概率神经网络与BP网络模型在遥感图像分类中的对比研究

通过分析概率神经网络(以下称PNN)的基本结构及其训练算法,建立了卫星图像分类的概率神经网络模型,并通过实例对比分析了概率神经网络与BP网络分类模型的分类效果。实验表明,PNN图像分类方法在分类精度上优于误差反向传播神经网络模型,且分类时间相当,是一种有效的图像分类方法。     

幂函数对建筑物沉降的回归分析

通过实例推导幂函数对建筑物沉降进行回归分析，并且得出较为精确的结果，同时也说明在选择回归函数的时候，还会受到很多条件影响。     

建筑物沉降规律的综合时序分析

建筑物的沉降监测数据序列具有趋势变化和随机变化的特点，本文针对两种变化项的特点分别建立相应的数学模型，再将其组合起来建立综合数学模型，从总体上把握沉降数据序列的变化规律。实例计算分析表明，此方法具有较高的拟合精度和预测能力，具有一定的应用参考价值。     

基于神经网络的建筑物沉降原因分析

在我们应用回归方法对建筑物沉降原因分析及沉降趋势的预测中，由于实际情况的复杂性及主观认识的局限性，这样所得的结果含有较多的人为因素，可能会与实际情况有所差异。针对这种情况，讨论了应用神经网络方法来发现和验证引起建筑物沉降的因素及对沉降趋势的预测。实例表明，该方法能取得较好的效果。     

Analytical exploration of γ-function explicit method for pseudodynamic testing of nonlinear systems

It has been well studied that the γ-function explicit method can be effective in providing favorable numerical dissipation for linear elastic systems. However, its performance for nonlinear systems is unclear due to a lack of analytical evaluation techniques. Thus, a novel technique is proposed herein to evaluate its efficiency for application to nonlinear systems by introducing two parameters to describe the stiffness change. As a result, the numerical properties and error propagation characteristics of the γ-function explicit method for the pseudodynamic testing of a nonlinear system are analytically assessed. It is found that the upper stability limit decreases as the step degree of nonlinearity increases; and it increases as the current degree of nonlinearity increases. It is also shown that this integration method provides favorable numerical dissipation not only for linear elastic systems but also for nonlinear systems. Furthermore, error propagation analysis reveals that the numerical dissipation can effectively suppress the severe error propagation of high frequency modes while the low frequency responses are almost unaffected for both linear elastic and nonlinear systems.     

基于通道域注意力卷积神经网络的遥感影像高尔夫球场提取

针对高尔夫球场目标大、场景复杂等引起的难以完整准确提取问题,构建了EfficientNetB3+UNet网络,引入通道域注意力模块,设计了大尺寸样本训练策略,并对模型进行了对比实验分析和应用。实验结果表明,所提方法的mIoU精度为0.948 7,明显高于非通道域注意力模型（mIoU为0.884 8）和小尺寸模型（mIoU为0.601 4）,有效提升了高尔夫球场提取的完整性和准确性,显著降低了自然植被、水域等复杂内部场景和球场边缘混合场景等导致的漏提和误提现象。同时,在北京、上海、广州和深圳四地的高尔夫球场提取应用中,模型召回率均优于90%,具有良好的应用价值。     

风生涡旋对热盐环流年代际变率的影响——基于盒子模型的分析

大洋热盐环流（Thermohaline Circulation,简称THC）是主要源于北大西洋的深海环流,对全球经向水和热平衡具有重要的作用,是影响长期气候变化的一个重要因素。采纳了Longworth等的观点,通过添加扩散项的形式在经典的Stommel盒子模型中引进了风驱洋涡（Wind-Driven Ocean Gyre,简称WDOG）,并借鉴Sun等的研究方法,讨论了WDOG对THC年代际变率的影响。通过数值计算发现,WDOG的引入会缩短（延长）处于TH型（SA型）平衡态时的THC在扰动作用下的恢复时间。结合Wu and Mu文章的结论,可知正是由于WDOG对处于不同平衡态下THC的环流强度产生了不同的作用,因而导致了上述现象的出现。     

超低频电磁声源非线性动力学建模与分析

电磁声源输出力大、体积小、易于实现超低频输出,在无人反水雷作战中具有显著优势。其动力学行为受到机械回复力和电磁力的耦合作用影响,当施加电流超过坍塌电流,电磁力将超过机械回复力, 就会发生吸和,造成声源的损坏。为准确描述电磁声源非线性动力学特性,预先评估坍塌电流,建立考虑动态漏磁系数的声源非线性动力学模型。通过三维有限元仿真计算动铁芯运动到不同位置处气隙的漏磁系数, 拟合得到动态漏磁系数。根据等效磁路法建立声源的改进电磁力模型,进而建立电磁声源非线性动力学模型。 通过 Runge-Kutta 算法计算得到阶跃激励下声源振动的位移和速度,绘制相平面图。研究稳定与失稳 2 种情况下的相轨迹的动态变化规律,为电磁声源的设计和控制提供理论支撑。     

基于极限学习自编码器的水声信号目标识别方法

传统的机器学习方法在特征提取时容易受到主观经验的影响,导致对水声信号目标的识别准确率不高。而一般深度学习算法模型较复杂,通常具有训练耗时、计算复杂度高等缺点。极限学习自编码器具有很强的非线性处理能力,适合针对具有非线性特点的水声信号目标的识别,而且模型具有学习速度快,泛化能力强等显著优势。将极限学习自编码器算法应用于水声信号目标识别中,并与卷积神经网络、自编码器和极限学习机识别方法进行对比,结果表明：提出的方法对水声信号目标识别的准确率最优,且训练时间较短。     

极移时间序列建模及预测

基于自回归滑动平均(auto-regressive and moving average,ARMA)模型以及一阶差分ARMA模型分别对极移的X分量和Y分量进行了模型拟合,并利用所拟合的模型对极移进行了预测.通过与国际地球自转服务发布的实测极移数据以及其他方法对比,证明了所建立的拟合模型在短期预报上的有效性.且X分量的A...