检索结果-内蒙古大学图书馆

雷达学报（中英文） 2024年第4期13卷 866-884页

作者：向俞明滕飞王林徽焦念刚王峰尤红建中国科学院空天信息创新研究院北京100094 中国科学院空间信息处理与应用系统技术重点实验室北京100190 中国科学院大学电子电气和通信工程学院北京100049

随着高分辨率合成孔径雷达(SAR)卫星的陆续发射,对天气条件多变的海岛区域进行全天候、全时段的高精度观测已变得可行。作为多种遥感应用的关键前置步骤正射校正,依赖于高精度控制点来纠正SAR影像的几何定位误差。然而,在海岛区域获取符... 详细信息

随着高分辨率合成孔径雷达(SAR)卫星的陆续发射,对天气条件多变的海岛区域进行全天候、全时段的高精度观测已变得可行。作为多种遥感应用的关键前置步骤正射校正,依赖于高精度控制点来纠正SAR影像的几何定位误差。然而,在海岛区域获取符合SAR校正要求的人工控制点不仅成本高,且风险大。为了应对这一挑战,该文首先提出了一种光学与SAR异源影像的快速配准算法,然后基于光学参考底图自动提取控制点,实现了海岛区域SAR影像的正射校正。所提出的配准算法分为两个阶段:首先构建异源影像的共性密集特征,然后在降采样后的特征上进行逐像素匹配,避免了异源影像特征点重复性低的问题。为了降低匹配复杂度,引入了海陆分割掩模以限定搜索范围。接着,对初步匹配点进行局部精细匹配,以减少降采样带来的不准确性。同时,引入海岸线均匀采样点以提升匹配结果的均匀性,并通过分段线性变换模型生成正射影像,确保了稀疏岛屿区域的整体校正精度。该算法在多景海岛区域的高分辨率SAR影像上表现出色,平均定位误差为3.2 m,整景校正时间仅需17.3 s,均优于现有多种先进的异源配准与校正算法,显示出其在工程应用中的巨大潜力。

关键词：合成孔径雷达遥感影像配准正射校正光学SAR配准海岛区域海岸线矢量

来源：评论

学校读者我要写书评

暂无评论

基于语义分割网络的植保机器人视觉伺服控制方法

引用

农业机械学报 2024年第5期55卷 21-27,39页

作者：李秀智方会敏朱玉垒杜博文董泓佑北京工业大学信息学部北京100124 江苏大学农业工程学院镇江212013 现代农业装备与技术教育部重点实验室(江苏大学) 镇江212013

为实现稳定可靠的植保机器人视觉伺服控制,提出了一种基于语义分割网络的作物行特征检测方法。基于语义分割网络ESNet实现农田场景图像像素级带状区域检测,并利用最小二乘算法拟合得到每条行作物线特征;在此基础上通过设计一种主导航线... 详细信息

为实现稳定可靠的植保机器人视觉伺服控制,提出了一种基于语义分割网络的作物行特征检测方法。基于语义分割网络ESNet实现农田场景图像像素级带状区域检测,并利用最小二乘算法拟合得到每条行作物线特征;在此基础上通过设计一种主导航线提取算法获取导航路径,并利用卡尔曼滤波对主导航线几何参数进行平滑处理,有效抑制了不平整地面导致的机器人运动颠簸与视觉图像测量噪声引起的导航参数波动。继而构建机器人前轮转向、后轮差速的阿克曼运动学模型;在图像空间坐标下设计纯追踪控制器实现植保机器人的伺服运动控制。大田环境下的现场实验结果为:总体横向偏差为0.092 m,验证了本文方法的有效性。

关键词：植保机器人视觉伺服控制深度学习语义分割网络作物行特征检测

来源：评论

学校读者我要写书评

暂无评论

航天器自主智能运维技术进展

引用

宇航学报 2025年第2期46卷 215-231页

作者：王坤朋杨文昊李文博柴毅姚娟黄晓峰王彤西南科技大学信息工程学院绵阳621010 北京控制工程研究所北京100094 空间智能控制技术全国重点实验室北京100094 南京航空航天大学自动化学院南京211106 重庆大学自动化学院重庆400044 北京空间飞行器总体设计部北京100094

自主智能运维技术作为确保航天器在轨安全可靠、连续稳定运行的关键核心技术之一,是提升航天器自主生存能力和智能运行水平的重点发展方向。首先结合航天器的功能组成、运行环境及工作模式,深入梳理了航天器自主智能运维技术的内涵与独... 详细信息

