A-FPN算法及其在遥感图像船舶检测中的应用

光学遥感图像船舶检测主要面临两个挑战:光学遥感图像背景复杂,船舶检测易受海浪、云雾及陆地建筑等多方面干扰;遥感图像分辨率低,船舶目标小,对于其分类与定位带来很大困难;针对上述问题,在FPN的基础上,提出一种融入显著性特征的卷积神经网络模型A-FPN (Attention-Based Feature Pyramid Networks)。首先,利用卷积提取图像特征金字塔;然后,利用顶层金字塔逐级构建显著特征层,抑制背景信息,通过金字塔顶层的细粒度特征提高浅层特征的表达能力,构建自上而下的多级显著特征映射结构;最后利用Softmax分类器进行多层级船舶检测。A-FPN模型利用显著性机制引导不同感受下的特征进行融合,提高了模型的分辨能力,对遥感图像处理领域具有重要应用价值。实验阶段,利用公开的遥感目标检测数据集NWPU VHR-10中的船舶样本进行测试,准确率为92.8%,表明A-FPN模型适用于遥感图像船舶检测。     

渤海垂直湍流混合强度季节变化的数值模拟

渤海为极浅陆架海 ,其中湍流耗散作用显著。将三维斜压陆架海模式 HAMSOM应用于渤海 ,以渤海周边台站每天 4次的常规气象资料作为风和热驱动 ,渤海海峡开边界以 5个主要分潮调和常数计算水位强迫 ,计算了渤海 1982年水文要素和流场变化 ,并用模式以湍的局地平衡理论封闭计算出垂直湍流粘性的时空分布。结果表明 :渤海湍流混合冬强夏弱 ,变化幅度较大 ( 10～ 2 0 0 cm2 / s) ,这是风搅拌和潮混合的湍流输入在密度层化调整下的结果 ;风的作用在冬季强于潮的作用 ,而底层则由潮混合控制呈现半月周期 ;渤海湍粘性系数的空间分布十分复杂 ,这是在渤海地形和岸形轮廓限制下 ,由一定大气条件驱动的流场和密度场导致的湍流混合强度不同所致     

基于神经-模糊方法的单料烟感官质量评价专家系统

作者通过对单料烟评吸的结果与理化测定的指标参数进行分析 ,结合专家经验并采用神经 -模糊方法 ,提出一种基于单料烟的理化指标对各感官参数进行分类、分级 ,建造单料烟感官质量评价专家系统的方法。实验表明 ,该系统具有学习与知识提取能力 ,在卷烟产品质量管理新产品开发中具有指导意义     

基于纹理分析和人工神经网络的SAR图像中海面溢油识别方法

基于纹理分析和人工神经网络建立了用于区别SAR图像中溢油现象和疑似溢油现象的模型.引入图像处理中的纹理分析作为识别溢油现象的特征参量,并利用方差分析对计算的31个特征参量进行筛选作为神经网络的输入.结果表明,模型能够较好的识别溢油现象,测试样本集的总体精度为0.83;纹理特征作为特征参量以及基于方差分析的特征参量筛选提高了溢油现象的识别精度.     

海洋平台结构损伤识别与定位新方法及试验验证

基于小波变换的时频局域化特性和BP神经网络的非线性映射特性,结合两者优点提出了基于小波包分析和神经网络方法的海洋平台三步法损伤定位方法。对海洋平台结构加速度响应信号进行小波包分析,提取小波包特征向量,将小波包结点能量变化量指标作为BP网络的输入向量,逐步确定损伤位置。设计一典型导管架式海洋平台试验模型,分别进行岸上脉冲激励及水池中波浪激励下平台结构损伤识别与定位模型试验,对该方法的可行性和适用性进行了验证。     

盐田水体遥感分类方法研究

以连云港台北盐场为研究区，介绍了监督分类法和神经网络分类法及其在盐田水体遥感分类中的具体应用。研究结果表明，用神经网络分类法进行遥感影像自动分类，其分类精度高，显示了其在遥感领域较为广阔的应用前景。     

基于神经网络的黄东海春季二类水体三要素浓度反演方法

介绍了一种基于人工神经网络的二类水体海域的三要素浓度反演方法。根据2003年春季黄东海试验中获得的高质量现场数据,建立了由现场测量遥感反射率分别反演三要素浓度的神经网络模型。反演的平均相对误差分别叶绿素32．5％,黄色物质8．9％,总悬浮物24．2％。同时分析了神经网络模型在水色反演模式应用中的稳定性。     

基于深度学习的赤潮发生预报方法研究

赤潮作为海洋灾害,对海洋渔业、生态、经济,以及人类生产、生活造成了严重影响。一直以来,赤潮受到研究者的广泛关注,但由于它的形成机制比较复杂,使得赤潮预报极具挑战性。针对赤潮预报的研究问题,本文收集了厦门海域赤潮发生前后的海洋监测数据,结合皮尔逊相关系数、散布矩阵、复相关系数方法,分析多环境因子与赤潮发生多要素的关联情况,重点采用基于深度学习的LSTM与CNN融合方法,挖掘环境因子的时序依赖,发现序列数据的局部特征,对赤潮发生进行预报。在厦门一号和厦门二号数据集中,本方法在预报未来12 h内的赤潮情况时,RMSE、MAE误差分别达到0.521 8、0.504 3。通过协同对比模型进一步确定赤潮发生的预报概率,在两个数据集上的最终预报准确率分别为67.58%和63.49%。本研究为赤潮的分析预报提供了探索经验,证明了将深度学习方法应用于赤潮预报的可行性。     

基于变分模态分解和注意力机制的浪高预测

针对海洋中的海浪高度数据存在非线性和非平稳性的特点,海浪高度的预测就变得相对复杂.基于变分模态分解(VMD),在引入注意力机制(AM)的基础上,对传统长短期记忆(LSTM)神经网络算法进行了改进,提出了一种基于混合模型的海浪高度预测算法.算法通过预处理、预测和重构3个主要步骤,对海浪高度的时间序列进行预测.为了比较和说...     

基于SMAP卫星雷达资料的海冰密集度反演技术研究

SMAP是美国于2015年初发射的一颗卫星,搭载了L波段的雷达。它采用圆锥扫描方式,具有固定的入射角、较大的幅宽和千米级的分辨率,在海冰监测方面具有独特的优势。本文利用SMAP卫星雷达资料分别与德国Bremen大学海冰密集度产品和美国国家冰雪数据中心（NSIDC）海冰密集度产品建立3.125 km和25 km匹配数据集,分析了L波段雷达后向散射系数、极化比和归一化极化差与海冰密集度之间相关性,建立基于人工神经网络的海冰密集度反演算法。为了验证SMAP卫星雷达资料反演海冰密集度的精度,本文选择德国Bremen大学和美国冰雪数据中心发布的海冰密集度产品分别与SMAP海冰密集度产品进行对比分析,SMAP海冰密集度与Bremen海冰密集度的偏差为0.07、均方根误差为0.14;与NSIDC海冰密集度的偏差为0.04、均方根误差为0.18,这表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性。