【摘 要】
：
临近空间高超声速飞行器具有速度快、高度低、机动能力强的优点，以陆/海基雷达、高轨红外卫星为主建立的预警探测体系难以对其实施全程有效探测。为此，本文针对高超声速飞行器的技术特点，开展低轨红外卫星探测能力和全球覆盖性研究，基于类HTV-2升力体气动外形，仿真计算典型工况参数下飞行器的表面温度分布，构建低轨红外卫星探测模型，结合红外探测器典型性能参数，给出不同轨道高度下探测器信噪比与观测视角和红外波段的
论文部分内容阅读
临近空间高超声速飞行器具有速度快、高度低、机动能力强的优点，以陆/海基雷达、高轨红外卫星为主建立的预警探测体系难以对其实施全程有效探测。为此，本文针对高超声速飞行器的技术特点，开展低轨红外卫星探测能力和全球覆盖性研究，基于类HTV-2升力体气动外形，仿真计算典型工况参数下飞行器的表面温度分布，构建低轨红外卫星探测模型，结合红外探测器典型性能参数，给出不同轨道高度下探测器信噪比与观测视角和红外波段的关系，得到红外卫星在550 km和1600 km轨道高度下的有效探测半锥角，并且进一步提出具有全球探测能
其他文献
为了解决现有安全帽佩戴数据集样本数量有限导致模型检测精度较低的问题，提出一种基于场景增强的样本扩充算法。该算法将训练集中随机抽取的图像中的检测目标随机缩放后，粘贴到另一随机场景图像上的任意位置，基于现有场景构建出拥有新的检测目标的增强场景，通过场景增强扩充安全帽佩戴训练数据集，增加训练数据集的多样性。为了验证该算法在安全帽佩戴检测中的有效性，使用场景增强算法扩充HelmetWear数据集，并用其训
从三维网格模型中提取轮廓信息是一个具有挑战性的过程。现有的方法一般是基于局部形状特征分析，如曲面的曲率和相邻面法向之间的夹角，但是这些特性通常对模型中的局部特征变化敏感。为了解决这个问题，提出一种基于三维形状几何近似的轮廓提取方法。该方法利用一个完善的变分几何分割算法来得到一套完整的描述性特征曲线。首先基于变分几何近似方法划分模型为若干分片；其次提取所有分片的内部特征曲线，并过滤较短的特征曲线；然
步态识别作为一种非接触式远距离的生物特征识别技术，其任务是根据远距离行人的行走模式来实现身份识别。针对卷积神经网络(CNN)对穿着影响因素较大的红外人体步态进行分类时存在不稳定性的问题，本文提出利用长短期记忆网络，根据人体身高比例遮挡穿着部分后的图像，让网络集中注意力提取腿部的变化特征以及每个红外人体步态周期的时间维度特征，从而构建了一种新的步态识别模型。该模型在中科院提供的CASIA C红外步态
LOD(level of detail)技术已被广泛应用于三维场景优化和提升渲染速度。针对场景切换时产生的LOD纹理突变和走样问题， 提出一种基于着色器的LOD纹理混合与反走样平滑过渡算法。该算法根据三维模型和视点的距离大小， 运用基于Alpha测试的不透明蒙版算法和加权邻帧反走样算法在LOD间生成过渡材质， 实现三维模型LOD切换的平滑过渡， 不仅能够改善纹理质量， 而且能够保证三维场景加载的流
秸秆深还是近十年出现的一种新的玉米秸秆还田方式，以往对秸秆深还后持续不同年限的土壤培肥效果进行相关研究，而关于连年与隔年两种秸秆深还方式对比的研究较少。所以本试验在还田年限（3年）和总还田量相同的情况下，来对比连续3年分3次与间隔3年集中一次两种秸秆深还方式对土壤物理性状、有机质、速效养分的影响效果。为此，本文设计4种处理方法：CK(未施用玉米秸秆）、CS-3A(连续3年1倍量秸秆深还）、2CS-
对抗样本是当前深度学习神经网络研究的热点问题．目前，对抗样本技术的研究主要分为2方面：生成攻击、检测防御．在总结对抗样本生成攻击技术的基础上，面向图像数据的对抗样本检测与防御技术综述首次从对抗样本的检测与防御的角度对面向图像数据的对抗样本防御技术进行了总结．综述从特征学习、分布统计、输入解离、对抗训练、知识迁移及降噪6个方面将检测与防御技术进行归类，介绍检测与防御技术的演进，分析其特点、性能，对比
针对现有交通场景中目标检测方法精确度较低、对设备性能要求高的问题，提出一种基于改进YOLOv3网络的目标检测方法。针对完全交并比函数在特殊情况下对预测框与真实框重合程度衡量不准确的问题，对其进行改进，提出一种新的交并比函数PIOU(Position Intersection over Union)，提升检测精度；通过增加检测尺度，实现特征图细化和增强深、浅层语义信息融合，达到增强小目标检测能力的目
针对食品饮料等复杂包装上喷码质量检测准确率不高与速度慢等问题，提出了一种基于Ghost-YOLO轻量化网络与嵌入式平台的喷码质量检测方法。网络以YOLOv5为基础，并采用了幻影模块(GM)对卷积层进行降维，模型参数减少25%。在多分类目标检测任务后处理中提出了位置重复抑制(PDS)方法，通过对所有类别同时采用非极大值抑制(NMS)，可进一步提高检测精度。最后，通过所提的改进自训练方法对模型进行训练
为了减少有效卷积算子（ECO）跟踪算法的特征提取网络参数量和计算量，采用了一种基于端侧神经网络（GhostNet）改进的ECO目标跟踪算法。首先，采用GhostNet网络作为主干特征提取网络提取图像浅层与深层的卷积特征，运用全局平均池化对卷积特征下采样增加特征对图像的表征能力；其次，将卷积特征与手工特征插值后，与当前滤波器在傅里叶域进行卷积计算实现目标定位；最后，采用共轭梯度算法优化响应误差与惩罚
线性回归作为简单有效的工具，在模式识别中已得到广泛使用。但是直接从高维数据到二元标签可能无法得到灵活的投影和适合分类问题的数据表示。针对这一问题，标签松弛技术被提出，虽然已经证明其有效性，但仍然存在会增大同类差异的问题。因此，本文提出类内低秩的子空间学习（Intra-class Low-rank Subspace Learning， ICLRSL），不同于原始线性回归和基于标签松弛的方法，在使用原