GPS高程拟合中神经网络法的基本思想

高程问题一直是困扰GPS的问题之一,而不同的GPS高程拟合方法都有其适用条件,并且精度不等。本文在对人工神经网络的基本原理、神经元模型、网络结构、数据结构和训练方式等研究的基础上,给出一种新的算法(新BP算法)。以“阜新控制网改造工程”作为一个具体实例,使用Matlab语言来完成GPS高程的拟合,并与其他方法作了比较,最后给出有益的结论。     

基于红色通道注意力机制的水下图像增强

水下图像增强因其在海洋勘测和水下机器人中的重要意义而备受关注。在过去的几年中,已经提出了许多水下图像增强算法。已有的深度学习方法由于忽略水下图像的预处理过程和对红色通道信息的增强或者弱化了这个过程,导致增强结果并不显著,其往往只适应特定的场景,缺乏泛化能力。为此,基于卷积神经网络建立了一种全新的水下图像增强算法,为了充分利用特征图的通道信息,在相同维度的特征图之间采用不同尺寸的卷积核获取更多通道数目的特征。然后,基于红色通道构建了注意力机制,以加强对于图像中容易丢失信息的红色通道的特征提取。最后,在EUVP,UFO120数据集做了消融实验,证明了红色通道注意力机制的有效性。通过对对比实验的增强结果进行各项指标分析,证明增强结果有着更高的结构相似性和峰值信噪比,并且在无参考指标方面有着更高的颜色平衡、清晰度以及对比度,综合性能优于以往的方法。     

基于改进近似模型的水下鱼雷打靶快速预报方法

鱼雷打靶试验对评价武器系统对目标的打击性能具有重要意义。水动力参数是模拟鱼雷水下运动轨迹、预报鱼雷打靶落点的关键参数。随着现代CFD技术的发展,采用数值方法获取水动力参数,提高了轨迹预报精度,但计算效率不高,不利于多工况下鱼雷打靶预报。首先,基于刚体动量和动量矩定理建立了鱼雷的水下运动方程组,运用4阶龙格–库塔（Runge-Kuta）法对运动方程组进行数值求解,对鱼雷水下轨迹进行模拟,从而获取鱼雷打靶性能。其次,提出了基于遗传算法的近似模型（GA-BP）和自适应遗传算法优化的近似模型（AGA-BP）模拟鱼雷水下打靶落点,对鱼雷打靶性能进行快速预报。通过仿真和数据对比,结果表明：AGA-BP预测模型相对于BP预测模型更稳定、GA-BP预测模型收敛速度更快,实现对鱼雷水下打靶快速预报。     

基于深度学习的目标检测定位系统设计与实现

针对传统遥感影像目标检测方法效率不高,并且无有效手段对检测信息进行管理利用的问题,提出了在B/S构架下基于深度学习的目标检测及定位方法。通过集成深度学习框架、WebGIS以及数据库,实现了集遥感影像目标检测、展示及管理于一体的目标检测定位系统,满足多用户基于前端浏览器的并发目标检测需求。利用网格划分策略,实现了基于前端的大区域范围的目标快速检测。基于某机场飞机目标及某城市区域运动场目标检测结果表明:本文设计的目标检测定位系统能够在前端实现目标快速检测定位,具有较高检测精度,并可有效管理检测信息,为深度学习循环再利用提供数据支撑。     

基于遗传Elman神经网络进行矿区GPS高程拟合

目前,城市、平原地区的似大地水准面建立精度已经达到厘米级,但在矿区进行高程拟合时,由于地面高低起伏没有规则,其似大地水准面的拟合精度并不理想。针对此问题,本文提出利用遗传算法优化Elman神经网络的方法精化似大地水准面,采用移去-恢复法对残差进行建模,使用EGM 2008地球重力场模型和地形起伏信息来精化求解似大地水准面和参考椭球面之间的高程异常,同时着重分析了地球重力场模型以及地形变化信息对高程异常求解的重要性,并使用某矿区实测数据(GPS、水准)对所提方法进行验证,实验结果表明:文中所提方法的精度要优于二次曲面拟合模型和单一Elman模型,其外符合精度达到了1.14 cm,可以代替四等水准测量。     

基于深度学习构建的全球电离层NmF2模型

采用递归神经网络对空基COSMIC和地基垂测站数据建立了全球电离层峰值电子密度模型,模型均方根误差达到1.3×10~5 el/cm~3。在春夏秋冬4个季节内,人工神经网络ANN模型预测精度比IRI模型分别提高了25.7%、19.7%、33.3%和21.8%。另外,ANN模型不仅能够有效地模拟全球电离层时空变化特征,也能够成功地模拟电离层的诸多区域物理变化特性,如赤道电离异常、威德尔海异常、中纬度夜间异常和冬季异常。ANN模型可以为改正单频接收机的电离层延迟发挥一定的作用。     

确定区域大地水准面的K-means-RBF神经网络方法

确定区域大地水准面的几何水准方法在拟合大地水面时未顾及重力场信息,仅是一种单纯的数学拟合,忽略了重力场数据自身的物理性和不同数据间的相关性.近年来,深度学习方法得到广泛重视与研究.本文提出了一种有监督学习的RBF神经网络精化大地水准面的方法,使用包含重力异常和大地水准面高的重力场数据进行神经网络训练,并采用K-mean...     

基于MEA-BP神经网络的卫星钟差预报

卫星钟差是影响导航定位精度的重要因素之一,建立高精度的钟差预报模型对高精度定位有重要意义。针对常用模型卫星钟差在短期预报中随时间增加误差积累,以及传统BP神经网络不稳定,容易出现过拟合等问题,本文提出一种基于思维进化算法(MEA)优化的BP神经网络钟差预报模型和算法。首先对原始钟差数据进行一次差处理;然后利用思维进化算法对BP神经网络的初始权值和阈值进行优化,给出该模型进行钟差预报的具体步骤;选用IGS站提供的多天GPS精密钟差产品数据进行试验分析,使用GPS一天中前12 h数据建模,进行2、3、6和12 h的钟差预报。结果表明:利用MEA-BP模型得到的上述4种时段的预报精度分别优于0.36、0.38、0.62和1.56 ns,预报误差曲线变化起伏较小,说明新模型的预报性能优于3种传统模型,新模型在钟差预报短期预报中的实用性及稳定性是较佳的。     

基于高分遥感影像的建筑物侧面信息提取及其高度计算

本文选取成都市某一区域建筑物A、B为研究对象,采用分辨率为0.61 m的Quick bird影像,运用图像分割法和LVQ神经网络算法,提取建筑物侧面信息,根据假设法原理,构建高度计算物理模型,求取建筑物高度。对比实测数据,结合可能影响实验结果的实地因素、遥感影像因素进行精度分析与评价,探讨基于高分遥感影像的建筑物侧面信息提取和高度计算的方法。结果表明,LVQ神经网络算法在建筑物侧面提取和高度计算中有更好的应用价值,精度高达94%。     

基于深度学习理论的无人机影像分类

针对无人机影像深度学习分类方法缺乏现状,本文利用深度学习理论卷积神经网络方法对无人机影像进行了分类。该法首先抽取无人机影像作为训练集和检验集,然后建立一个2个卷积层-池化层的卷积神经网络模型进行深度学习,通过设定参数并运行模型实现无人机影像分类。实验表明,本文提出的方法可完成较复杂地区无人机影像分类,其分类精度与支持向量机方法相当,为无人机遥感影像分类提供了一个崭新的技术视点。