形状匹配方法研究与展望

形状匹配及分类是计算机视觉中的重要问题. 近年来,以形状上下文为代表的基于轮廓的形状匹配方法和以奇点图为代表的基于骨架的形状匹配方法获得了长足的发展. 本文介绍了形状匹配问题的基本概念, 分析了形状匹配问题的难点, 按照基于轮廓和基于骨架的分类方法对近年来最新出现的形状表示与形状匹配的方法进行了详尽的介绍, 并介绍了基于度量学习的形状检索方法, 本文还详细介绍了近年来形状匹配研究领域常用的一些测试数据库, 之后对局部形状匹配和形状分类等有潜力的研究方向进行了展望. 最后对形状匹配的整体框架及其应用前景进行了总结.     

基于连续图像的无人平台载荷目标定位算法研究

介绍了基于连续图像的无人平台载荷目标定位的原理和算法,给出了定位过程中不同坐标系下目标的位置和坐标转换的过程,并在此基础上对影响目标定位误差的因素进行了分析     

重要指令遥测信号防误码技术

指令遥测信号错误可能引起严重的后果,提出了一种在指令遥测信号传输过程中的防误码技术,在不改动原有遥测信号传输方式的基础上,采用移动通信领域常用的信道编码技术,利用现有空余信道资源,单独对指令遥测信号通过信道编码进行纠错,避免了数据质量下降和数据丢失等问题的出现。     

一种提取物体线形骨架的新方法

提出了一种提取物体线形骨架的新方法. 该方法首先计算物体距离变换的梯度, 从而得到一个矢量场. 距离变换的梯度对提取物体线形骨架具有重要意义, 可据此获得物体内部的关键点, 其中每一个关键点代表了物体的一个凸部分. 之后, 用搜索梯度最短路径的方法连接关键点, 得到物体的线形骨架. 本文方法得到的线形骨架能很好地反映物体拓扑和形状特征, 并不易受边界噪声干扰. 此外, 本文方法克服了基于距离变换的骨架提取算法的固有缺点, 获得了具有良好连通性的骨架. 因此, 基于本文方法得到的骨架能用于物体识别和匹配等领域. 对大量二维、三维物体的实验取得了令人满意的效果.     

WDM模式下USB设备驱动程序的设计

针对USB设备驱动程序开发过程中的常见问题和难点，并结合编程环境、工作机制、基本格式和端口初始化等几个方面问题，对在Windows环境下设计USB设备驱动程序的诸多要点进行了详细的分析与探讨，并着重说明了如何实现USB2．0规范所定义的4种数据传输方式及其在使用中的选择策略，同时也给出了相应的示例代码。     

基于自适应遗传算法的弹药单元包包装的优化设计

建立了弹药单元包优化包装的数学模型,针对该模型约束条件多、求解困难的问题,探讨了自适应遗传算法在模型求解中的应用,给出了相应的编码策略、自适应参数和适应度函数,并进行了实例仿真.     

汽油加氢改质技术配套系列催化剂性能评价

以中国石油辽河石化公司催化裂化（FCC）汽油为原料,采用工业生产的GDS-20,GDS-30,GDS-40催化剂及GDS-10保护剂,在360 m L绝热评价装置上,根据GARDES技术对催化剂性能进行了评价。结果表明:全馏分FCC汽油在105℃下进行预加氢,然后将其按55~65℃切割为轻重馏分;在GDS-30,GDS-40催化剂反应温度分别为190,325℃的条件下,将轻汽油馏分与改质后重汽油馏分以3/7（质量比）调和,调和产品的脱硫率为80.6%,脱硫醇硫率为76.7%,辛烷值损失仅0.1个单位,满足国Ⅳ汽油质量升级的要求。     

基于骨架树的线性骨架拓扑相似性度量算法

将骨架映射到一种骨架树结构中,树的层次和节点间的连接关系反映了骨架的拓扑特性;构造骨架树邻接矩阵并给出拓扑标记向量的定义,用拓扑标记向量之差的二范数作为两个骨架树匹配节点对的距离;将骨架的拓扑距离函数定义为骨架树的匹配距离,即建立最佳匹配关系的节点对距离之和。给出了一种用骨架树进行线性骨架拓扑相似性度量的算法,在计算复杂度和时间复杂度较低的情况下,对一般二维图形取得了较好的实验结果。     

航天装备保障效能评估方法研究

为了有效地评价航天装备的保障效能,针对航天装备的特点,通过对保障效能影响因素的分析,建立了航天装备保障效能评估的指标体系,包括航天装备设计特性指标和综合特性指标,设计特性指标主要选取可靠性、维修性和测试性相关指标,综合特性指标主要选取使用可用度、战备完好率和能执行任务率.在此基础上,提出了一种基于层次分析法的航天装备保障效能评估方法,能够对影响航天装备保障效能的通用设计特性、保障资源和保障模式等因素进行系统评价,也能够为航天装备改进升级提供参考.     

改进U-Net模型的眼底图像渗出液分割

医学图像分割在应用的时候对精度有着苛刻的要求,传统算法对于像素级别的图像分割任务来说效果不佳,针对视网膜眼底图像中渗出液的特征复杂程度高,提出了三种改进的U-Net模型来避免分割效率低、分割精度不足的问题。首先改进经典的U-Net模型,训练了一个基础模型作对比,同时为了防止过拟合、梯度弥散等问题,将残差网络与密集网络的卷积结构作为特征提取器引入U-Net模型中,新的ResU-Net和DenseU-Net模型结合了两者优势,提高了网络的泛化能力。实验在Kaggle数据集上进行交叉验证,发现ResU-Net模型的灵敏度(SE)最高,达到了85.0%,DenseU-Net模型的特异性(SP)、准确度(AC)最高,分别达到了99.5%、99.2%。本文所设计的三种改进U-Net模型在渗出液分割中,DenseU-Net模型综合了密集网络模型和U-Net模型各自的优点,取得了最好的分割效果,其AUC值为0.9905。