顾及高影响力要素的矢量地图质量评价方法

针对目前矢量地图质量多级模糊综合评价中使用的传统模糊评价算子易失效且准确性低的问题,提出了一种基于高影响力评价算子HEEO的矢量地图质量多级模糊综合评价方法。以包含国界要素的地图为例,制定了涉及国界要素的矢量地图质量评价指标体系;并依据相关地图审核标准制定了地图质量等级,利用HEEO较好地解决了传统模糊评价算子失效以及评价不准确的问题,准确给出了包含国界要素的矢量地图质量评价;最后运用HEEO分析6组地图数据质量。评价结果显示,HEEO有优于传统算子的评价能力,验证了HEEO的有效性。     

改进的GOTURN算法

随着基于深度学习的算法在计算机视觉领域中的应用不断拓展,GOTURN(Generic Object Tracking Using Regression Networks)算法是第1个满足目标跟踪实时性要求的深度学习算法(达到100 fps),但是该算法的跟踪精度有待提高。针对此问题,采用基于运动估计的卡尔曼滤波算法与基于卷积神经网络的深度学习算法相结合的方法,将卡尔曼滤波算法融入GOTURN算法进行目标跟踪。为了验证该算法的有效性,在ILSVRC2014数据集和ALOV300++数据集中进行了训练和评估。实验结果表明,该算法不仅能够满足目标跟踪的实时性要求,而且能够提高线性系统的跟踪精度。     

基于差分筛选的YOLOv2监控视频目标检测方法

监控视频的多目标跟踪是视频智能分析的热点研究内容,其中目标的检测是目标跟踪的基础,精度高、速度快的目标检测器对于后续的实时分析任务尤为重要。提出一种针对监控视频的基于差分筛选的YOLOv2目标检测算法,采用差分算法筛选无前景目标帧及设置重叠度量阈值进行跨帧检测,改善了YOLOv2作为检测方法用于监控视频多目标跟踪任务时速度过慢的不足,同时高精度的检测结果有利于下一步多目标跟踪任务的顺利完成。利用NPLR监控视频数据集对YOLOv2目标检测算法进行了测试,并将该方法与可变型部件模型DPM进行了比较。结果表明,差分YOLOv2方法在精度上高出DPM方法0.304 6,检测时间快了26倍左右,验证了该算法的有效性。     

轨道误差对InSAR相位影响的BP神经网络去除法

针对用二次多项式法去除轨道误差对InSAR相位影响时,须对干涉相位其他项分布性质作假设,且自身存在一定的模型缺陷的问题,该文提出用BP神经网络去除轨道误差对InSAR相位影响的方法。研究表明:BP神经网络法在使用时无须对干涉相位其他项分布性质作假设,模型更优。模拟实验中,轨道误差相位拟合残差更小;真实数据实验中,纠正后非形变区相位集中在零值附近,且波动趋势更为平稳。该方法一定程度上降低了传统二次多项式法的应用局限性。     

一种改进的宽巷引导整周模糊度固定算法

一般卫星导航接收机的伪距测量误差大于宽巷波长。根据宽巷引导模型,直接使用双差伪距取整固定双差宽巷整周模糊度有很大概率会产生一周固定错误。基于此,提出了一种改进的宽巷引导整周模糊度固定算法,针对宽巷整周模糊度一周固定错误进行探测和修复。利用整周模糊度为整数的特质构造理论探测量,并将该探测量与载噪比所确定的门限相比较,判断是否出现宽巷整周模糊度一周固定错误;利用双差整周模糊度自由度为3的特点,修复错误宽巷整周模糊度。对该算法在高斯噪声条件下的可行性进行了理论分析,结果表明正常载噪比的观测数据均可分辨出一周宽巷整周模糊度的估计错误。同时,分析了考虑多径等误差后该算法所能接受的载波相位最大误差。计算了不同伪距误差下宽巷整周模糊度一周固定错误出现的概率。使用GPS实测短基线数据对算法进行验证,该算法可将基于宽巷引导的整周模糊度固定算法的固定率从原来的只有不到1/3提升至接近100%。     

