XiaoMi-AI文件搜索系统
World File Search System合成孔径
使用不同分辨率的数字高程模型进行洪水灾害模拟和绘图
背景和目标：精细地形信息是详细洪水模拟和制图的关键输入参数。本研究旨在比较使用不同分辨率的数字高程数据集开发的洪水模型的精度统计数据，这些模型来自光检测和测距以及干涉合成孔径雷达系统。方法：本研究应用地理信息系统中可用的水文工程中心-水文建模系统和水文工程中心-河流分析系统模型来模拟和绘制 Maapag 流域的洪水灾害。使用混淆误差矩阵、f 测量和均方根误差统计测试了模型的有效性和准确性。发现：结果表明，使用光检测和测距数据集，该模型的准确率分别为 88%、0.61 和 0.41；而使用干涉合成孔径雷达数据集，该模型的误差矩阵、f 测量和均方根误差的准确度分别为 76%、0.34、0.53。结论：使用光检测和测距数据集开发的模型比使用干涉合成孔径雷达开发的模型具有更高的准确度。尽管如此，考虑到模型实施成本和较小的精度残差误差，后者可以作为前者的替代方案用于洪水模拟和测绘。因此，洪水建模者，特别是来自地方当局的洪水建模者更喜欢使用更粗的数据集来优化洪水模拟和测绘工作的预算。
低空机载侦察 - 列克星敦研究所
美国陆军拥有一支小型固定翼飞机机队，用于在作战行动期间为其指挥官提供及时侦察。这种飞机中最强大的是 EO-5C 低空侦察机 (ARL)，它使用各种不同的传感器探测、识别和跟踪敌对地面目标。本报告介绍了陆军对 ARL 飞机进行现代化改造的计划，并提出了一种确保其在本世纪中叶仍具有战术意义的方法。战术侦察机队的低空侦察机部分起源于 20 世纪 90 年代初，当时陆军改装了几架螺旋桨驱动的支线客机，用于支持拉丁美洲的禁毒和稳定行动。随后，这些飞机进行了升级，增加了传感器和通信链路，以便在朝鲜非军事区、中东和其他部署部队需要迅速、准确获取潜在对手信息的地区进行专门侦察。 ARL 的传感能力包括对红外和可见光光谱段的远程目标进行高分辨率成像；拦截和定位射频通信；以及使用合成孔径雷达跟踪移动和静止目标。由于 ARL 携带了多种传感器，因此无论白天还是黑夜，无论天气好坏，它都可以监视神出鬼没的敌人的动向。通过以敌方系统无法做到的方式刺穿“战争迷雾”
REMOTESENSING_9812765 1..10 - 科学
通过机载光学切片 (AOS, [1 – 10])，我们引入了一种宽合成孔径成像技术，该技术使用传统无人机对森林上方的图像进行采样。这些图像通过计算组合（注册到地面并取平均值）为积分图像，可抑制强遮挡并使隐藏目标可见。AOS 依赖于统计概率，即从多个角度看，森林地面上的某个点不会被植被遮挡，如 [2] 中的统计概率模型所解释的那样。可以进一步分析积分图像，以支持例如使用高级深度神经网络进行自动人员分类。在 [9] 中，我们已证明，在分类之前集成原始图像而不是合并原始图像的分类结果，在对空中热图像中部分遮挡的人进行分类时效果明显更佳（平均精度 92% vs. 25%）。在 [10] 中，我们展示了第一款基于 AOS 的全自动搜救无人机。与机载激光雷达 [11 – 14] 或合成孔径雷达 [15 – 18] 等替代方案相比，AOS 的主要优势在于，当部署在低成本片上系统计算机 (SoCC) 上进行遮挡消除时，其实时计算性能和高空间分辨率；它适用于其他波长，例如用于野生动物观察和搜救的远红外，或用于农业和林业应用的近红外。AOS 是被动的
战斗识别
