西藏民族大学 信息工程学院，陕西 咸阳 712082
针对红外图像目标分类问题，提出了结合多特征融合和极限学习机（extreme learning machine，ELM）的方法。采用主成分分析（principal component analysis，PCA）、局部二值模式（local binary pattern，LBP）以及尺度不变特征变换（scale-invariant feature transform，SIFT）三类特征分别描述红外图像中目标的像素分布、局部纹理以及特征点信息。三类特征从不同侧面反映红外图像目标特性，因此具有互为补充的优势。在此基础上，基于多重集典型相关分析（multiset canonical correlations analysis，MCCA）对三类特征进行融合处理，获得统一的特征矢量。融合后的特征不仅继承了原始三类特征的鉴别特性，还有效去除了冗余信息。分类过程中，采用极限学习机作为基础分类器对融合特征矢量进行分类。极限学习机具有参数少、效率高、精度高和稳健性强等显著特点，有利于提高红外目标分类的整体性能。因此，所提出的方法通过结合多特征和极限学习机的优势综合提升了目标识别性能。在实验过程中，采用四类飞机目标的红外图像对所提出方法进行了性能测试。根据与现有几类方法的对比，实验结果证明了提出方法的性能优势。
红外图像 目标分类 多特征融合 极限学习机 infrared imagery target classification multi-feature fusion extreme learning machine 红外与激光工程
2022, 51(6): 20210597
山西大学物理电子工程学院, 山西 太原 030006
以分数薛定谔方程为理论模型,采用分步傅里叶法研究了双艾里-高斯光束在高斯势垒中的相互作用。结果表明,艾里-高斯光束在入射后产生分裂,随着莱维指数的增大,分裂现象会逐渐消失。同时,改变莱维指数可以调节光束的衍射效应和两光束之间的夹角。在自加速、分数衍射效应和势垒壁反射的共同作用下,传输呈现周期性演化。通过改变势垒参数可以控制传输周期以及光束的透射和反射比。在分布因子较小时,间隔参量会影响光束的演化周期,其符号决定了在两光束间是主瓣还是旁瓣进行主要作用。此外,在一定的相对相位条件下,两束艾里-高斯光束相互作用会发生能量转移,且随着间隔参量的变化,能量转移过程也会发生相应的改变。利用这些特性可以控制光束的传播方向和产生的光束数量,在光开关、分路器等领域有潜在的应用价值。
衍射 艾里-高斯光束 分数薛定谔方程 高斯势垒 中国激光
2021, 48(20): 2005002
山西大学物理电子工程学院, 山西 太原 030006
以分数薛定谔方程为理论模型,采用分步傅里叶法进行数值模拟,研究了线性势作用对艾里-高斯光束的传输特性和两光束相互作用的影响。结果表明,艾里-高斯光束在无线性势作用时会分裂成两束,有线性势作用时分裂现象逐渐消失,光束传输呈现周期演化,且主瓣能量和旁瓣能量几乎不随传输距离的增加而改变。该周期演化在参数改变时会有不同的表现,据此可调节光束的周期演化过程。线性系数主要影响演化周期,而且它的符号可以控制光束的偏转方向和分布空间;莱维系数则会改变光束的横向振荡幅度,同时光束偏转角度会发生变化,光束的演化路径由近似折线变为曲线。在满足一定的相位条件下,相互作用的两光束的能量会发生周期性互换,随着莱维系数的增大,这种周期性互换现象会消失。这些结果为光束在光开关和光学逻辑器件中的应用以及光束的调节提供了理论参考。
光纤光学 艾里-高斯光束 分数薛定谔方程 线性势
1 天津大学精密测试技术与仪器国家重点实验室，天津 300072
2 天津商业大学机械工程学院，天津 300134
为了适应视觉跟踪过程中目标外观变化，提高视觉跟踪算法的鲁棒性，本文基于卷积神经网络（Convolutional Neural Network，CNN）并结合多域学习法与多模板管理，提出一种通过树形结构管理多模板的多域卷积神经网络（Multi-Domain CNNs with Multiple Models in a tree structure）视觉跟踪算法。首先使用大量已标记目标位置的视频数据预训练多域结构的CNN，使CNN 卷积层可从图像中提取出适用于跟踪任务的特征。然后在跟踪时中对CNN 全连接层进行微调以适应跟踪目标，并使用树形结构管理存储不同时间段的目标模板得到模板树。使用模板树综合评价待检测帧，估计目标位置。最后按照一定规则将新模板添加进模板树，完成模板的更新。实验表明，该算法对跟踪过程中目标外观的变化有着良好的适应性，同时多模板可抑制CNN 在跟踪时产生的模板漂移问题。
视觉跟踪 深度学习 卷积神经网络 多域学习 多模板 visual tracking deep learning Convolutional Neural Network (CNN) multi-domain learning multiple models
1 西南交通大学 a.信息光子与通信研究中心
2 西南交通大学 b.铁路发展有限公司， 成都610031
采用FFTW（西方快速傅里叶变换）算法实现了两路接收信号的快速互相关计算，提高了MZ(马赫-曾德)周界防护系统定位的实时性。搭建了MZ周界防护实验装置，在6 km光缆上进行了振动信号定位测试。在20 MHz采样率条件下实现了21 m的定位精度，定位计算时间小于0.5 s。实验结果表明，此算法与传统FFT(快速傅里叶变换)算法相比，计算速度显著提高。
西方快速傅里叶变换 周界防护 马赫-曾德 互相关算法 FFTW perimeter protection MZ crosscorrelation algorithm
1 空军工程大学 工程学院, 西安 710038
2 空军第四飞行学院,石家庄 301612
针对超机动飞行快回路的不确定非线性模型,提出了一种利用自适应模糊滑模控制器算法。在所得的最终控制信号中,采用模糊逻辑系统来逼近未知系统函数和开关项;所设计的鲁棒自适应律用来减小逼近误差,从而有效降低抖振。仿真结果表明,所设计的控制律能在过失速机动条件下控制飞机跟踪指令飞行,确保系统具有良好的动态和稳态性能,而且控制器具有很强的鲁棒性。
飞行控制 超机动飞行 自适应模糊控制 滑模控制 flight control super-maneuverable flight adaptive fuzzy control sliding mode control
