基于自适应Kalman滤波的BP神经网络及其在高程拟合中的应用

针对传统BP神经网络容易发散、泛化能力差等问题，采用自适应Kalman滤波方法训练神经网络的连接权。与Kalman滤波训练连接权和传统的BP算法相比，该方法提高了BP神经网络计算精度，增强了泛化能力。实测数据的计算结果证明了该方法的可行性与有效性。     

三维复杂域非结构化六面体网格全自动生成方法

使用自适应有限单元法在三维复杂域内求解水工及岩土工程问题,讨论了应用行波法在多介质三维复杂块体内六面体单元网格的自动生成过程。其特点是对不规则区域具有较强的适应性,并考虑了节理单元的自动生成。     

用SAVQ技术实现太阳射电频谱的数据压缩

对自适应矢量量化（SAVQ）技术在太阳射电频谱数据压缩中的应用进行了有意义的讨论．给出一种压缩比和失真可调的SAVQ压缩方法,指出提高数据压缩比的有效方法之一为样本集成,同时介绍了用该技术对北京天文台太阳射电频谱仪上的两个波段（1．0GHz－2．0GHz和2．6GHz－3．8GHz）的观测数据进行压缩的实用效果,并与国际同行所用的ICON方式进行性能比较．最后展示了数据压缩技术及其在天文上的应用．     

基于对流可分辨集合预报的阜宁龙卷概率预报研究

本文针对2016年6月23日江苏阜宁龙卷,设计了两组对流可分辨尺度集合预报:一组以ERA5再分析资料为初始和侧边界(CEFS_ERA5);另一组以NCEP GEFS为初始和侧边界(CEFS_GEFS),评估了两组试验对此次龙卷的预报能力。结果显示:两组对流尺度集合预报均有约半数以上成员能够再现龙卷超级单体的特征;2~5 km上升螺旋度(UH25)对本次龙卷超级单体有较好的预报指示意义。在上述分析的基础上,考虑位置预报偏差,提出了一种基于UH25的邻域龙卷概率预报产品,分析了龙卷概率预报技巧对关键参数邻域半径和UH25阈值的敏感性,CEFS_ERA5邻域半径取15个格点,UH25阈值取250 m²·s^-2最优;而CEFS_GEFS邻域半径取15个格点,UH25阈值取100 m²·s^-2最优。总的来说,邻域概率预报产品显著提升了对此次龙卷概率预报水平。     

一种自适应的坡度阈值地面点云分割方法

针对城市道路斜坡地形场景中地面欠分割或过分割的问题,提出了一种自适应的激光雷达地面分割算法。首先将激光点云按照水平角度分辨率进行有序组织,然后求取同一水平角度下前后扫描圈间激光点云的距离和局部坡度,最后采用自适应水平距离、局部高度和全局高度阈值区分地面点和非地面点。结合40线激光雷达进行多场景实例分析,结果表明本文算法分割的准确率更高,处理每帧数据均用时约1ms,满足无人驾驶汽车的实时性需求。提出了一种自适应的激光雷达地面分割算法,实现了对激光雷达地面点云的准确分割。     

车道线检测中自适应图像预处理算法研究

针对传统车道线检测中图像预处理算法易受光照、遮挡以及阴影等环境因素影响的问题,提出了一种自适应灰度处理算法,并与全局二值化组合用于车道线检测的图像预处理.算法结合R和G通道对车道线的敏感性自适应选取灰度处理阈值,并结合逆透视变换和全局二值化算法实现高质量预处理图像生成.为了验证本文算法实际性能,分别在Tusimple、KITTI、CULane和Caltech-lanes 4个数据集上进行了测试实验.实验结果表明:所提算法能够有效降低光照、遮挡和阴影等环境因素对预处理效果的影响,相比于传统预处理方法检测精度更高,鲁棒性与普适性更优.     

让星光不再闪烁——提升星像质量的自适应光学

天文学家通过望远镜观测星空,无非想看得更深,更清楚。所以,评价一架天文望远镜的最重要的两个指标就是灵敏度与分辨率。其中,灵敏度可以通过扩大收集面积来提高,也就是增大望远镜的口径。分辨率与此类似,望远镜的口径与分辨能力成正比,即口径越大的望远镜的分辨率也就越高。     

融合自适应最优邻域和卷积神经网络的三维点云分类

针对点云分类中提取单个点自身特征所需的邻域尺寸选择,以及低层次特征设计烦琐且表达地物属性能力较弱等问题,本文提出了一种自适应选择单点最优邻域尺寸及学习泛化能力更强的深层次特征的三维点云分类方法。首先基于自适应最优邻域尺寸选择获得每个点的最优局部邻域信息,继而基于局部邻域信息提取点云低层次特征;然后设计一种以待分类点低层次特征为输入的卷积神经网络模型,学习能反映目标地物内在属性的深层次特征并实现分类;最后采用拓普康公司三维点云数据集进行试验,该数据集通过一个配备TOPCON GLS-2200三维激光扫描仪的移动平台获得。试验结果表明,本文方法分类的总体精度达90.48%,优于文中其他点云分类方法。     

联合LoFTR与自适应IRLS的立体测绘卫星高程误差检查

立体测绘卫星产品精度受多种因素的影响,采用一定的技术手段对立体像对接边的平面高程误差进行准确和全面的量测,不仅可以有效保障测绘产品的生产质量,还有助于检查影像内部可能存在的畸变和异常。本文提出了一种立体测绘卫星高程接边误差检查方法,首先通过LoFTR算法对具有重叠的异轨立体卫星像对进行特征匹配后获取大量的高精度匹配点;然后找出能够分别在两个像对上进行前方交会的匹配点,并计算这一位置的高程接边误差;最后通过自适应迭代再加权最小二乘法(IRLS)方法对单一区域中的匹配点对应的高程接边差的平均值进行稳定性估计,剔除检查结果中的异常值,得到可信结果。通过国产资源三号立体像对和高分七号立体像对的试验,证明了该方法达到的精度水平足以满足立体测绘卫星高程误差检查的精度需求,并验证了该方法的有效性。     

一种基于域适应的动态商品视觉识别方法北大核心CSCD

由于变形、遮挡、运动模糊、商品之间外观的相似性及真实场景中未知的分布偏差,商品动态视觉识别在实际应用中仍存在巨大的挑战。本文提出了一种面向智能零售的动态商品视觉识别方法,即首先通过目标检测网络实时检测商品的外接矩形框,然后在此基础上识别商品的类别并给予推荐,辅助完成消费结算。针对商品拿取视频与商品库图像、训练图像之间的跨域差异,引入邻域风格自适应模型(IBN)和卷积注意力模块(CBAM),提升模型的域适应能力。为了验证该方法的有效性,构建了一个真实的场景数据集Commodity247,数据由智能货柜的顶视摄像头采集,包含247类常见的零售商品,以及37 050张带标注框和商品类别的图片。试验结果表明,在Commodity247数据集上,商品识别的准确率(mAP)可达96.84%,第一推荐正确率(Rank1)可达98.41%,最难样本检索准确率(mINP)可达85.24%;与基于ResNet搭建的基础模型相比,mAP提升了2.91%,Rank1提升了0.60%,mINP提升了10.86%,有效降低了多角度、多光线、多背景的影响。