模糊决策理论的地磁图适配性分析

传统地磁图适配性分析仅将单一特征参数作为评价指标,从而导致分析结果不全面。针对此问题,提出了一种基于模糊决策理论的地磁图适配性分析方法。首先采用地磁标准差、粗糙度、相关系数、坡度标准差及地磁信息熵等5个主要特征参数作为模糊指标进行加权分析,得到综合评价值以评定候选区适配性。然后基于地磁异常的无迹卡尔曼滤波算法,选取中国南海部分海域的全球地磁异常格网数据作为地磁异常基准图进行仿真实验。实验结果表明,该方法具有较高的可靠性,综合评价值可作为地磁图适配性分析的定量依据,并能从一定程度上解决单一特征参数评价不全面的问题,提高水下自主航行器的导航精度。     

BP神经网络用于水下地形适配区划分的方法研究

为确保背景场中最优适配航线设计的正确性以及水下地形匹配导航的可靠性,提出了一种基于BP神经网络的背景场适配/误配区自动识别和划分方法,该方法通过分析地形背景场特征参量显著性和主成分、构建BP神经网络、建立输入地形特征参量与匹配性能的映射关系,最终实现了地形背景场误配/适配区的自动识别和划分.试验验证了本方法的有效性.     

地磁适配性分析方法研究

针对地磁适配性分析中,单一的特征指标不能满足适配性精度要求的问题,该文提出一种多指标综合评价体系方法,建立以地磁标准差、地磁信息熵、相关系数及粗糙度为一体的综合评价模型;在确定权重方面,由于主观赋权法及客观赋权法各有优缺点,提出利用主、客观加权赋权法组合权重来确定每个指标的权重系数.能够较好地利用地磁的各种特征信息对地磁基准图候选区域进行综合分析,实现分析结果的全面性.基于多指标融合的地磁适配性分析的MATLAB仿真结果表明:运用此方法能够直观地反映出各候选区域适配性能的好坏,该方法在评价地磁适配性方面有效,其方法可应用于地磁匹配导航领域的研究.     

地磁匹配导航中几项关键技术研究

地磁匹配导航的实质是数字地图的匹配.地磁数据库的精度和地磁适配区的选择是地磁匹配导航中的2项关键技术.文中把克吕格插值算法引入到地磁图的重构中,仿真结果表明了其有效性;同时把熵选择法和统计特征法引入到地磁适配区的选择中,通过仿真结果对2种方法进行比较,结果表明,熵选择法综合效果更好,更适合于在实际中应用.     

多属性决策理论的重力匹配导航适配性分析

为确保水下重力匹配导航的可靠性,针对将单一特征指标作为适配性分析准则而导致评价结果不全面这一缺陷,提出了一种基于多属性决策理论的重力匹配导航适配性分析方法。首先,采用重力场标准差、粗糙度、相关系数、坡度标准差、偏态系数和重力异常差异熵6种特征参数作为属性集进行加权规范化处理,得到决策指标对待匹配区的适配性排序,也可构建贴合度来评价最优适配区。然后,在同一条件下,对各待匹配区分别进行匹配仿真比较,结果表明,决策指标越高,匹配效果越稳定,且可直接筛选出最优适配区,决策结果与匹配精度有高度一致性,匹配度高达80%。该方法可靠性高,能够解决单一特征指标信息量较少的问题,为水下潜器长航时、长航距航行提供重要保障。     

基于PCA-BPNN的多光谱遥感影像分类

基于BP算法的神经网络方法目前已广泛运用于遥感影像分类,提出一种主成分分析(PCA)与BP神经网络相结合的遥感影像分类方法——PCA-BPNN,实验证明该方法是可行并且有效的,在减少计算量和加快收敛的同时,提高了分类的精度。     

多特征值分析的重力辅助导航 适配区选择方法

对适配区进行一定的选择可以提高重力匹配导航精度。目前传统重力匹配导航区域的选择方法通常是利用单一评价指标,导致评价结果不全面。针对这种情况,本文基于信息熵、模糊综合决策和主成分分析3种方法对适配区进行多指标综合选取;并通过ICCP匹配算法进行实验计算分析,结果表明3种方法均具有较好的效果。利用3种方法计算出的可导航能力高的区域匹配效果更优,其中基于模糊综合决策方法和主成分分析法的结果优于信息熵法。     

利用PCA-BP算法进行激光点云分类方法研究北大核心CSCD

在阐述现有激光点云分类技术的基础上,为满足高精度、高速度、高可靠性、自动化的数据处理要求,着重研究了基于主成分分析(PCA)和BP神经网络的激光点云分类方法,并通过真实激光扫描数据进行试验,将建筑物和树叶有效分类,达到了预期效果。     

基于主成分分析的GA-BP神经网络地表下沉系数预测

为提高条带开采地表下沉系数预测准确率,基于地表下沉系数影响因素具有一定相关性、不确定性以及非线性的复杂现象,建立基于主成分分析的遗传算法(Genetic Algorithm,GA)优化的神经网络GA-BP智能预测模型.利用遗传算法对BP神经网络(Back Propagation Neural Network)的初始权值和阈值进行优化处理,通过SPSS20(Statistical Product and Service Solutions 20)软件对地表下沉系数影响因素进行主成分分析,降低数据维度,消除变量间的冗余信息,找出主成分并作为模型的输入样本,利用MATLAB(Matrix Laboratory)软件进行仿真与分析.结果表明:与传统BP神经网络模型和主成分分析(Principal Component Analysis,PCA)的PCA-BP神经网络模型相比,基于主成分分析的GA-BP模型的相对误差不超过5％,与实测值更为接近,预测精度进一步提高,基本满足矿区实际工程需要,为条带开采地表下沉系数预测提供了又一种准确可行的方法.     

