论文部分内容阅读
近日,自治区环科院组织召开自治区公益性科研院所基本科研业务专项资金项目及院创新基金项目验收会.rn验收会由自治区环科院学术委员会委员和相关专家组成验收组,各项目负责人及部分青年科技人员参加会议.
自治区环科院对2020年度公益院所科研项目及院创新基金项目进行验收
【摘 要】
：
近日,自治区环科院组织召开自治区公益性科研院所基本科研业务专项资金项目及院创新基金项目验收会.rn验收会由自治区环科院学术委员会委员和相关专家组成验收组,各项目负责人及部分青年科技人员参加会议.
【出 处】
：
新疆环境保护
【发表日期】
：
2021年4期
其他文献
外辐射源多通道前视双基地SAR作为一种新体制观测系统,具有构型设计灵活、前视成像幅宽大、目标区域信噪比高、隐蔽性强、成本低、部署便捷等显著优势.为了拓展外辐射源多通道前视双基地SAR的应用实践,本文设计了一种新型小型化外辐射源多通道前视双基地SAR接收机系统,可部署于地面和小型无人机上,并完成了原理样机的整机集成和调试,在实验室环境下输入频率步进的单频点信号进行测试,并进行了实测场景成像实验,验证了系统设计的正确性和实用性.
地基差分干涉雷达相位图中,往往含有大量相位噪声,严重影响相位解缠和形变测量结果.有鉴于此,本文提出一种改进的自适应非局部均值(Non-Local Means)组合滤波算法.该算法首先利用相干系数构造出可自适应的平滑参数模型,有效改善了Non-Local Means算法在滤波参数选择上的固定性.其次,利用维纳滤波可对空变噪声进行有效滤除的优点,本文将自适应Non-Local Means算法与维纳滤波进行有效结合,更好的保持了相位连续性,改善了图像边缘模糊度.实测数据表明,相比于自适应中值滤波算法、Golds
地球同步轨道星机双基地合成孔径雷达(GEO SA-BSAR)系统是以GEO SAR发射,飞机装载多通道系统接收信号的双基地SAR系统,其可充分利用GEO平台提供的长时间稳定的波束覆盖特性,为运动目标的检测和监视提供了便利.但是,GEO SA-BSAR系统由于收发分离,不得不面临发射端和接收端的频率源差异导致的时间同步误差的问题,影响到动目标检测的性能.为了研究GEO SA-BSAR系统的时间同步误差对动目标检测性能的影响,本文对GEO SA-BSAR系统在时间同步误差影响下的多通道运动目标信号建模,并推导
圆周扫描地基合成孔径雷达(GBCSAR)具备大视场、高分辨率等优势,且具备三维分辨能力,在复杂场景形变监测领域具有重要意义.但在大场景下目标点数量庞大,常规的三维成像方法耗时很长,难以满足实时连续监测的需求.因此本文提出一种针对GBCSAR的地形表面成像方法.在场景形变监测时,地形表面形变往往可以反映场景形变趋势,针对这一特性,本文方法将借助地形表面实现成像.利用地形表面提取得到的有效点曲面代替场景的三维空间目标点,实现了降维成像,提高了成像效率.本文首先给出了GBCSAR的几何模型以及信号模型.然后论述
掌握昆虫迁飞规律对于农业防治和生态学研究具有重大意义,雷达正是检测昆虫迁飞最有效的手段.昆虫回波弱,传统的恒虚警检测(Constant False Alarm Rate,CFAR)算法在低信噪比(Signal To Noise Ratio,SNR)时的检测性能下降;同时昆虫目标体积小、飞行速度慢,在距离维和多普勒维的扩展性弱,特征少,在一维距离像上或者距离多普勒域基于深度学习的识别算法效果不佳.针对上述问题,本文提出了基于YOLOv3 (You Only Look Once v3)网络的昆虫目标检测算法,
在雷达自动目标识别(RATR)中,数据驱动方法是强有力的工具之一.然而数据驱动方法的性能十分依赖数据集的质量,数据增强方法通过扩充数据集,能够提升数据驱动模型在现有数据集上的识别率.本文提出了用于高分辨距离像(HRRP)数据生成的一维基础生成对抗网络(BGAN)结构和条件生成对抗网络(CGAN)结构,并利用生成的人工样本补充不完备数据集完成了数据增强.实验表明,本文所提出的两种网络均能有效提升目标识别的准确率,提升效果优于传统的平移和镜像增强方法.基于BGAN的HRRP数据增强方法提升效果最优,但其模型时
基于高相干点进行相位分析,才能有效保证地基SAR(Synthetic Aperture Radar,合成孔径雷达)形变测量的准确性.在差分干涉测量领域中,广泛使用幅度离差法,可以有效地选择出岩石、建筑物等PS(Permanent Scatterer,永久散射体)点作为高相干点,但对于植被边坡,采用该方法选择出高相干点数量较少,不利于差分干涉处理.在星载SAR领域,普遍采用StaMPS方法解决植被边坡的高相干点选择问题.本文探索了StaMPS方法在地基SAR领域的适用性,提出采用非PS点来计算相干系数门限,
随着自动驾驶、智能交通的发展,跟踪算法成为热点问题.本文主要针对的是在毫米波雷达路侧交通场景中通过对广义标签多伯努利滤波器(Generalized Labeled Multi-Bernoulli Filter,GLMB)参数估计从而保证滤波器在时变交通监测中目标跟踪的性能.参数选择是制约滤波器性能的主要因素之一,掌握其特性,具有十分重要的意义.传统的跟踪滤波会在特定的场景中使用一套固定的参数,当场景变化时,滤波器参数无法及时调整,导致跟踪性能降低.针对该问题,本文将长短期记忆神经网络(Long Short
近年来,深度学习方法在合成孔径雷达(SAR)图像目标检测中得到了广泛的应用.船舶出现在近海、港口、岛礁、远洋等各种场景中,同时海洋环境复杂多变,使得船舶目标检测很难排除混乱背景的干扰.对于大纵横比、任意方向、密集分布的目标,精确定位变得更加复杂.本文基于深度学习的方法提出用于SAR图像目标检测的改进RetinaNet模型,使用深度残差网络自主获取图像特征,利用基于圆形平滑标签(Circular Smooth Label,CSL)的旋转框检测方法实现精准定位,在分类与定位网络中加入了注意力机制以增强网络特征
实际水下被动信号处理中,感兴趣的弱目标往往只在所处理频段的某些频率分量上表现出相对明显的谱特征,现有基于能量累加的后置处理方式存在谱能量小于噪声的目标被平滑的问题,最终导致目标无法被有效检测.针对该问题,本文提出一种新的自适应波束形成后置处理方法,通过Eckan最优滤波器从波束信号谱中提取感兴趣的频谱,从而求取波束谱加权值,从而实现弱目标信号的增强.所提方法通过实际拖曳阵和舷侧阵的数据来验证,从实验结果来看,该方法在浅海多干扰环境下,对弱目标能够获得3 dB左右的弱目标检测增益.