序言

目前,我国大规模海水养殖主要集中在滩涂和近岸浅水海域的狭小空间范围内,这带来了病害风险、质量安全、产业冲突、生态损失等一系列问题。海水养殖向深远海拓展、走绿色创新之路是产业科学发展的必然选择。中国海洋大学在淡水养殖、海水养殖、渔业工程方面有着深厚学术积淀,同时有物理海洋、海洋地质、海洋工程、海洋化学、食品科学与工程以及经济与管理等学科的有力支撑。基于上述学科基础,经几年酝酿,水产学院“黄海冷水团冷水性鱼类养殖科技攻关团队”于2012年初正式提出了在黄海冷水团养殖鲑鳟鱼类的计划。经与多家养殖企业商讨,最终在2014年10月,中国海洋大学水产学院开始与日照市万泽丰渔业有限公司协作,在我国率先实施了基于现代海洋装备的深远海鱼类养殖项目。     

中药治疗心律失常的用药规律研究

目的：通过文献总结,分析临床上中医药治疗心律失常的用药规律。方法：通过检索中国知网（CNKI）数据库,搜集近十年来关于中药治疗心律失常的100个确效方剂,建立Excel表格,统计所用药物,将所统计的药物按其功效分类,计算各类药物及各单味中药出现的频率和频次,发现用药规律。结果：100个复方中,统计出各类中药129味,共涉及17类药物,以补虚、活血化瘀、清热、安神药为多见;各类药物共出现975次,其中甘草、麦冬、丹参和五味子的使用频次最多。结论：临床治疗心律失常以补气、补阴、清热、化瘀药为主。     

任意阵列形状的欠定多目标方位估计

随着人类社会对海洋认识和探索的深入,对水下监测和探测设备提出了更高的要求,探测阵列模型和阵列信号处理算法决定了监测和探测设备的复杂度。 针对特定水下多目标定位平台的复杂环境,建立了一种任意空间阵列数学模型,介绍了四阶累积量算法,分析了阵列信号处理中四阶累积量的阵列扩展特性。 基于四阶累积量的 MUSIC 算法的空间谱分析,建立了任意阵列形状的欠自由度多目标方位估计的理论基础。 计算机仿真结果表明了算法的正确性和有效性。     

“贪吃”的白矮星

恒星起源于一团充斥着气体和尘埃的星云,随着时间的流逝,当星云本身的引力大于气体产生的压力时,引力收缩使星云不断地快速旋转、坍缩、加热升温,于是便形成了恒星最初的模样——原恒星。在恒星演化中,恒星的初始质量和化学丰度决定了它生命周期的长度.     

检测前跟踪框架下利用蒙特卡洛算法的空间碎片跟踪策略研究（英文）

在轨卫星或者空间碎片数量的增多,是对空间目标地基自动观测的一个挑战。尽管北美防空司令部编目管理了绝大多数直径超过10 cm的空间物体,但由于轨道摄动,空间目标的位置信息(基于6个轨道根数)依然非常重要,并需要定期更新。在过去的几十年里,配备电子传感器的现代地基光电望远镜已广泛用于天体测量领域。然而,这种设备的跟踪性能主要取决于空间目标的大小和亮度。这些目标所在的天文图像会有不同的背景;而且,在基于凝视模式的短曝光实时观测过程中,运动目标和背景恒星在不同的信噪比下显示为类似的点扩散函数,难以辨认。本研究是为了实现对非高斯和动态背景的高灵敏度检测和跟踪能力的提高,并具有简单的系统机制和出色的计算效率。为突破该限制,将重点放在利用状态估计技术对微小卫星和暗弱目标进行跟踪上。提出一种基于神经网络的自适应运行高斯平均算法,用以从恒星背景及干扰下提取运动的空间目标。该方法随后被集成到了一个检测前跟踪框架中。该框架利用基于蒙特卡洛的粒子滤波跟踪空间目标。三段来自亚太地基光学空间目标观测系统(APOSOS)图像序列被用来对该跟踪策略进行评估。实验结果表明,该方法能够达到满意的跟踪性能。     

COSMO-SkyMed颜色变换强度RC法南京建设用地变化检测

基于非局部滤波的SAR强度RC合成变化检测法对小图斑、线型地物等动态监测灵敏,且对数据获取无时空基线要求,在多云多雨城市地表要素变化检测中具备潜力。本文研究以多时相SAR强度RC合成图为数据源,提出一种基于色彩空间变换的变化图斑半自动提取方法,即通过色彩空间转换、训练样本选取、监督分类影像分割、变化区域提取4步骤,可实现基于SAR强度图的城市建设用地动态监测与图斑高效更新。选取南京河西新城与江北新区为示范,以最优参数配置（3特征向量与10样本类别）进行试验,实现了优于88%的建设用地查准率指标。     

基于移动GIS的生态环境智能感知方法

随着全球范围移动互联网的高速发展,人们作为"传感器"行走在真实社会中制造实时的、实地环境的、大范围的地理信息,特别是具有互动性和实时性的区域环境状况的地理信息。这类数据具有交互性、实时性、丰富性、社会性等特点,成为数据科学家眼中的金矿。基于"互联网+"时代背景,随着移动互联网、移动GIS技术和LBS技术日趋成熟,本文提出了基于移动GIS的生态环境智能感知方法,开发基于Android平台的APP,实现查询环境质量指数、查看环境污染地图、污染一键分享和解决等功能,从大众的视角感知和获取生态环境信息,为大众提供实时动态环境信息查询方式,引导鼓励公众参与环境保护,提供治理环境污染和地理信息资源获取的新思路。     

深度学习GoogleNet模型支持下的中分辨率遥感影像自动分类

提出了一种基于深度学习技术的遥感分类方法,它能有效解决中分辨率影像在分类过程中出现的像元混分问题。研究选用2016年5月12日武汉市Landsat 7 ETM+遥感影像,基于GoogleNet模型中的Inception V3网络结构,借助迁移学习方法,构建出遥感分类模型,实现了对武汉市主城区4类典型地物（不透水层、植被、水体和其他用地）的自动分类提取,并将分类结果与传统最大似然分类（ML）结果进行了对比分析。研究表明：基于深度学习方法的遥感影像总体分类精度高达88.33%,Kappa系数为0.834 2,明显优于传统ML方法总体分类精度83%和Kappa系数0.755 0,而且有效抑制了地物在分类过程中出现的像元混分现象。