自主智能运维技术作为确保航天器在轨安全可靠、连续稳定运行的关键核心技术之一,是提升航天器自主生存能力和智能运行水平的重点发展方向。首先结合航天器的功能组成、运行环境及工作模式,深入梳理了航天器自主智能运维技术的内涵与独特特点。随后,从自主状态感知、自主故障诊断、自主评估预测、自主运维决策及自主学习更新5个关键维度,系统综述了该技术领域的理论研究现状与实际应用案例。最后,针对当前面临的运维人员不可达、先验知识不完备、资源配置不充分等挑战,提炼并展望了跨时空数据融合、可信任可解释诊断、知识迁移预测、云边协同决策及持续增量学习等未来发展趋势,为航天器自主智能运维技术的进一步创新与应用提供了有力指导。

关键词：航天器自主智能运维自主状态感知自主故障诊断自主评估预测自主运维决策自主学习更新

来源：评论

学校读者我要写书评

暂无评论

工业物联网中基于信息熵的联邦增量学习算法与优化

引用

电子与信息学报 2024年第8期46卷 3146-3154页

作者：杨睿哲谢欣儒滕颖蕾李萌孙艳华张大君北京工业大学信息学部北京100124 北京工业大学先进信息网络北京实验室北京100124 北京邮电大学电子工程学院北京100083 卡尔顿大学渥太华K1S 5B6

面对工业生产过程中大规模、多样且随时间增长的数据和机器学习任务,该文提出一种基于信息熵的联邦增量学习(FIL)与优化方法。基于联邦框架,各本地计算节点可利用本地数据进行模型训练,并计算信息平均熵上传至服务器,以此辅助识别类增任... 详细信息

面对工业生产过程中大规模、多样且随时间增长的数据和机器学习任务,该文提出一种基于信息熵的联邦增量学习(FIL)与优化方法。基于联邦框架,各本地计算节点可利用本地数据进行模型训练,并计算信息平均熵上传至服务器,以此辅助识别类增任务;全局服务器则根据本地反馈的平均熵选择参与当前轮次训练的本地节点,并判决任务是否产生增量后,进行全局模型下发与聚合更新。所提方法结合平均熵和阈值进行不同情况下的节点选择,实现低平均熵下的模型稳定学习和高平均熵下的模型增量式扩展。在此基础上,采用凸优化,在资源有限的情况下自适应地调整聚合频率和资源分配,最终实现模型的有效收敛。仿真结果表明,在不同的情景下,该文所提方法都可以加速模型收敛并提升训练精度。

关键词：工业物联网联邦增量学习信息平均熵

来源：评论

学校读者我要写书评

暂无评论

深度图像修复的动态特征融合取证网络

引用

哈尔滨工业大学学报 2022年第11期54卷 47-58页

作者：任洪昊朱新山卢俊彦天津大学电气自动化与信息工程学院天津300072 数字出版技术国家重点实验室北京100871

基于深度学习的图像修复方案在篡改后图像中遗留很少的痕迹信息给取证带来了极大的困难。目前针对深度图像修复的取证工作研究较少,并且存在篡改区域定位不准确的问题。为此,本文提出了一种动态特征融合取证网络(dynamic feature fusion... 详细信息

基于深度学习的图像修复方案在篡改后图像中遗留很少的痕迹信息给取证带来了极大的困难。目前针对深度图像修复的取证工作研究较少,并且存在篡改区域定位不准确的问题。为此,本文提出了一种动态特征融合取证网络(dynamic feature fusion forensics network,DF 3 Net)用于定位经过深度图像修复操作的篡改区域。首先,该网络采用不同的篡改痕迹增强方式包括SRM滤波、空间域高通滤波和频率域高通滤波将单输入图像扩展到多输入,并提出动态特征融合模块对多种输入提取有效的修复痕迹特征后进行动态的特征融合;其次,网络采用编码器-解码器架构作为基础框架,并在编码器末端增加多尺度特征提取模块以获取不同尺度的上下文信息;最后,本文还设计了空间加权的通道注意力模块用于编、解码器之间的跳跃连接,以期实现有侧重地补充损失的边界细节。实验结果表明,面对不同的深度修复方案以及不同的图像数据库,DF 3 Net相较于现有的图像修复取证方法均可以更准确地定位篡改区域,并且对于JPEG压缩和高斯噪声具有较强的鲁棒性。

关键词：图像修复取证深度神经网络深度修复输入扩展动态特征融合痕迹特征多尺度注意力机制

来源：评论

学校读者我要写书评

暂无评论

分布采样对齐的遥感半监督要素提取框架及轻量化方法

引用

电子与信息学报 2024年第5期46卷 2187-2197页

作者：金极栋卢宛萱孙显吴一戎中国科学院空天信息创新研究院北京100094 中国科学院网络信息体系技术重点实验室北京100190 中国科学院大学北京101408 中国科学院大学电子电气与通信工程学院北京101408

近年来,利用无标签数据辅助少量标签数据进行训练的遥感半监督要素提取任务被广泛研究,大多数工作采用自训练或一致性正则方法提高要素提取性能,但仍存在数据类别分布不均衡导致的不同类别准确率差异大的问题。该文提出分布采样对齐的... 详细信息

