一、ARTIFICIAL NEURAL NETWORK CORRECTION OF ROUGH ERRORS OF OBSERVATIONS（论文文献综述）
陶润喆[1]（2021）在《基于风云4号卫星图像的西藏地区云检测和降水外推预报研究》文中研究表明云和降水是表征天气和气候变化的重要指标,是全球能量循环的重要组成部分,使用卫星多仪器、多波段数据对云和降水进行观测已经成为当前大气遥感和气候变化领域的研究热点。西藏作为青藏高原的主体区域,其强大的热、动力作用对区域的气候变化有着非常重要的影响,研究高原云和降水具有重要的意义。同时,由于西藏地区的复杂地形条件、降水季节分配的不均匀性,导致在春夏季节极易受降水,大风等强对流天气的影响,产生各种地质灾害,严重威胁当地居民的生命财产安全和公路交通的正常运营。因此,本文对西藏地区开展大范围的云检测与降水预报工作。针对该地区气象观测站与雷达基站分布稀少,无法有效地开展大范围的天气监测,本文以高时间分辨、多观测波段的风云四号A星（FY-4A）为数据源。在遥感大数据的背景下,利用深度学习方法充分探究卫星多波段数据与云团、降水之间的对应关系,从而自动化地对西藏地区开展大范围的云检测、降水监测与预报工作。首先,针对在低空间分辨率的静止卫星图像上,由于一些小型云团只占有少量的像素点,现有的分割网络对小尺度云团目标以及云图轮廓无法实现精确的云检测这一问题。本文在大数据量的样本集下建立一种能够产生高分辨率表征的分割模型U-HRNet（U-High Resolution Network）,通过并行连接高分辨率到低分辨率的卷积结构,并进行多次多尺度特征融合,从而减少细节信息的丢失,实现精确地细节分割,检测结果的MIo U（Mean Intersection over Union）、PA（Pixel Accuracy）和F1-score分别为94.03%、94.21%和94.11%。对不同网络的检测结果与人工标注的真值进行比较,并利用客观评价指标进行分析。结果表明,所提出的U-HRNet在FY-4A静止卫星图像上的表现良好,能够有效地检测出NSMC云掩模产品中的错误区域,其性能优于现有方法。其次,以U-HRNet高精度分割模型为基础,针对降水云团的特点以及降水云与非降水云区分的问题,对网络结构进行改进,引入注意力机制模块,应用在降水云团检测与降水强度等级估计的小样本数据集中。以GPM（Global Precipitation Measurement）降水反演产品作为真值,在网络输入中融入高程数据,建立FY-4A多观测波段与降水之间的对应关系,从而实现对西藏全境的降水监测。降水强度估计结果的POD（Probability of Detection）、CSI（Critical Success Index）值为0.918、0.916,是几种对比方法中最高的,FAR（False Alarm Ratio）值为最低的0.045。然后,以FY-4A时序数据作为输入,利用时空预测网络挖掘卫星云图较长时段的时序依赖关系。针对现有方法外推结果精度不理想、图像模糊、数据质量不佳的问题,本文利用可变形卷积结构捕捉形变目标信息的能力来提高网络对云团特征的提取,并融合光流思想、云检测结果以及生成对抗网络结构,构造联合损失函数,提出一种对抗型Dconv GRU（Deformable Convolution GRU2Pixel,DCG2Pix）的云图预测模型,实现对30min后卫星云图以及多通道数据的高精度外推。通过与实际观测值对比,验证了预测数据的精确度。最终,将外推的高质量数据输入至建立好的降水强度等级估计模型中,实现对西藏全境的降水预报,通过与GPM降水数据的对比,证明了预报的准确性。
