规则池塘群的复杂直线模式识别

针对现有面要素直线模式识别方法难以解决规则池塘中破碎区域的问题,提出了一种规则池塘群的复杂直线模式识别方法。首先,分析了规则池塘群的空间特征和认知特点,提出了“主次关系→并列关系→直线模式→复杂直线模式”的多层次认知顺序;其次,设计了主次关系池塘组、并列关系池塘组、直线模式池塘群的识别方法;最后,构建了复杂直线模式池塘群的识别模型。试验表明:本文方法能够消除破碎区域对规则池塘群直线模式提取的不利影响,有效提升复杂直线模式识别的质量。     

复杂卫星图像中的小目标船舶识别

船舶作为海上的重要目标,实现对船舶自动识别有重要的意义。针对卫星图像中云雾、海岸背景等复杂海情对船舶识别带来的干扰,以及小目标船舶高漏检率问题,本文提出一种多尺度深度学习模型训练策略,在此基础上构建了一种船舶识别的深度学习网络,该网络可分为多尺度训练、特征提取、生成目标建议区域、船舶分类这4个部分。首先,采用多尺度的训练策略,将多尺度的船舶样本送入网络中进行训练,这样在训练样本中加入了大量小目标船舶的样本,使网络充分提取到小目标船舶的特征;其次,通过卷积神经网络对目标船舶进行特征自适应提取;然后,目标区域建议网络可依据卷积神经网络提取到的特征,在图像中找到感兴趣目标区域,即框定船舶的位置;最后,通过多个全连接层的组合,将高维特征映射到一个4元组中,再运用分类函数输出每一类船舶的概率值,概率值最大的则为该船舶的类别。同时为解决云雾遮挡和海岸背景的干扰,采用了一种负样本增强学习的方法,在样本数据集中加入了大量只含有云雾和海岸背景的图片,进行负样本扩充,增强网络模型对云雾及海岸背景的特征学习能力,以此解决复杂海情的影响。实验结果表明,所提方法有效解决了复杂海情条件下的船舶识别难,以及小目标船舶识别难的问题,实现了复杂海情条件下的船舶识别。同时,与现有成熟的深度学习目标识别算法相比,本文算法的精确度和召回率分别提升了6.98%和18.17%,所训练的模型具有良好的泛化能力和鲁棒性。     

基于Gabor变换和支持向量机的手写体字符识别算法

针对在手写字符识别中由于书写习惯和风格的不同造成字符模式不稳定的问题,将支持向量机SVM方法用于手写字符的识别.算法首先采用Gabor变换提取手写字符图像的特征参数,然后采用提取的特征训练SVM分类器.再应用SVM分类器分类和判别手写字符.实验表明这种方法具有良好的车牌识别效果,较强的鲁棒性,较大的应用价值.     

�ȴ�̫ƽ�����Ƶ��ƽ���쳣�ź��о�

????1992??11???2007??5?μ???????????????????????????仯???????????????1???????24~42???μ???????Я???????????ENSO?????2??SLA_2442?????????????????????????????????????????????????????????????????3?????????У????????????SLA_2442?????????·??????O???Σ??????????????,??γ????????λ??????9.86??N??8??S??????     

冰雹云雷达回波自动识别系统

利用CAPPI资料对立体风暴进行识别，计算并提供出实用的风暴结构参数，采用矩心踊跃法和矩不变量法相结合对单体风暴和混合性风暴回波进行跟踪；最小二第线性外推预报；根据WSD－88D的冰雹算法，在风暴结构基础上本文建立了Windows98操作平台上冰雹识别系统，经单站1年11次强对流天气过程的资料检验，结果表明：雹云识别精度达82％。系统建立了大量人机对话框以方便用户，增加实用性及推广性。     

使用支持向量机识别地震类型的影响因素分析

对山东地区2006~2017年3种地震事件--天然地震、爆破及塌陷的波形记录进行小波变换,对提取出的香农熵特征采用支持向量机LIBSVM方法进行分类识别,并设计一系列实验研究影响最终分类效果的因素。结果表明,5种影响因素--信号窗长度、小波分解方式、小波基类型、向量机算法类型、向量机核函数类型均对地震类型的分类识别结果产生一定的影响;识别率最高的3组处理方式均采用了2 000 s信号窗长度+db7小波基+υ-SVC算法的组合方式。所得的识别率较高的几种影响因素组合,在未来可应用于地震类型的实时识别,进一步提高地震类型的识别率和触发准确率。     

桥梁水平位移混沌特征识别与神经网络预测研究

跨海大桥系统受外界影响扰动,其变形伴有混沌现象发生.对桥梁变形监测数据实现了混沌识别,运用C-C法计算时间序列的延迟时间,用G-P方法求得最佳嵌入维数,通过求取的时间延迟和最佳嵌入维数对桥梁变形监测数据进行相空间重构,为混沌时间序列预测模型的建立奠定基础;基于RBF神经网络建立混沌时间序列预测模型,对实测数据进行桥梁变...     