回报。使用武器需要确定敌方身份。美国空军增强型识别和传感激光雷达 (ERASER) ATD 旨在通过使用主动激光技术改进空中和地面目标的机载识别过程。该计划的努力将集中在将 ERASER 激光和信号处理技术集成到试验机上进行飞行演示。ERASER 提供的目标 ID 将补充来自作战人员整体 ID 套件的其他 ID 源。ERASER 将结合为地面目标 ID 开发的 2D 激光成像技术和 CID 算法。美国空军还将使用合成孔径和高距离分辨率技术来提高空对地雷达成像 (AGRI) 战术雷达 ID 能力。海军打算开发一种综合 CID 能力，利用多种目标信息源（合作和非合作）。除了空军正在实施的 ERASER 和 AGRI 方法外，还有针对其他传感器模式（被动和主动）的相关自动目标识别 (ATR) 程序正在研究中；特别是替代合成孔径雷达 (SAR) ATR、特定发射器识别、精密电子支持测量和固态激光振动传感。美国海军非合作空中目标识别计划将演示基于多普勒的成像过程，以提供空中目标类别估计。美国海军沿海监视/移动目标识别计划将提供小型舰艇成像的演示。美国海军激光 CID 项目采用激光测振、高距离分辨率 1D 剖面、2D 轮廓提取以及依赖于优化激光源照射时独特目标反射率特性的技术。根据此 DTO，表面目标 ID 的退出标准是声明概率为 85%，识别置信概率为 98%。
使用 IoSiS 对太空中的卫星和物体进行高分辨率成像
如今，空间碎片已成为卫星系统的主要威胁之一，尤其是在低地球轨道 (LEO) 上。据官方估计，有超过 700,000 个碎片物体有可能摧毁或损坏卫星。通常，无法从地面直接识别撞击的影响。但是，高分辨率雷达图像有助于检测这种可能的损坏。此外，还可以对未知的空间物体或卫星进行调查。因此，DLR 开发了一种名为 IoSiS（太空卫星成像）[2, 3] 的实验雷达系统，该系统基于现有的转向天线结构和名为 GigaRad [1] 的多用途高性能雷达系统，在传播方向上的分辨率优于 5 厘米。在横向或方位角方向上，通过使用逆合成孔径雷达 (ISAR) 技术，可以获得高空间和距离独立分辨率。该技术基于沿合成孔径从不同角度对物体进行相干观察，需要在轨道通过期间精确跟踪物体。因此，要在距离和方位角上获得相似的分辨率，就必须进行宽方位角观测。对于一个 ISAR 图像，5 厘米的预期空间分辨率意味着大约 25° 的观测角。如此高的空间分辨率不是遥感雷达应用的标准。目前的地球观测系统实现的分辨率在几分米的数量级，比现有系统差一个数量级。因此，这种改进需要相应更高的系统和轨道校正性能。特别是，对雷达电子设备、天线和馈电频率响应进行足够精确的校准至关重要。此外，还必须对观测物体进行精确的轨道测定。本文概述了 IoSiS 雷达系统的主要技术特点。讨论了主要的误差源和相应的解决方案。说明了最终生成几厘米分辨率的雷达图像的校准工作。
战斗识别
回报。使用武器需要准确识别敌方目标。美国空军增强型识别和传感激光雷达 (ERASER) ATD 旨在通过使用主动激光技术改进空中和地面目标的机载识别过程。该项目将集中于将 ERASER 激光和信号处理技术集成到试验机上进行飞行演示。ERASER 提供的目标识别将补充作战人员整体识别套件中的其他识别源。ERASER 将结合为地面目标识别开发的 2D 激光成像技术和 CID 算法。美国空军还将使用合成孔径和高距离分辨率技术改进空对地雷达成像 (AGRI) 战术雷达识别能力。海军打算开发一种利用多种目标信息源（合作和非合作）的复合 CID 能力。除了空军正在实施的 ERASER 和 AGRI 方法外，还有针对其他传感器模式（被动和主动）的相关自动目标识别 (ATR) 计划正在研究中；特别是替代合成孔径雷达 (SAR) ATR、特定发射器识别、精密电子支持测量和固态激光振动传感。美国海军非合作空中目标识别计划将演示基于多普勒的成像过程，以提供空中目标类别估计。美国海军沿海监视/移动目标识别计划将提供小型飞机成像的演示。美国海军激光 CID 项目使用激光测振、高距离分辨率 1D 剖面、2D 轮廓提取和依赖于优化激光源照射时独特目标反射率特征的技术。根据此 DTO，表面目标 ID 的退出标准是声明概率为 85%，识别置信概率为 98%。