基于多普勒测速的GPS单历元动态定位算法

在传统的GPS单历元动态定位参数估计中,由于先验约束信息较少,模糊度求解和定位性能往往较低。据此,研究了多普勒测速在GPS单历元动态定位中的应用,提出了一种附有GPS多普勒测速信息约束的坐标更新方法,即利用移动载体先验坐标和多普勒测速信息预测当前历元坐标。考虑到该方法进行坐标更新的精度较高和传统单点定位坐标更新的稳健性较强等特点,在此基础上给出了相应的单历元整周模糊度参数求解策略,进一步提高了该方法的定位性能。试验结果表明,所提出的算法相对于传统的无速度信息坐标约束的GPS单历元动态定位算法,其模糊度浮点解精度、模糊度固定率和平均定位精度均有了进一步提高,尤其是在观测卫星数较少、卫星几何结构较差的情况下更为明显。     

基于卷积神经网络的建筑物精细化提取

现有图像分割方法往往受图像模糊和噪声的影响,提取的轮廓不准确。为了提取建筑物的精确轮廓,提出了一种基于卷积神经网络的集成方法,包括建筑物定位、形状判断、形状匹配等步骤。实验证明,无论是对DSM图像还是多光谱影像,该方法都能获得精确的建筑物轮廓。     

结合地形改正的神经网络算法在GNSS跨河高程传递中的应用

GNSS测量可以同时获得相对精度较高的三维坐标,是现代工程中重要的控制网布设手段。但GNSS观测数据只被用来布设平面控制网,高程数据并没有被充分利用。本文将神经网络算法和地形改正相结合,建立高程异常拟合模型,目的是充分利用GNSS的高程观测数据,在水准测量困难地区提高效率。     

基于独立成分分析的高光谱图像降维及分割

高光谱图像的高维数给图像的进一步处理带来了困难,为了解决这一问题,本文提出了一种基于独立成分分析的高光谱图像降维分割方法。首先,利用波段子空间划分和标准差对高光谱图像预处理,选择部分波段的高光谱图像作为实验对象;然后利用基于负熵的快速不动点算法对实验数据解混,再根据平均绝对权重系数对波段排序并选取;最后使用模糊C均值聚类算法对降维后的图像进行分割。实验结果表明,该方法能够有效实现高光谱图像降维,并获得较好的分割结果。     

使用长短期记忆人工神经网络进行花岗岩变形破坏阶段的判别

判别岩石所处的变形破坏阶段是分析岩石变化过程的重要基础。由于室内试验视频数据具有很好的等时距分布特征,可以使用基于长短期记忆的神经网络（LSTM-NN）模型判别外荷作用下岩石的变形破坏阶段。本文根据花岗岩室内单轴压缩试验所得应力-应变曲线和试验视频图像中裂隙的分布情况,将岩石变形破坏过程分成岩石压密阶段、弹性变形阶段、裂隙扩展阶段、整体破坏阶段,在提取不同阶段不同组分主要数字特征参数（面积）基础上,建立了基于LSTM-NN模型的岩石变形破坏阶段分类网络,分析了模型主要参数（学习率和最大周期等）对分类准确性的影响,使用所建模型对岩石所处变形破坏阶段进行了判别。结果表明,在LSTM-NN模型参数中,学习率和最大周期对变形破坏阶段判别准确率的影响较大,二者分别为0.005和200时的判别准确率达到最高;对于整个变形破坏阶段来说,LSTM-NN模型对裂隙扩展阶段预测的判别效果最好、对整体破坏阶段预测的判别效果最差;对于花岗岩中不同组分来说,LSTM-NN模型对变形破坏阶段预测准确性高低的顺序是裂隙、黑云母、长石、石英。