朱玉琴[2]（2021）在《基于智能手机惯性传感器采样的环境异常震动检测方法》文中指出地理环境的异常震动通常预示着地质灾害等事件的发生,对异常震动事件的检测也成为降低人员伤亡和财产损失的有效手段。现有常见的地质震动监测设备通常为内含加速度传感器的传统测振仪,其识别准确率较高,但因为价格高、体积大等缺点无法进行大面积的部署。随着电子技术的飞速发展以及智能手机的全面普及,智能手机加速度传感器成为环境震动实践监测的新基础设施,利用普通用户的智能手机等电子设备实现异常事件的检测也成为新的研究热点。但是,使用智能手机进行环境震动监测通常面临着使用人日常活动的影响,从而导致监测误警率高、漏警率低等不足。本文主要对如何区分人为活动和环境异常震动事件以及异常震动事件的P波到时的精确拾取进行研究,为以后采用普通智能手机实现环境异常震动事件的精确监测提供有效依据。本文的主要工作和贡献如下:首先,针对智能手机受用户状态影响导致采集的加速度数据受动作污染这一误差来源,使用四元数法实现智能手机采样数据坐标系到地理坐标系之间的转换。并且根据智能手机内置加速度传感器因为品牌以及制作工序不同等原因导致的器件误差,构建多姿态模型对手机加速度传感器采样值进行系统误差校正。在采样过程中针对智能手机传感器采样噪声较大的问题,采用中值滤波进行信号去噪并提取样本特征,实验证明了本文提出的方法具有较好的去噪效果。随后,根据智能手机容易受手机用户人为行动的影响这一问题,使用在智能手机识别分类问题中使用较为广泛的支持向量机进行人为行动事件和异常震动事件的识别,模拟生成了数据集对于支持向量机模型进行训练,得到最优的分类标签,随后使用测试集进行测试,得出了识别精度较高的人为活动事件和异常震动事件区分方法,为下一步的应用提供有效保障。最后,对经过上述处理后的智能手机采样数据进行P波到时的精确拾取,首先对传统的STA/LTA法和AIC法的基本原理进行了分析,对STA/LTA-AIC法提出改进的基于小波包分解的STA/LTA-AIC综合方法,对传统的3种P波震相捡拾方法以及本文提出的方法进行实验比对分析,结果显示本文提出的基于小波包分解的STA/LTA-AIC方法的P波准确捡拾优于3种传统的对比捡拾方法,验证了本文提出的基于智能手机进行异常震动事件预警的可能性。
任玉晓[3]（2021）在《地震波速无监督深度学习反演方法及其在隧道超前探测中的应用》文中进行了进一步梳理随着我国重大基础设施建设逐渐向地下深部和复杂构造区转移,隧道建设过程中突水突泥、塌方等地质灾害频发。开展施工期隧道不良地质超前探测,提前探明掌子面前方不良地质体的分布情况是保障隧道施工安全的有效手段。其中,地震波法因其对界面敏感且探测距离远,已成为最为常用的隧道地质探测方法之一。地震波速的准确求取是制约隧道地震超前探测定位准确性的关键性难题,需开展适用于隧道环境的地震波速分布高效计算方法研究。以全波形反演为代表的传统地震波速反演方法存在计算量大、反演多解性强等问题,尤其是在隧道环境下面临偏移距小、探测数据少等问题,限制了其在隧道探测中的应用效果。近年来兴起的深度学习类地震波速反演方法,具有反演效果好、速度快的优势,引起了学者们的广泛关注。然而,现有深度学习波速反演方法依赖大量真实波速模型,属于有监督学习范畴,在实际工程中真实地层波速分布往往难以获取,制约了其在实际工程中的推广应用。因此,亟需研究提高网络反演能力的有效手段,破解地震波速反演网络对真实波速模型的依赖,实现地震波速的无监督深度学习反演及其在实际工程中的推广应用。针对现有地震波速深度学习反演方法依赖真实波速模型而难以实际工程应用的问题,本文采用理论分析、数值实验和现场试验等方法,基于数据挖掘与物理规律双驱动的思想,提出了“融合背景波速信息以提高网络反演能力,引入物理规律以代替真实波速模型”的地震波速无监督深度学习反演思路。分别开展了基于大样本地震背景波速模型的构建方法、大样本地震背景波速模型的网络融合方法、物理规律驱动的地震波速无监督学习反演方法等研究,最终形成了基于ResIFNet的地震探测数据无监督深度学习波速反演方法。在此基础上,进一步将该方法应用到隧道地震超前探测中,实现了隧道地震数据的无监督深度学习反演。最后,通过现场试验验证了本文方法的可行性和有效性。本文的主要研究工作及成果如下:（1）大样本地震背景波速模型的构建方法。针对地震波速反演对背景波速模型的需求,本文基于贝叶斯反演理论和分层可逆神经网络架构,设计了基于地震数据偏移成像的背景波速构建网络BVNet。