Max Ghiglione 先生 ESA - 欧洲航天局
本文深入探讨了人工智能在合成孔径雷达 (SAR) 技术中的最新进展，重点介绍了欧洲航天局 (ESA) 支持的发展。讨论涵盖了人工智能在 SAR 数据中的应用进展，特别强调了下一代 SAR 有效载荷的机载数字处理功能。先前的 SAR 任务，如 Sentinel-1，在其有效载荷中加入了传感通道，用于校准、特性描述和监控航天器有效载荷。强大的机载处理设备和增加的机载内存为开发认知微波仪器提供了新的可能性，特别是雷达和合成孔径雷达，它们可以在没有地面特定指令的情况下触发自主动作。认知雷达被定义为一种结合了自适应和智能信号处理的系统。在卫星中，示例包括根据监测场景适应操作模式或仪器配置，调整波形参数（如频率、脉冲宽度、脉冲重复间隔、发射功率）直至发射和接收天线方向图或卫星平台的指向。本文重点介绍了与具有机载处理能力的下一代有效载荷的认知雷达应用相关的最新技术突破和持续发展，包括自适应压缩技术的进步、原始雷达数据的目标检测和其他由机器学习实现的技术。此外，它还深入探讨了数字信号处理、数字波束成形和信号处理技术领域的持续研究和开发活动，旨在实现更灵活和自适应的 SAR 有效载荷。这些元素被视为认知系统及其在未来任务中的应用的基石。除了概述当前的技术状况外，本文还探讨了人工智能在 SAR 任务中的潜在未来应用。人工智能与合成孔径雷达系统的结合有望提高合成孔径雷达的性能指标、减少延迟，从而实现地球观测和遥感领域的创新下游应用。
恢复
与工业界的合作 与 Mathworks Inc. 合作开发一个用于统一系统分析框架的 MATLAB 工具箱，该框架具有计算效率，可以单独处理不同类型的复杂性。 出版物列表（国内/国际期刊） 1. N. Gupta 和 V. Mittal，“使用多特征组合和具有 K-最近邻的极端随机聚类森林 (KERCF) 的极化 SAR 图像分类”，Journal SGI Reflections，第 2 卷，第 2 期，第 53 页，2011 年 12 月。 2. A. Soor 和 V. Mittal，“一种使用高斯核的 EM 算法进行稳健高效聚类的改进方法”，Int. J. of Database Theory and Application，第 7 卷，第 1 期，第 167 页。 3，第 191-200 页，2014 3. V. Mittal、D. Singh 和 LM Saini，“基于 EM 的不同极化数据融合对土地覆盖分类影响的批判性分析”，空间研究进展，爱思唯尔，第 56 卷，第 6 期，第 1094-1105 页，2015 年。（SCI） 4. R. Sain、V. Mittal 和 V. Gupta，“基于变分贝叶斯推理的利用伽马分布先验的图像修复”，国际信号处理、图像处理和模式识别杂志，第 8 卷，第 6 期，第 1111-1125 页，2015 年。 