人工神经网络在云南5月雨量预测中的应用

提出了一个基于３层ＰＢ神经网络的云南５月雨量的短期气候预测模型。由于神经网络本身是一个非线性动态系统,将其应用到短期气候变化预测这一非线性系统中,更能反映出气候系统状态量之间的物理关系和动力行为特性。并用该预测模型对云南５个区域１９９１～１９９８年的５月雨量距平趋势进行了共４０次的预测试验和检验,其预测的距平符号相关准确率可达到７７．５％。     

Long-Term Variability of Volume and Heat Transport in the Nordic Seas: A Model Study

This article presents results from a model study of interannual and decadal variability in the Nordic Seas. Fifty years of simulations were conducted in an initial condition ensemble mode forced with the National Centers for Environmental Prediction (NCEP) reanalysis. We studied two major events in the interannual and interdecadal variability of the Nordic Seas during the past fifty years: the Great Salinity Anomaly in the 1960s and early 1970s and the warming of the Arctic and subarctic oceans in the late 1990s.

Previous studies demonstrated that the Great Salinity Anomaly observed in the subarctic ocean in 1960 was originally generated by intensified sea-ice and freshwater inflow from the Arctic Ocean. Our model results demonstrate that the increase in the transport of fresh and cold waters through Fram Strait in the 1960s was concurrent with a reduction in the meridional water exchange over the Greenland–Scotland Ridge. The resulting imbalance in salinity and heat fluxes through the strait and over the ridge also contributed to the freshening of the water masses of the Nordic Seas and intensified the Great Salinity Anomaly in the Nordic Seas.

The warming of the Atlantic Waters in the Nordic Seas and Arctic Ocean during the past two decades had an important impact on the variability of these two ocean basins. Some previous observational and model studies demonstrated that the warming of the subpolar Atlantic Ocean in the late 1990s and the meridional transport of the Atlantic Water mass (AW) into the Nordic Seas and Arctic Ocean contributed to this process. At the same time, observations show that the warming of the AW in the Nordic Seas started in the 1980s (i.e., earlier than the warming of the subpolar North Atlantic Ocean). Our model results suggest that this process was triggered by an imbalance in the lateral heat fluxes through Fram Strait and over the Greenland–Scotland Ridge. In the late 1980s the AW transport over the Greenland–Scotland Ridge was stronger than normal while the exchange through Fram Strait was close to normal. The related imbalance in the lateral heat fluxes through the strait and over the ridge warmed the Nordic Seas and caused an increase in the temperature of the AW inflow to the Arctic Ocean in the late 1980s (i.e., about a decade earlier than the warming of the source of the AW in the subpolar North Atlantic Ocean). Thus the model results suggest that the imbalance in lateral heat and salinity fluxes through the strait and over the ridge connecting the Nordic Seas to the North Atlantic and Arctic oceans could amplify the interannual variability in the subarctic ocean.

[Traduit par la rédaction] Cet article présente les résultats d'une étude par modèle de la variabilité interannuelle et décennale dans les mers nordiques. Nous avons effectué des simulations sur une période de cinquante ans en mode d'ensemble de conditions initiales forcé avec les réanalyses des NCEP (National Centers for Environmental Prediction). Nous avons étudié deux événements majeurs survenus dans la variabilité interannuelle et décennale des mers nordiques au cours des cinquante dernières années : la grande anomalie de salinité des années 1960 et du début des années 1970 et le réchauffement des océans Arctique et subarctique vers la fin des années 1990.

Des études précédentes ont démontrées que la grande anomalie de salinité observée dans l'océan subarctique en 1960 a été causée par une intensification de l'apport de glace de mer et d'eau douce depuis l'océan Arctique. Les résultats que nous avons obtenus du modèle montrent que l'accroissement du transport d'eau douce et froide à travers le détroit de Fram dans les années 1960 s'est produit en même temps qu'une réduction dans l’échange méridien d'eau au-dessus de la crête Groenland–Écosse. Le déséquilibre résultant dans les flux de salinité et de chaleur à travers le détroit et au-dessus de la crête a aussi contribué à l'adoucissement des masses d'eau des mers nordiques et a intensifié la grande anomalie de salinité dans les mers nordiques.

Le réchauffement des eaux atlantiques dans les mers nordiques et dans l'océan Arctique au cours des deux dernières décennies a eu un impact important sur la variabilité de ces deux bassins océaniques. Des études observationnelles et par modèle précédentes ont établi que le réchauffement de l'océan Atlantique subpolaire dans les années 1990 et le transport méridien de la masse d'eau atlantique dans les mers nordiques et dans l'océan Arctique ont contribué à ce processus. En même temps, les observations montrent que le réchauffement des eaux atlantiques dans les mers nordiques a commencé dans les années 1980 (c.–à–d. plus tôt que le réchauffement de l'océan Nord-Atlantique subpolaire). Les résultats du modèle suggèrent que ce processus a été déclenché par un déséquilibre dans les flux de chaleur latéraux à travers le détroit de Fram et au-dessus de la crête Groenland–Écosse. À la fin des années 1980, le transport des eaux atlantiques au-dessus de la crête Groenland–Écosse était plus fort que la normale alors que l’échange à travers le détroit de Fram était près de la normale. Le déséquilibre résultant dans les flux de chaleur latéraux à travers le détroit et au-dessus de la crête a réchauffé les mers nordiques et causé une augmentation de la température des eaux atlantiques parvenant à l'océan Arctique à la fin des années 1980 (c.-à-d. environ une décennie avant le réchauffement de la source d'eaux atlantiques dans l'océan Nord-Atlantique subpolaire). Donc, les résultats du modèle suggèrent que le déséquilibre dans les flux de chaleur et de salinité latéraux à travers le détroit et au-dessus de la crête reliant les mers nordiques à l'Atlantique Nord et à l'Arctique pourrait amplifier la variabilité interannuelle dans l'océan subarctique.