主成分分析与改进PSO-BP神经网络的下沉系数预测

针对BP神经网络预测下沉系数时易陷入局部极小以及下沉系数影响因素间存在一定相关性的问题，该文提出了一种基于主成分分析(PCA)和模拟退火—粒子群优化算法(SAPSO)优化BP神经网络的下沉系数预测模型。该模型首先采用PCA对下沉系数影响因素进行降维，消除其所包含的冗余信息；然后利用SAPSO优化BP神经网络的权值与阈值；最后使用训练样本训练模型，利用训练后的模型预测5组测试样本的下沉系数，并对比分析SAPSO-BP、PSO-BP和BP神经网络模型的预测结果。实验结果表明：基于PCA-SAPSO-BP神经网络的下沉系数预测模型的预测值与实际值最为吻合，其平均绝对误差、平均绝对百分比误差及均方根误差相比SAPSO-BP、PSO-BP和BP神经网络模型显著降低，可以有效提高下沉系数预测的准确性。     

井下巷道地磁匹配特征的CEA卷积增强的分析

针对井下某些巷道地磁空间变化平缓,地磁匹配概率低的问题,构建了井下巷道地磁卷积增强算子（convolution enhancement algorithms, CEA）,进行地磁匹配前的目标区域和匹配向量的卷积增强预处理,去除数据噪声和增强识别特征。以Laplace、高通滤波（High Pass）、索伯尔滤波（Sobel）图像卷积算子为基础,通过列向量特征的锐化处理,建立了井下巷道地磁卷积增强的Laplace、High Pass和Sobel卷积算子模板。选取某金矿4个巷道的地磁数据,开展了CEA算子卷积前后的均方差算法地磁匹配定位的仿真试验。试验结果表明,CEA算子卷积可以增强匹配序列和地磁图的地磁空间特征,降低了匹配数据中的噪声影响。在数据CEA卷积前后的地磁统计特征对比中发现,Laplace算子不仅保持了原有地磁图变化特征,还增大了数据空间变化的差异度,降低了相关性,效果明显。特别是600 nT的高噪声干扰匹配试验中,Laplace算子卷积能够降低噪声对地磁定位扰动影响,有效提高了地磁匹配定位的概率和精度,具有较强的鲁棒性,适合作为井下巷道地磁匹配的数据预处理模型。     

利用弹性反馈神经网络融合ASTER GDEM和SRTM1高程数据

由于数据获取与后期处理方式不同,先进星载热发射和反射辐射仪全球数字高程模型(advanced spaceborne thermalemissionandreflectionradiometerglobaldigitalelevationmodel,ASTERGDEM)和航天飞机雷达地形测绘任务(shuttle radar topography mission,SRTM)数据在高程精度上存在差异,采用弹性反馈（resilient backpropagation,RProp）神经网络算法对二者进行融合处理,实现优势互补以提升高程精度。选取两个黄土丘陵沟壑地貌样区分别用于模型建立与效果验证,1∶10 000高程精度为参考数据,在建模样区应用RProp神经网络算法构建ASTER GDEM高程校正模型、SRTM1高程校正模型、ASTER GDEM与SRTM1高程融合模型,同时应用误差反向传播(back propagation,BP)神经网络建立ASTER GDEM与SRTM1高程融合模型,将这些模型的高程精度优化效果进行对比,并在验证样区检验RProp融合模型的可行性。结果表明,RProp融合模...     

遥感图像质量等级分类的深度卷积神经网络方法

遥感图像应用发展对图像质量的要求越来越高,不同质量的遥感图像往往需要不同的处理方法和参数。通过遥感图像质量等级分类研究,不仅能够为遥感图像的处理提供先验信息,还能够对遥感图像的客观质量评价和传感器的成像效果进行评估。为了克服现有的遥感图像质量等级分类方法计算参数获取困难、等级数量少的缺点,利用深度学习方法的分类机能,通过改进特征提取网络和等级分类设计,建立了一种基于深度卷积神经网络的遥感图像质量等级分类模型。通过质量等级分类预处理后,利用经典的深度学习方法进行目标检测实验。结果表明,所提方法在西北工业大学遥感图像数据集上质量等级分类的准确率、召回率、精确率和F1最高能达到0.976、0.972、0.974和0.973, 优于传统算法。利用卷积神经网络实现遥感图像质量等级分类,既拓展了深度学习的应用领域,又为遥感图像质量评估提供了一个新方法。     