该网络具有对波速模型后验概率分布进行随机采样的功能,可以从地震数据获得样本地震背景波速模型。在此基础上,进一步对样本模型进行平滑处理,便可获取质量可靠的大样本地震背景波速模型,为后续地震波速无监督深度学习反演提供可靠训练数据。（2）大样本地震背景波速模型的网络融合方法。为将背景波速信息引入到深度学习反演网络中,降低网络对波速反演映射的学习难度,本文以可逆神经网络生成的背景波速模型为基础,基于非线性问题线性化的思想,设计了地震观测数据残差和背景波速模型多尺度特征提取与融合的波速反演网络ResInvNet。该网络可有效增广训练数据集的规模,提升波速反演的效果,为后续地震波速无监督深度学习反演研究奠定了网络基础。（3）物理规律驱动的地震波速无监督学习反演方法。针对现有深度学习波速反演方法对真实波速模型的依赖性问题,提出了基于地震波场传播物理规律为驱动的波速反演策略,并研究构建了地震波场正演网络FwdNet。随后,将其与ResInvNet相结合,构建了基于物理规律驱动的地震波速无监督深度学习反演网络ResIFNet,形成了地震波速无监督深度学习反演方法,为地震波速深度学习反演在实际数据中的应用提供可行手段。（4）隧道地震超前探测无监督学习波速反演实现与特征。将上述地震波速无监督深度学习反演方法引入到隧道超前探测中,针对隧道地震特殊观测方式和小偏移距观测数据导致的常规深度神经网络难以有效应用的问题,优化波速反演网络,并基于多尺度反演思想改进损失函数,形成了基于观测方式自适应的隧道地震无监督深度学习反演方法。该方法对不同观测方式、含噪等较真实隧道地震探测数据具有较好的适用性,有效改善了隧道地震波速反演的效果。基于上述研究,在珠江三角洲水资源配置工程、山东滨莱高速等隧道工程现场开展了超前探测试验,探测结果较准确的揭示了隧道前方断层破碎带等地质构造以及波速分布情况,验证了本文方法的可行性和有效性。
高泽宇[4]（2021）在《流场测量中基于深度学习的自适应光学技术》文中研究说明基于成像的流体测量技术,如粒子图像测速技术（Particle Image Velocimetry,PIV）,是一种对流体运动速度场的非接触、实时、定量且全局测量技术。被广泛应用于流体动力学研究及工业生产中,对于研究复杂流动现象具有重要的意义。然而,这种基于光学成像的测量技术,当流体介质中的折射率不均匀,或当测量光路中存在开放的气-液两相介质表面且存在随机晃动时,成像光路会因为折射率的变化而产生一定的波前畸变,使得成像造成畸变。这种光路中随机且动态变化的波前畸变使得PIV粒子图像上的粒子位置分布产生显着的误差（即几何畸变）且严重影响图像质量。而传统的PIV技术对流体运动场的测量是根据连续多帧PIV粒子图像上粒子的位移,通过互相关算法或光流算法,对测量区域内的流体运动场进行估计。所以PIV粒子图像的几何畸变和图像质量的退化会严重影响PIV的测量精度,使得测量结果不可信。自适应光学（Adaptive Optics,AO）技术,是一种校正光学系统中动态波前畸变的技术。传统的自适应光学系统通过波前传感器测量动态波前畸变,再通过电子系统计算控制信号,控制波前校正器件进行实时的波前校正,使得光学系统在受到波前畸变扰动时仍然保持良好的工作状态。为了对光学流场测量中的波前畸变进行实时校正,以提高在受到波前畸变扰动时的测量准确度和正确度,自适应光学技术被应用于流场测量的光学系统中。然而实际的实验结果与工程实践表明,光学流场测量中的波前畸变具有频率高,动态范围大,空间分辨率高等特点,对于这一应用场景,基于波前校正器件的传统自适应光学系统的校正性能受到了波前校正器器件本身性能的限制。本论文针对传统自适应光学在流场测量应用中所存在的限制和问题,以人工智能中的深度学习为基础,提出了无校正器件自适应光学技术的概念并应用于流场测量的波前畸变校正中。主要研究工作分为以下四个部分:1、对流场测量中的光学畸变模型进行了分析并提出了基于Hartmann-Shack波前传感器和空间分布式激光信标的波前测量方法。