大深度潜航器水下空间运动建模与仿真

分析大深度潜航器水下空间运动特点,建立描述其空间运动的数学模型,并以数学模型为基础利用 MATLAB\Simulink 软件完成潜航器空间运动仿真模型的开发。在搭建的仿真模型基础上,通过数学仿真手段分析了潜航器在螺旋下潜、抛载过渡、定角爬升、稳定至水面航行状态下的水下运动全过程,给出了具有弧形翼板的潜航器外形设计方案的运动能力仿真评估,为后续潜航器运动能力优化设计提供仿真依据。     

中国农村深度贫困的空间扫描与贫困分异机制的地理探测

从自然和社会经济因素中选取贫困的影响因子,建立评价指标体系,通过Pearson相关分析确定了贫困的主要影响因素,利用GIS空间分析和BP人工神经网络,分别模拟了省域、市域和县域3个尺度下的自然致贫指数与社会经济消贫指数,进一步计算获得了3个尺度下的贫困压力指数,对其空间分布格局进行分析;借助Flexible空间扫描探测识别出深度贫困县,在此基础上运用地理探测器揭示其主导致贫因素,并提出差别化的减贫对策建议。结果表明：① 省域、市域、县域3个尺度的自然致贫指数和贫困压力指数在空间分布上具有较高的一致性,呈现出明显的“东低西高”的空间分布格局;社会经济消贫指数的空间分布一致性不高,县域尺度更为破碎。以黑河—百色线为界,县域贫困压力指数在空间上表现出“大分散、小聚集”的分布状态。识别出的全国贫困县共计655个,主要分布在重点生态功能区和农产品主产区。② 3个尺度下,空间扫描识别出的贫困高风险区主要分布在西北、西南少数民族和边疆地区。县域尺度下识别出208个深度贫困县,多位于省际边缘区。③ 地理探测器识别出深度贫困县的7个致贫主导因素,按照主导因素将深度贫困县划分为地形要素制约型、区位交通制约型、经济收入制约型和生态环境制约型4类。     

降雨量、土壤蓄水量对流动沙地土壤水分深层渗漏的影响

土壤水分深层渗漏是陆地近地层水分循环的重要环节。利用土壤水分深层渗漏记录仪对毛乌素沙地典型流动沙丘不同深度土层的土壤渗漏水量连续进行两年定点监测。结果表明：（1）2016年生长季（4月1日至10月31日）降水量为2017年的1.93倍,但50、100、200 cm沙层的渗漏水量分别是2017年同期的4.53、5.53,5.22倍。同时,渗漏水量与降雨量及土壤蓄水量的波峰较一致。（2）强降雨对深层渗漏水量的影响较大,土壤蓄水量的变化也与深层渗漏水量密切相关;降雨量较小时,土壤蓄水量与深层渗漏水量之间的关系更为密切。在连续降雨过程中,越往深处,渗漏的产生通常是多次降雨过程累积的结果,将土壤蓄水量作为中间变量,能更好地分析土壤深层渗漏过程。（3）当天蓄水量与次日渗漏水量的相关系数较高,土层越深,深层渗漏水量与土壤蓄水量的相关系数增加,二者之间的线性拟合的R²也相应增加。     

一种多层特征融合的道路场景实时分割方法

道路场景理解是自动驾驶领域中重要模块之一,它可以提供关于道路更丰富的信息,对于建立高精度地图和实时规划都具有重要作用。其中,语义分割可以为图像每个像素赋予类别信息,是自动驾驶场景理解中最常用的方法。但是,目前常用的语义分割算法在速度和精度上大都不能达到很好的平衡。本文在MobileNetV2的基础上,提出了一种多层次特征融合的方法,使得网络可以在实时运行的同时保证精度满足实际应用的需求,并在Cityscapes数据集上进行了试验验证和分析。     

基于深度置信网络的GNSS-IR土壤湿度反演

基于大地测量型GNSS接收机获取的反射信号反演土壤湿度是GNSS领域的研究热点。为克服常规线性回归和BP神经网络算法等的缺陷,本文提出了一种基于深度置信网络的GNSS-IR土壤湿度反演方法。试验结果表明,基于该方法得到的决定系数、土壤湿度平均绝对误差和均方根误差分别为0.909 8、0.017、0.021,与线性回归和BP神经网络算法相比,与实测数据吻合度更高,可有效提高土壤湿度反演精度,证明了方法的有效性和可靠性。     

基于深度残差网络的机载LiDAR点云分类

机载LiDAR点云的分类是利用其进行城市场景三维重建的关键步骤之一。为充分利用现有的图像领域性能较好的深度学习网络模型,提高点云分类精度,并降低训练时间和对训练样本数量的要求,本文提出一种基于深度残差网络的机载LiDAR点云分类方法。首先提取归一化高程、表面变化率、强度和归一化植被指数4种具有较高区分度的点云低层次特征;然后通过设置不同的邻域大小和视角,利用所提出的点云特征图生成策略,得到多尺度和多视角点云特征图;再将点云特征图输入到预训练的深度残差网络,提取多尺度和多视角深层次特征;最后构建并训练神经网络分类器,利用训练的模型对待分类点云进行预测,经后处理得到分类结果。利用ISPRS三维语义标记竞赛的公开标准数据集进行试验,结果表明,本文方法可有效区分建筑物、地面、车辆等8类地物,分类结果的总体精度为87.1%,可为城市场景三维重建提供可靠的信息。     

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。     

关于举办第十一届中国卫星导航成就博览会的通知

尊敬的卫星导航及相关领域各单位负责人:中国卫星导航成就博览会(CSNE)创办于2010年,是中国卫星导航年会(CSNC)的重要内容,与导航年会同期举办,已连续成功举办10届,是目前全球最大规模、最具影响力和权威性的卫星导航领域专业展览。展览每届展出面积超出10000m2,10年来累计参观人数超过10万人次,1240家次国内外知名卫星导航相关企业、高校、科研院所悉数亮相,共同在CSNE平台上全面展示前沿技术、高端产品与应用服务。卫星导航产业链上中下游在博览会上实现深度交流与广泛合作,是业界共识的解读卫星导航技术进步、产业风向、政策资讯的重要窗口,是中国卫星畀航珉具权威的国际性交流平台。     

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。