12，第 207-216 页，2015 年 5. V. Mittal、D. Singh 和 LM Saini，“极化合成孔径雷达数据分类技术的批判性分析”，智能信息学进展国际杂志，第 2 卷，第 10-20 页，2016 年（SCOPUS） 6. P. Kumar 和 V. Mittal，“使用贝塞尔曲线和优化进行数字视频缝合和稳定”，电子和计算机工程研究国际杂志（IJRECE），第 6 卷，第 3 期，第 209-214 页，2018 年 7. P. Kumar 和 V. Mittal，“使用基于块的分割进行边缘检测”，电子和计算机工程研究国际杂志（IJRECE），第 2 卷，第 3 期，第 209-214 页，2018 年6，第 3 期，2018 年，第 222-226 页 8. V. Mittal 和 M. Mittal，“基于 Haar 小波的数值方法用于计算系统对任意激励的响应”，《高级动态与控制系统研究杂志》，2018 年第 9 期，第 2433-2439 页（SCOPUS） 9. M. Mittal 和 V. Mittal，“使用 Haar 变换算法分析难以分析的复杂 MIMO 动态系统”，《高级动态与控制系统研究杂志》，2018 年第 9 期，第 2452-2460 页（SCOPUS） 10. A. Kumar 和 V. Mittal，“使用神经网络控制器进行连续印地语语音识别的混合特征提取技术”，《高级
Gene M. Cumm，诺斯罗普·格鲁曼公司（Northrop Grumman Corporation）海事/土地传感器和系统部远程防空计划主任
Gene M. Cumm董事远程防空计划海事/土地传感器和系统部诺斯罗普·格鲁曼公司Gene M. Cumm目前是远程防空计划的主任。在他在2020年担任的这一角色中，库姆先生负责捕获和执行与我们和盟军部队相关的与基于地面的雷达，通信网络和生物检测系统有关的业务。在1990年获得了马里兰大学电气工程学士学位后，卡姆先生在马里兰州安纳波利斯的海洋部门开始了他的职业生涯。加入公司后，直到1996年，库姆先生在Nas Norfolk和Nas Alameda的中队支持美国海军矿山的中队，担任AQS-14矿山狩猎声纳和ALQ-141矿山矿山对策的现场工程师。从1996年到2000年，他曾担任空降矿山对策计划的工程经理。在这个角色中，他将激光线扫描技术纳入了AQS-24牵引地雷检测系统中。从2000年到2004年，他担任空降矿山对抗和高级声纳技术计划的计划经理。在这个角色中，他领导了AQS-24激光升级和慢速合成孔径声纳（SSSAS）计划的成功生产和领域。SSSA证明了在高分辨率和长范围内成像目标的能力。这项技术已转变为包括AQS-24在内的许多NGUS程序。从2014年到2016年，他担任沿海和矿场战系统的董事。从2004年到2007年，他曾担任公司系统开发与技术（SD＆T）部门的高级底面系统计划副总监。在此期间，他领导了船舶保护系统（SP）的捕获； DARPA的分布式网系统（CNAV）程序； DARPA水下快递计划；以及FMS埃及海军快速导弹架（ENFMC）战斗系统计划。此外，他以这种身份领导了USN的第一个狩猎无人体地面车辆（USV）计划（SPARTAN）和LCS-2的集成战斗管理系统（ICMS）的成功执行和交付。从2007年到2011年，他担任高级集成系统主管，该系统专注于无人系统，分布式网络系统和高级Surface Ships Combat System计划。在这一职位上，他领导了包括CNAV 2阶段和ASW连续的无人驾驶船只（ACTUV）在内的反海药战争技术开发计划的俘虏和执行。从2011年到2013年，他担任海底系统业务部门的业务开发总监，并带领诺斯罗普·格鲁曼（Northrop Grumman）重新进入鱼雷市场，并捕获了MK54轻型鱼雷声音鼻子阵列合同。在这个职位上，他负责国内外的矿战计划，包括被捕和执行。在2016年，该角色扩展到了海底战系统董事，该系统添加了海底战计划，包括轻量级（MK-54）和重量级（MK-48）鱼雷和海底