粒子图像测速系统的测量装置与测量目标处在不同的介质当中,而粒子图像测速系统需要通过气-液两相介质表面成像,相当于在流场测量的成像系统前增加了一个随机扰动的波面。论文首先对光路中的波前畸变和在图像上所造成的实际退化模型在理论上进行了推导,将可测量的波前畸变与图像的退化模型之间的关系进行了推导。根据推导得到的关系,提出了针对流场测量中气-液两相介质所引起的特殊波前畸变的测量方法,提出了空间分布式激光信标的概念,并对其测量原理进行物理模型推导,结合Hartmann-Shack波前传感器,提出了对此应用场景下波前畸变的测量方法。2、针对流场测量中晃动气-液两相介质表面所造成的波前畸变大动态范围特性,而传统Hartmann-Shack波前传感器动态范围受限的问题。建立了一套大动态范围的Hartmann-Shack波前测量算法。提出了基于图像分割的质心估计算法,即对光斑区域进行分割后进行质心计算,打破了传统质心算法中的子孔径范围限制,从整幅光斑阵列图中获得所有光斑的质心,同时还消除了噪声对质心估计的影响。提出了邻域搜索匹配算法以扩展动态范围,将光斑质心和标定坐标位置进行对应匹配。对所提出的大动态范围的Hartmann-Shack波前测量算法的性能进行分析,分别从质心估计误差、线性度、动态范围扩展量化性能及实验平台验证对算法的性能进行了评价。3、该部分为整个研究内容的核心,基于深度学习,提出了无波前校正器件自适应光学系统的新概念。根据需求,提出了多输入卷积神经网络结构AOPIVMIUN算法,首次将多输入卷积神经网络应用于图像回归问题。通过提出的网络结构,以Hartmann-Shack波前传感器得到的波前畸变信息作为额外输入,对粒子图像测速系统中的畸变图像进行了畸变校正。通过设计实验平台,生成了神经网络训练和测试所需要的数据集。以校正后粒子图像的校正效果和流场速度测量结果作为评价标准,对所建立神经网络的畸变校正性能进行了分析。所提出方法校正效果达到82%,优于传统闭环自适应光学系统性能77%。4、对PIV技术的流场分布估计算法和自适应光学校正以深度学习为平台进行融合,提出了可实现畸变校正功能的流体运动场估计算法。分别建立了两种不同的多输入卷积神经网络结构,以两帧畸变PIV粒子图像和测量得到的波前畸变信息作为输入,直接输出校正后的流场结果,根据输出的流场分布的分辨率,将网络结构分为稠密估计和稀疏估计两种,将流场测量和畸变校正同时融合在深度卷积神经网络中。基于PIV粒子图像生成模型,Hartmann-Shack波前传感器仿真模型、以及流场测量中图像畸变模型,建立了相应的数据集合成模型以生成训练数据集,最后从不同角度对算法性能进行了评价。本文围绕无波前校正器的新型自适应光学技术在光学流体测量中的波前畸变校正这一应用展开。解决了传统自适应光学系统在流场测量应用中的困难和限制,是国内首次对流场测量中的自适应光学技术进行研究,同时也提出了基于深度学习的无波前校正器件自适应光学技术这一概念方法,首次将多输入卷积神经网络应用于图像回归问题当中。本文所提出的方法在未来的研究工作中可以对流场测量更复杂的畸变现象进行研究应用,如燃料电池中的液滴内部流场测量,流体介质中存在多相泰勒气泡的流场测量等。
何中正[5]（2021）在《基于多传感器数据融合的路面附着系数估计》文中研究表明随着现代汽车技术的不断发展,如何快速精确地估计路面附着系数已成为汽车安全与自动驾驶等领域所关注的问题,获得准确的路面附着系数不但能优化车辆主动安全控制系统的控制策略,而且能提高自动驾驶技术中决策与规划的工作性能。受传感器成本、复杂的实车工况与车辆动力学的耦合特性等因素影响,目前还没有能够在量产车上实时测量路面附着系数的设备。为此,本文提出了一种基于车载传感器、车载摄像头与路端三维相机的多传感器数据融合算法对路面附着系数进行估计。