近年来,利用无标签数据辅助少量标签数据进行训练的遥感半监督要素提取任务被广泛研究,大多数工作采用自训练或一致性正则方法提高要素提取性能,但仍存在数据类别分布不均衡导致的不同类别准确率差异大的问题。该文提出分布采样对齐的遥感半监督要素提取框架(FIDAS),通过获取的历史数据类别分布,在调整不同类别的训练难度的同时引导模型学习数据真实分布。具体来说,利用历史数据分布信息对各类别进行采样,增加难例类别通过阈值的概率,使模型接触到更多难例类别的特征信息。其次设计分布对齐损失,提升模型学习到的类别分布与真实数据类别分布之间的对齐程度,提高模型鲁棒性。此外,为了降低引入的Transformer模型计算量,提出图像特征块自适应聚合网络,对冗余的输入图像特征进行聚合,提升模型训练速度。该方法通过遥感要素提取数据集Potsdam上的实验,在1/32的半监督数据比例设置下,该方法相较于国际领先方法取得了4.64%的平均交并比(mIoU)提升,并在基本保持要素提取精度的同时,训练时间缩短约30%,验证了该文方法在遥感半监督要素提取任务中的高效性和性能优势。

关键词：半监督学习遥感图像密集要素提取分布对齐采样轻量化

来源：评论

学校读者我要写书评

暂无评论

结合出行方式的Trans-BiLSTM移动目标位置预测方法

引用

小型微型计算机系统 2024年第3期45卷 598-605页

作者：姚子宣魏东冉义兵北京建筑大学电气与信息工程学院北京100044 建筑大数据智能处理方法研究北京市重点实验室北京100044

当前位置预测算法往往忽略用户出行方式的关键作用,并在处理长时间序列依赖问题中效果较差.针对这两个问题,提出了一种结合出行方式的Trans-BiLSTM目标位置预测模型.该模型首先提取轨迹段的运动学特征,然后构建基于XGBoost的出行方式识... 详细信息

当前位置预测算法往往忽略用户出行方式的关键作用,并在处理长时间序列依赖问题中效果较差.针对这两个问题,提出了一种结合出行方式的Trans-BiLSTM目标位置预测模型.该模型首先提取轨迹段的运动学特征,然后构建基于XGBoost的出行方式识别算法,筛选影响出行方式的主要特征,和轨迹共同作为预测模型输入.最后为了增强轨迹特征的表征能力,引入Transformer编码器,并结合BiLSTM深度挖掘轨迹的上下文关系.在真实GPS轨迹数据集上进行的位置预测对比实验表明,Trans-BiLSTM模型与常用的LSTM和BiLSTM模型相比,目标位置预测的结果RMSE指标分别提升67.4%和17.7%.

关键词： GPS轨迹位置预测出行方式识别 Transformer 双向长短时记忆网络

来源：评论

学校读者我要写书评

暂无评论

基于CNN-LSTM的苹果树种植区域提取

引用

农业机械学报 2024年第S2期55卷 277-285页

作者：王子航常晗张瑶郭树欣张海洋中国农业大学信息与电气工程学院北京100083 中国农业大学智慧农业系统集成研究教育部重点实验室北京100083

苹果树种植区域提取有利于农业资源高效管理。为解决苹果种植区域提取中存在的分类精度不高、时效性滞后等问题,提出一种基于Sentinel-2和MODIS融合影像的卷积神经网络-长短期记忆网络(CNN-LSTM)时序分类模型。首先采用ESTARFM时空融合... 详细信息

苹果树种植区域提取有利于农业资源高效管理。为解决苹果种植区域提取中存在的分类精度不高、时效性滞后等问题,提出一种基于Sentinel-2和MODIS融合影像的卷积神经网络-长短期记忆网络(CNN-LSTM)时序分类模型。首先采用ESTARFM时空融合算法构建融合影像,对不同卫星影像在空间和时间监测能力优势和缺陷进行互补,得到高空间和高时间分辨率共存的影像数据。在特征选择方面,通过随机森林模型进行重要性分析并结合后向特征消除法从25个原始特征中选15个关键特征变量作为最优特征组合。分类模型方面,卷积神经网络(Convolutional neural network,CNN)可以很好地在空间域、光谱域提取有效特征。长短期记忆网络(Long short-term memory,LSTM)作为循环神经网络(Recurrent neural network,RNN)的改进,可以处理不等长的输入序列。二者结合能够提取“时空谱”有效特征,实现更精准的图像分类和遥感数据分析。以烟台市牟平区观水镇为研究区,利用时空融合弥补原始Sentinel-2的影像缺失,使用CNN-LSTM模型进行苹果树种植区域提取,并与常用的机器学习分类算法进行对比,进而确定最优分类模型。研究表明在苹果种植区域提取方面CNN-LSTM模型总体精度为97.98%,Kappa系数为0.9586,总体精度对比其他4种机器学习算法CART、SVM、RF、GBDT分别高15.43、5.25、4.00、3.31个百分点,与LSTM模型总体精度和Kappa系数相比分别提高2.11个百分点和0.0148。所提出的苹果树种植区域精准遥感提取方法可为制定科学合理的农业管理措施提供有力支持。