在线空模式中的缺陷识别通过深度学习的帮助
处理步骤，但对于带有可变音调的打印图案，它的灵活性较小。此外，将DSA应用于高量制造的主要挑战之一是观察到的缺陷密度，该缺陷密度分别大于所需的缺陷密度为1和0.01缺损cm 2用于记忆和逻辑应用。最常见的缺陷是桥梁和位错。，即使EUVL也没有缺陷问题，如先前的工作4、5所述，并且被证明会导致桥梁缺陷。为了解决大型缺陷密度的关注，尤其是在DSA中，采用各种过程的选择步骤来确定可以减少整体缺陷密度的重要因素；优化步骤包括不同的退火条件，表面模式的周期性，指南线的宽度，模式的地形以及背景化学等。对于列出的处理步骤的每一个组合，进行扫描电子显微镜（SEM）图像的缺陷检查以评估处理条件的性能是必不可少的。这涉及为统计目的收集足够数量的SEM图像，并手动执行缺陷检测或使用图像处理工具。随着处理步骤的不同组合的数量增加，缺陷的手动标记效率低下。解决方案之一是使用新兴的深度学习算法来检测和分类不同类型的缺陷。在材料科学领域，已经应用了许多算法来从给定的图像集中学习复杂的缺陷特征。例如，（1）Xie等。6使用多级支持向量机算法来检测印刷电路板和晶圆中最常见的缺陷。这些缺陷涉及环，半圆，簇和划痕。（2）Zheng和Gu 7采用了学习算法的机器，以检测具有高准确性的石墨烯中多个空缺数量。（3）Tabernik等。8报道了一项研究，在该研究中，他们利用基于细分的深度学习体系结构从某些工业应用的角度来检测成品中的表面异常。对缺陷的深度学习辅助识别不仅限于材料科学领域，因此已在其他各个领域中用于诸如下水道管道9、10和水果缺陷检测中的缺陷检测。11我们认为，使用这种自动化方法来计算不同类型的缺陷，并指定其在线路和空间（L/S）模式中的位置，可以帮助过程工程师快速收集足够的统计数据，并提供更准确，更一致的方法来评估每个处理条件的组合。通常，需要大量培训样本以确保网络的高精度。不幸的是，如前所述，由于人类的努力和专业知识所需的负载，因此要求SEM图像中存在的缺陷标记的时间耗时的过程。这为收集足够的数据构成了深度学习网络所需的精度的障碍。13，14另一种数据增强方法是通过执行模拟来扩展数据集。数据增强是一种可行的选择，可以通过利用原始数据集中的更多信息来夸大培训数据集。如Shorten和Khoshgoftaar的评论论文所讨论的，12个增强策略包括几何和颜色变换，随机擦除和特征空间扩展。翻转图像是最简单，最便宜的策略之一，结合了其他几何形状转换，旋转和缩放的几何变换可提高深度学习算法的准确性。在Carrasco-Davis等人的天文事件的分类中探索了这种策略，15，其中作者依靠基于物理的模型来生成模拟数据集。参考。16，如Holtzman等人所述，使用点散射模型生成的模拟数据集为雷达图像模拟。17与真实的数据集混合在一起，可以提高船舶合成孔径雷达图像中目标识别的准确性。在这项工作中，使用最小的SEM数据集进行培训[O（100）图像]，我们使用了一个受良好版本3的启发的对象分类和检测网络。在剪切 - 索尔沃退火条件下使用圆柱体组成共聚物进行实验后，收集了SEM数据集。19网络中的卷积层和过滤器的数量已针对网络的准确性进行了优化。实施了各种激活功能和不同损失功能的进一步检查。使用两种策略夸大了具有有限数量SEM图像的初始数据集：（1）几何转换