具体研究内容为:首先,考虑到基于传统车辆动力学的附着系数估计方法需要获得车辆状态,建立了车辆状态估计系统,该系统以车辆加速度、横摆角速度、方向盘转角、车轮力矩与车轮转速等可测量的车辆状态为输入,对轮胎力、纵向车速、质心侧偏角等不可测量的车辆状态进行估计:1)根据车载传感器信号判断当前车辆状态,对整车加速度偏移进行估计与补偿;2)基于车辆载荷转移模型、车轮纵向动力学模型和三自由度车辆侧向动力学模型,采用PI D和卡尔曼滤波器对轮胎的法向力、纵向力与侧向力进行估计;3)设计了两种融合策略,分别对基于轮速法和运动学法的纵向车速估计结果与基于模型法和运动学法的质心侧偏角估计结果进行了融合,融合结果为纵向车速与质心侧偏角的估计值。其次,考虑到附着系数作为外部输入参数复杂多变,且存在滑移率偏移与小激励工况下难以估计的问题,基于简化Uni Tire模型与梯度下降法,建立了在轮胎线性区和非线性区分别估计滑移率偏移量和附着系数的估计系统:1)保留了传统Uni Tire模型中的核心参数,得到了适用于附着系数估计的简化Uni Tire模型;2)针对滑移率估计存在偏移的问题,在简化模型中引入了滑移率偏移量;3)对简化模型进行了基于梯度下降法的测试,测试结果表明附着系数在轮胎线性区内难以估计,同时估计附着系数与滑移率偏移量会降低附着系数的估计结果可信度;4)基于测试与仿真结果设计了一种估计策略:在轮胎线性区与非线性区分别估计滑移率偏移量与路面附着系数,线性区与非线性区的判断条件需要其他传感器信息。再次,建立了基于车载摄像头与卷积神经网络的路况辨识模型:1)研究了传统神经网络模型,在此基础上简要介绍了神经网络的常见优化方法;2)以全连接神经网络为基础,引入卷积神经网络并对网络的卷积与池化层进行了相关研究;3)考虑到数据集的采集成本、质量与硬件的性能等因素,以虚拟数据为基础,以数据增强为手段,基于卷积神经网络模型对包含高附、中附与低附三种路面的图像数据集进行了训练与测试。然后,路面附着系数反映了橡胶轮胎与路面间的摩擦极限,其大小与路面的粗糙程度息息相关,考虑到路端传感器三维相机可精确测量路面的粗糙纹理,建立了基于三维相机的橡胶摩擦解析模型:1)分别研究了路面与橡胶在摩擦方面的物理特性并建立了路面功率谱与橡胶复合模量等模型;2)从能量守恒与分子表面自由能等定律出发,研究了滞后摩擦与粘性摩擦的产生机理;3)基于Persson接触理论建立了橡胶摩擦的一般理论模型,该模型综合了路面功率谱、橡胶复合模量、温度等意义明确的物理参数;最后,设计了基于多传感器的附着系数估计融合算法:1)当路段存在三维相机时,融合算法以橡胶摩擦模型的结果作为输出,并对轮胎模型参数进行校正;2)当路段不存在三维相机时,融合算法以车端摄像头（卷积神经网络模型）对路面的分类结果作为附着系数估计系统的前馈信息。当车辆处于小激励状态时,融合算法以前馈信息作为附着系数的估计值并基于简化的Uni Tire模型对滑移率偏移量进行估计;当路面激励足够,轮胎处于非线性区时,融合算法基于轮胎模型对附着系数进行估计,其结果作为路面附着系数的估计值。
潘霞[6]（2021）在《基于Google Earth Engine云平台下地物覆被类型的遥感影像智能分类方法研究》文中研究指明以全球土地覆被产品MCD12Q1 Version 6、Landsat-8 OLI及Sentinel-2 L1C为主要遥感影像数据源,结合SRTM V4.1数据集及专题指数的计算,构建光谱、纹理、地形多维分类特征集,对研究区内丰富且繁杂的独立性较弱的多种混合地物覆被类型进行自动且准确的识别和提取,即Landsat-8 OLI和Sentinel-2 L1C遥感影像从全球土地覆被产品MCD12Q1 Version 6 IGBP＿LC＿Type1分类系统里详细的类别标签中自动采集各地物覆被类型下的训练样本,实现大型训练样本数据集的自动创建,并通过利用空间过滤、同质像素筛选及质量控制措施降低Landsat-8 OLI和Sentinel-2 L1C遥感影像地物覆被类型的潜在错误分类,以提高大型训练样本数据集自动创建的准确性。