关键词：深度学习卷积神经网络 CNN-LSTM 苹果树种植区域提取

来源：评论

学校读者我要写书评

暂无评论

面向真实水下图像增强的质量评价数据集

引用

中国图象图形学报 2022年第5期27卷 1467-1480页

作者：顾约瑟姜求平邵枫高伟宁波大学信息科学与工程学院宁波315211 北京大学深圳研究生院信息工程学院深圳518055 鹏城实验室深圳518055

目的由于光在水中的衰减/散射以及微生物对光的吸收/反射等影响,水下图像通常存在色偏、模糊、光照不均匀以及对比度过低等诸多质量问题。研究人员对此提出了许多不同的水下图像增强算法。为了探究目前已有的水下图像增强算法的性能和... 详细信息

目的由于光在水中的衰减/散射以及微生物对光的吸收/反射等影响,水下图像通常存在色偏、模糊、光照不均匀以及对比度过低等诸多质量问题。研究人员对此提出了许多不同的水下图像增强算法。为了探究目前已有的水下图像增强算法的性能和图像质量客观评价方法是否适用于评估水下图像,本文开展大规模主观实验来对比不同水下图像增强算法在真实水下图像数据集上的性能,并对现有图像质量评价方法用于评估水下图像的准确性进行测试。方法构建了一个真实的水下图像数据集,其中包含100幅原始水下图像以及对应的1000幅由10种主流水下图像增强方法增强后的图像。基于成对比较的策略开展水下图像主观质量评价,进一步对主观评价得到的结果进行分析,包括一致性分析、收敛性分析以及显著性检验。最后将10种现有主流的无参考图像质量评价在本文数据集上进行测试,检验其在真实水下图像数据集上的评价性能。结果一致性分析中,该数据集包含的主观评分有较高的肯德尔一致性系数,其值为0.41;收敛性分析中,所收集的投票数量与图像数量足够得到稳定的主观评分;表明本文构建的数据集具有良好的有效性与可靠性。此外,目前对比自然图像的无参考图像质量评价方法并不适用于水下图像数据集,验证了水下图像与自然图像的巨大差异。结论本文构建的真实水下图像数据集为未来水下图像质量客观评价方法以及水下图像增强算法的研究提供了参考与支持。所涉及的图像以及所有收集的用户数据,都在项目主页(https://***/yia-yuese/Real UWIQ-dataset)上公开。

关键词：图像质量评价水下图像增强主观质量评价数据集成对比较(PC)

来源：评论

学校读者我要写书评

暂无评论

基于人工引雷技术的外浮顶油罐直接雷击过电压试验研究

引用

高电压技术 2023年第11期49卷 4782-4789页

作者：刘向科任渝帆蒋如斌孙荆茶张鸿波山东省气象台济南250031 山东省气象防灾减灾重点实验室济南250031 中国科学院大气物理研究所中层大气和全球环境探测重点实验室北京100029 成都信息工程大学电子工程学院成都610225

在山东人工引发闪电实验的基础上,对外浮顶油罐模型的直接雷击过电压开展探测研究。利用2021年7月12日一次引雷实验,测量得到了4次回击过程的通道底部电流和同时刻油罐不同位置的电压,分析结果表明:该闪电包含4次负极性回击,实测电流最... 详细信息

在山东人工引发闪电实验的基础上,对外浮顶油罐模型的直接雷击过电压开展探测研究。利用2021年7月12日一次引雷实验,测量得到了4次回击过程的通道底部电流和同时刻油罐不同位置的电压,分析结果表明:该闪电包含4次负极性回击,实测电流最大负极性峰值−34.01 kA,10%~90%上升沿时间为0.11~0.19μs。罐顶和浮顶处电压波形的幅值变化范围及随时间波动的趋势基本一致,电压脉冲信号的持续时间均在4μs左右。罐顶和浮顶的电位差波形呈现3个波谷、4个波峰的特征,周期在1μs左右,电位差幅值变化范围为−21.3 kV~+18.8 kV。整体来看,雷电流强度越大,上升时间越短,罐顶与浮盘的电压峰值及二者间电位差峰值越大,振幅越高。以此为基础计算发现,当雷电直接击中油罐,而浮盘与罐体没有可靠连接时,其之间的电位差将引燃罐内油气。最后提出了一些防护建议措施。

关键词：人工引雷油罐直接雷击感应过电压雷电流电位差

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：