坚实基础.接着,应用所提出的CAFA模块,通过在图像特征中采样具有相同上下文的信息进行特征融合.最后,本文提出使用一种多尺度残差补全模块来处理融合后的特征,利用不同扩张率进行特征学习,以实现更强大的特征表示并在图像缺失区域中进行可信细节填充.同时,设计一个软注意力模块来学习不同图像区域的重要性,以便在跳跃连接期间获得与参考图像互补的所需特征.多种实验验证了CAHDRNet的有效性并证实其优于现有最先进的方法.具体而言,本文所提出的CAHDRNet在Kalantari数据集上HDR-VDP-2和PSNR-L等指标相较于次好方法AHDRNet分别提升了1.61和0.68.

自适应平台直方图高动态范围红外图像显示方法

针对不同场景高动态范围红外图像的自适应显示方法问题,提出了一种基于图像分割的自适应平台直方图显示方法,首先进行图像分割,再根据分割结果讨论平台阈值的选取,并分析了平台阈值的选取依据。试验结果表明本文方法对不同场景均获得了良好显示效果,具备实用性。

基于事件信息与深度学习的高动态范围三维重建

采用光学三维成像技术测量金属零件、黑色物体以及半透明物体等高动态范围(High dynamic range,HDR)表面的三维轮廓是一个极具挑战性的问题。目前,传统方法对存在较低反射以及半透明区域的场景进行重建还有一定的局限性,半透明物体的内部反射噪声很难消除。现有基于深度学习的方法通常使用相对较强的激光强度,这可能会损坏样品,同时会出现采集图像过曝现象,需要对激光强度进行繁琐的调整。针对这些问题,本文提出基于事件信息和深度学习算法的高动态场景三维测量方法。事件相机通过异步记录单个像素的亮度变化,无需等待全局曝光时间,具有高动态响应范围,能够充分采集到HDR场景的激光条纹反射信息。引入深度卷积神经网络(Deep convolutional neural network,DCNN)来消除半透明物体的内部噪声以及金属物体高反光的过曝影响,同时增强弱激光条纹图像质量。实验结果表明,本文方法能够应用低功率线激光扫描成功实现HDR场景的高质量三维重建。

一种基于多重同步压缩的高动态信号捕获技术

为了解决高速飞行器通信时的高动态信号捕获问题,根据多普勒变化特点,将信号建模为非线性调频信号,采用时频分析的方式提取瞬时频率,设计了一种基于多重同步压缩(Multisynchro Squeezing Transform,MSST)的时频分析方法,有效提高了时频能量聚集能力和鲁棒性。为了避免时频图起始点选择错误引起的频率估计误差过大的问题,提出了一种分段能量泛函最小化法,将时频面分成多个部分,向前向后分别提取脊线,提高了低信噪比下频率估计的准确性。仿真结果表明,对6 Ma、40g、100 g/s的高动态信号,相比传统时频分析方法频率估计精度提高50%以上,所提方法捕获概率可达到95%以上,对低信噪比高动态信号有较强的适应能力。

基于导频辅助的高动态信号捕获技术研究

针对卫星-高动态终端相对移动过程中速度和加速度高,造成多普勒频移跨度大、变化率高的问题,提出了一种导频辅助的高动态突发信号捕获技术;对卫星-终端通信链路的信道特性进行了研究,该技术采取基于FFT算法、频偏预补偿的对抗措施,构建了链路发送端和接收端的多普勒频移补偿信道模型;并设计了多帧头同步、导频辅助的新型架构,有效降低了低信噪比下帧传输的错误率;仿真结果表明:该算法达到1×10-5误码率指标时接收灵敏度提高了3 dB左右,满足高动态终端接入卫星移动通信系统的需求。

IMFs和改进GAN的两幅大曝光率比图像高动态融合

针对两幅大曝光率比图像高动态融合时颜色和明暗对比度失真的问题,提出一种IMFs和改进GAN的高动态融合算法。利用强度映射函数(IMFs)插值一张中间虚拟曝光图像;引入曝光感知补偿模块EACB提取可靠区域特征,设计改进GAN建模图像残差,定义渐进学习策略保证GAN稳定收敛,实现中间虚拟曝光图像增强;基于3张图像实现多尺度曝光融合。实验结果表明,针对曝光间隔4EV的高低曝光图像集,算法能有效抑制颜色和明暗度对比失真,保留纹理细节,客观指标MEF-SSIM优于经典MEF算法。