此外,采用卷积神经网络中的深层次残差网络ResNet-101分类器学习上述已给定类别的训练数据的分类规则,以对未知数据进行分类,并同调参优化后传统分类器中最常用的随机森林、分类回归树、支持向量机进行对比分析,通过定量精度评价验证大型训练样本数据集自动采集方法和新型深层次残差网络ResNet-101分类器的可靠性,提出了一种快速、高效、准确、精细的高精度遥感影像智能分类方法,以期减弱地物覆被智能分类中人为因素对分类结果的干扰,极大地简化分类流程,并丰富遥感影像中土地利用与覆盖信息的提取理论、分类算法及分析处理的技术平台,提高土地利用与覆盖的分类精度和更新速度,为土地资源的有效利用与实时监测提供参考依据。该方法的主要步骤都是在谷歌地球引擎Google Earth Engine云平台中实现,目的是通过自主编写代码实时提取遥感影像和在线分析地物覆盖信息,集数据获取和分析处理于一体,促进运行程序自动化,有效解决传统遥感影像地物覆被信息提取和分类流程耗时费力等问题。以下为主要研究工作和结论:（1）提出了以参数调整为基础的传统多分类器的遥感影像分类优化系统根据遥感影像的光谱特征,就常用的核函数、核参数选择方法对传统多分类器进行优化研究,提出了以随机森林、分类回归树及支持向量机分类器的核函数、核参数调整为基础的遥感影像分类优化系统,并通过网络搜索法分别论证了调参优化后传统多分类器的适用性和优越性,同时能够挣脱分类指标函数的搜索局限性。两种Landsat-8 OLI和Sentinel-2 L1C影像数据的研究结果表明,本文提出的优化后的传统分类器参数均能获得较优的分类性能,有助于提高分类精度。（2）构建了基于TensorFlow的深层次残差网络ResNet-101分类器通过引入残差注意力机制,实现消除网络冗余及增强显着特征的目的。为了避免深层次残差网络ResNet-101分类器中因网络层数增加而产生的梯度消失现象,在前馈神经网络中增加一个以不同步长跳过多个层与主径汇合的捷径来实现,并通过增加线性投影来保证输入和输出的维度相同。通过超参数设置使残差网络ResNet-101分类器在训练数据集时的训练时间和收敛精度均达到最优值。最后,基于TensorFlow将深层次残差网络ResNet-101运行过程以流程图的形式表达,并提出了对计算链路进行完整构建和优化的具体实施途径,其中使用Re LU激活函数提高收敛速度,并增加1×1卷积模块改变维度,从而提高分类精度。（3）实现了基于MCD12Q1的地物覆被类型大型样本数据集的自动创建通过土地覆被产品MCD12Q1 Version 6 IGBP＿LC＿Type1实现大型训练样本数据集的自动创建,即Landsat-8 OLI和Sentinel-2 L1C遥感影像从现有已分类的土地覆被产品MCD12Q1 Version 6 IGBP＿LC＿Type1分类系统里详细的类别标签中自动采集各地物覆被类型下的训练样本,并通过空间过滤、同质像素筛选及质量控制措施降低Landsat-8 OLI和Sentinel-2 L1C遥感影像地物覆被类型的潜在错误分类,以提高大型训练样本数据集自动创建的准确性,实现了对研究区内丰富且繁杂的独立性较弱的多种混合地物覆被类型进行自动、详细且准确的识别和提取,减弱了人为因素对分类结果的干扰,并极大地简化了分类流程,提出了一种快速、高效、准确、精细的高精度遥感影像大型样本数据集的自动创建方法。（4）通过定量精度评价验证了地物覆被智能分类方法的可靠性对传统分类器中的随机森林、分类回归树、支持向量机及新型残差网络ResNet-101分类器下地物覆被智能分类结果的可靠性进行定量精度评价。定量精度评价是将分类结果与验证样本进行基于混淆矩阵的定量精度分析。基于所产生的混淆矩阵,分别对生产精度、用户精度、总体精度、Kappa系数、漏分误差及错分误差等分类精度指标进行计算。总体精度评价结果表明,基于Landsat-8 OLI和Sentinel-2 L1C影像的研究区内地物覆被类型在深层次残差网络ResNet-101分类器下的分类精度和总体性能最优。（5）基于谷歌地球引擎Google Earth Engine云处理的自编程语言设计遥感影像数据均从谷歌地球引擎Google Earth Engine云平台在线获取,导入后的遥感影像数据集与全球矢量地图或者卫星地图叠加形成高度可视化的数据呈现方式和交互式分析界面,通过云端存储的海量遥感影像数据集和分析处理算法,直接编写相应代码进行调用、处理及分析应用工作,集数据获取和分析处理于一体。试验结果证明,集成化的处理和并行运算的方式极大地提高了运行效率,并节省了本地存储空间。Google Earth Engine云平台强大的云端运算能力,为大尺度区域下遥感影像的处理和分析提供了十分便捷的技术平台。