基于Inception结构的手写汉字档案文本识别方法

针对手写汉字文本识别准确率不高的问题,提出了一种结合卷积神经网络和循环神经网络进行手写汉字文本识别的端到端方法。首先,通过Inception模块构建的卷积神经网络提取文本图像的基本特征;然后,使用循环神经网络对提取的特征进行预测,并输出一个关于汉字字符集的概率分布;最后,采用连接主义序列分类算法计算识别结果并构建损失函数。利用所提方法在手写汉字文本数据集上进行实验, 结果表明,Inception模块和数据增强方法可以有效提升算法的性能,并取得了71.2%的识别准确率和0.060的文本编辑距离,较现有方法性能有所提升,证明了所提方法的有效性。     

一种面向无人机绝对定位的卫星基准影像检索方法

针对全球导航卫星系统（global navigation satellite system,GNSS）拒止环境下大范围无人机视觉绝对定位问题,提出了一种聚合深度学习特征的卫星基准影像检索方法。首先,利用预训练的深度学习模型提取无人机与卫星基准影像的局部卷积特征;然后,对局部特征描述符进行聚合,生成影像全局表达;最后,利用影像全局特征进行相似性检索,并采用检索结果精匹配重排序的后处理方法,进一步提高检索准确率。设计了一个新的面向无人机绝对定位的卫星基准影像数据集并进行实验,结果表明,使用所提方法检索无人机影像适配区域的卫星基准影像的准确率达76.07%,可为后续基于视觉的无人机绝对定位提供参考。     

一种热红外与可见光影像深度特征匹配方法

针对无人机热红外影像与光学卫星影像的匹配难题,提出一种基于异源地标数据集学习的深度局部特征匹配方法。首先,利用生成对抗网络学习热红外与可见光影像的灰度分布规律,并进一步合成用于特征提取模型训练的热红外影像地标数据集;然后,联合残差网络和注意力机制模型,从数据集中学习深度不变特征;最后,经过对不变特征的匹配、提纯等处理,获得像对的正确匹配点。试验测试了该方法的性能,并与KAZE、特征检测描述网络和深度局部特征模型进行了对比。结果表明,提出的方法对灰度、纹理、重叠率以及几何变化具有较强的适应性,且匹配效率较高,可为无人机视觉导航提供支撑。     

水下导航定位技术综述

自主式水下航行器(AUV)作为海洋资源的开发与利用的主要载体,执行任务时需要准确的定位信息. 现有AUV主要采用捷联惯性导航系统(SINS)为主,声学导航和地球物理场匹配导航技术为辅的导航方式. 本文简述水下导航方式基本原理、优缺点和适用场景;探讨各类导航方式包含的关键技术,提高组合导航精度和稳定性. 通过分析现阶段存在问题,展望水下导航的未来发展趋势.      

利用胶囊网络实现高光谱影像空谱联合分类

卷积神经网络等深度学习模型已经在高光谱影像分类任务中取得了理想的结果.然而,由于传统神经元只能进行标量计算,现有的深度学习模型无法对高光谱影像特征的实例化参数进行建模,因此无法在邻域范围受限的条件下获得令人满意的分类效果.通过引入胶囊网络结构设计了一种新型网络模型,该模型利用胶囊神经元进行向量计算,并利用权重矩阵编码特...     

利用时空神经网络模型的长江经济带气温反演

传统基于遥感的气温反演方法往往使用全局模型,从而忽略了气温分布及其时空影响异质性,特别是在较大区域尺度的研究中存在不足。针对长江经济带区域,引入时空地理加权神经网络模型,建立一种高精度的气温估计方法。通过在广义回归网络模型中建立局部模型来顾及时空异质性的影响,融合遥感数据、同化数据、站点数据,获取面域分布的近地表气温信息。采用基于站点的十折交叉验证方法对模型性能进行评估,结果表明,时空地理加权神经网络有效提高了气温估计的精度（均方根误差为1.899℃,平均绝对误差（mean absolute error,MAE）为1.310℃,相关系数为0.976）,与多元线性回归和传统的全局神经网络方法相比,MAE值分别降低了1.112℃和0.378℃。气温空间分布制图结果显示,该方法结果能很好地反映长江经济带气温空间上的差异和不同季节的特征信息,具有实际应用价值。     

面向小样本高光谱影像分类的轻量化关系网络

近年来,基于深度学习的高光谱影像分类取得重要进展,针对高光谱影像分类训练样本稀缺的情况,提出一种结合注意力机制的轻量化关系网络（lightweight attention depth-wise relation network, LWAD-RN）, 以解决高光谱影像小样本分类问题。该网络由嵌入层和关联层组成,在嵌入层采用结合注意力机制的轻量化卷积神经网络提取像元特征,同时引入稠密网络结构;在关联层计算关联值进行分类,并采用基于任务的模式训练网络。利用3组公开的高光谱影像数据进行对比实验,结果表明,LWAD-RN能够有效提升小样本条件下（每类5个训练样本）的分类精度,同时提高了模型训练和分类效率。