基于MSA特征的遥感图像多目标关联算法

遥感图像中多目标关联存在以下两个问题:一是低时间分辨率观测使得目标状态信息无法准确估计,基于Kalman滤波的多目标关联算法不再适用;二是基于图像特征的目标关联算法又无法处理大场景观测中多个目标关联引起的模糊性.针对上述问题,提出一种基于多尺度自卷积特征匹配和关联代价矩阵最优化的多目标关联算法.实验表明该算法对遥感图像中多目标关联问题具有一定的适用性.     

某人工挖孔桩质量事故检测及加固处理实例

应用动测和钻芯等无损检测技术,综合诊断分析出某桩基工程的重大质量隐患,发现了桩身空洞缺陷或桩底沉渣等质量问题,并采用灌浆技术进行了加固处理.     

基于脉冲频响函数的MATLAB动力方程求解方法

提出一种基于脉冲频响函数并利用MATLAB求解的方法，由于脉冲频响函数利用卷积公式进行动力微分方法计算，因此，从理论上讲，它适合于任意外力下的动力方程求解，同时，MATAL又提供了卷积函数conv，所以，在MATLAB下求解动力方程将变得十分容易。     

地铁隧道开挖引起地表塌陷分析

深圳富水软弱地层地铁隧道开挖中出现的工作面失稳及由此引起的地表塌陷是地铁安全施工中极其重要的方面，对施工安全、进度都有较大影响，同时也对整个工程造成巨大的经济损失。通过对深圳地铁Ⅰ期工程土建施工中全线部分暗挖标段出现的工作面失稳、地表塌陷工程实践和现场监测结果分析，特别着重对连续2次出现地表塌陷的3A标暗挖隧道研究，从隧道上覆地层物理力学性质参数、地层变形监测分析及施工工艺原因3方面阐述了地表塌陷的原因。明确提出剪切破坏线和失水空洞区的概念，确定出引发地表塌陷的主导因素为施工工艺原因。建议针对该类地层条件，应做好超前地质预报．适当调整预加固参数．加强隧道结构和地表的动态变形监测，施工技术人员做到准确了解施工现场动态，及时调整施工工艺参数，以保证隧道的安全施工。分析结果对深圳地铁Ⅱ期工程施工及类似地层条件地下工程施工提供科学预测、预防地表塌陷的方法和技术措施，达到地铁隧道施工中经济效益与安全施工的统一。     

基于点云空洞修复和TPS模型的数学形态学机载LIDAR滤波

在分析现有滤波算法的基础上,结合数据驱动和模型驱动式算子各自的优点,提出基于点云空洞修复和TPS变形模型的数学形态学机载LIDAR点云滤波,该方法首先提取和修复由水域造成的大面积点云空洞,采用多尺度形态学开算子作用于修复的数据,得到近似裸露地表面;然后利用2D空间的TPS变形模型,以近似地表面为基础,插值原始点云,根据插值与原始点云高程的差值大小去识别地面点和非地面点。通过定量分析,验证该方法不仅有较高的滤波精度,而且也能较好的保留裸露地表的细节特征,同时该方法有助于辅助人工处理,提高数据处理的质量。     

卷积神经网络及其在矿床找矿预测中的应用——以安徽省兆吉口铅锌矿床为例

大数据人工智能地质学刚刚起步,基于大数据智能算法的地质研究是非常有意义的探索性实验。利用大数据和机器学习解决矿产预测问题,有助于人们克服不能全面考虑地质变量的困难及评估当前模型在已有数据中的可靠性。元素地表分布特征量主要受原岩成分、成矿作用影响和地表过程的影响,它们携带某些指示矿体就位的信息,即矿体在地下空间就位时在地表的响应,且未在地表过程中消失。以往的地球化学勘查工作仅仅识别异常,但未能发现矿体在地表响应的成矿特征量。本文以安徽省兆吉口铅锌矿床为例,通过机器学习,利用卷积神经网络算法,不断挖掘元素Pb分布特征与矿体地下就位空间的耦合相关性。经过1000次训练后,可以得到准确率0. 93,损失率0. 28的卷积神经网络模型。这种神经网络模型就是矿体在地下就位时元素在地表分布的响应,可以用来进行矿产资源预测。应用该模型对未知区进行预测,结果显示第53号区域具有很大概率存在尚未发现的矿体。     

改进的GOTURN算法

随着基于深度学习的算法在计算机视觉领域中的应用不断拓展,GOTURN(Generic Object Tracking Using Regression Networks)算法是第1个满足目标跟踪实时性要求的深度学习算法(达到100 fps),但是该算法的跟踪精度有待提高。针对此问题,采用基于运动估计的卡尔曼滤波算法与基于卷积神经网络的深度学习算法相结合的方法,将卡尔曼滤波算法融入GOTURN算法进行目标跟踪。为了验证该算法的有效性,在ILSVRC2014数据集和ALOV300++数据集中进行了训练和评估。实验结果表明,该算法不仅能够满足目标跟踪的实时性要求,而且能够提高线性系统的跟踪精度。     

基于卷积神经网络的建筑物精细化提取

现有图像分割方法往往受图像模糊和噪声的影响,提取的轮廓不准确。为了提取建筑物的精确轮廓,提出了一种基于卷积神经网络的集成方法,包括建筑物定位、形状判断、形状匹配等步骤。实验证明,无论是对DSM图像还是多光谱影像,该方法都能获得精确的建筑物轮廓。     

超参数对GRU-CNN混合深度学习弹性阻抗反演影响研究

CNN-GRU混合深度学习反演弹性阻抗取得了较好的反演效果.但是,基于深度学习的叠前反演参数众多,包括内部深度学习网络可学习参数和外部超参数等,目前超参数选取对网络性能及计算速度影响尚缺乏系统性研究,这直接影响到了该方法的进一步推广应用.因此,本文在混合深度学习反演弹性阻抗基础上,探讨学习率、Ep-och、batch_...