梁琼心[7]（2021）在《大口径望远镜光学系统失调校正技术研究》文中提出随着人类航天活动的增加,空间碎片日益增加,严重威胁着航天器的安全,为了有效清除或规避空间碎片,需要精确探测它们尺寸和轨道信息。地基光电望远镜因探测能力高、作用距离远,是探测空间碎片的关键手段。为了提高望远镜的聚光能力和空间分辨率,望远镜口径不断增大,失调校正的难度也随之增加。大口径望远镜在观测过程中,光学系统的成像质量和观测精度随着镜面失调误差的增大会降低,从而不能精确观测空间目标,为此需要进行失调校正使其达到观测要求。本文以大口径大视场地基光电望远镜作为研究对象,这类光学系统容易被检测光学元件遮挡光线且其内部空间受限,难以放置检测光学元件。针对该问题,需要研究一种不用添加检测光学元件的像质检测方法并配合相应的失调校正技术来实现光学系统位置失调校正。具体研究工作如下:1.针对望远镜光学系统内部空间限制的特点,研究了无场镜的波前曲率传感器。由于无法放置检测光学元件,采用直接测量法的方式实现,该方法解决了空间限制以及光线被遮挡的问题。分析了波前曲率传感器在大口径大视场望远镜应用中采取的实现方式。2.提出了基于本征系数的灵敏度矩阵法来求解光学系统失调量。曲率传感器获取Zernike系数常采用Zernike多项式拟合法,该方法需对探测器进行分割,使失调量的解算过程变复杂。采用无需分区探测的本征函数法进行波前重构,用本征系数描述波像差,通过分析本征系数与光学元件失调量的关系,建立两者之间的灵敏度矩阵模型,并给出本征系数的选取原则。3.对1 m同轴三反光学系统进行了失调校正仿真,由于该系统的本征系数灵敏度矩阵呈病态,结合光学元件偏心和倾斜对像差相互补偿的性质,选用分组补偿器法进行失调校正,仿真结果表明,可得到良好的像质。4.在1.8 m望远镜进行失调量求解实验,结果表明本征系数灵敏度矩阵法求解精度高,为在更大口径望远镜中实际应用奠定了技术基础。
宋灿[8]（2021）在《图像迁移学习的多场景应用关键技术研究》文中提出卷积神经网络被广泛应用于各种图像处理任务,其在图像分类、目标检测和语义分割等任务中都获得了较好的效果。在许多应用上,为了达到满意的效果,卷积神经网络模型需要使用大量的标记数据进行有监督学习。这些数据不仅需要花费昂贵的成本,而且需要保证实际应用中的场景数据和先前的标记数据是相似的。换而言之,当训练数据和测试数据满足同分布的假设时,模型才具有较好的泛化能力。然而,在很多应用场景中数据在不断变化,重新标注数据代价高昂,因此,许多研究者尝试通过迁移学习来解决这一问题。本文针对不同的应用场景展开了基于卷积神经网络的迁移学习方法研究,详细的研究内容如下:（1）基于颜色迁移的遥感影像颜色一致性校正。针对遥感影像的颜色校正问题,当待校正图像和参考图像分别由高分卫星和低分卫星获取时,待校正图像和参考图像存在分辨率相差过大的问题。此时,待校正图像和参考图像难以获取到准确的像素级对应关系,无法得到可用于强监督学习的训练数据。为了解决这一问题,本文提出了一个基于弱监督学习的深度卷积神经网络模型,通过颜色迁移的方式进行色彩校正。首先,通过无监督学习训练了一个变分自编码网络模型,该模型能提取内容感知的分层特征;然后,以对抗生成网络的方式训练了一组作用于分层特征的风格参数,该参数能基于图像的语义内容对特征进行修正,使得最终的生成图像和参考图像的颜色一致;最后,结合变换自编码网络和风格参数对待校正的图像进行颜色校正。实验结果表明,在SIFT特征关键点匹配对数、梯度方向损失和EM距离这三个指标上,本文的方法优于较新的UNIT,Cycle GAN方法。（2）基于颜色迁移的夜间道路场景解析。在缺少夜间标记数据的情况下,仅使用日间标记数据训练的卷积网络模型,难以较好地解析夜间场景。为了解决这一问题,本文尝试通过颜色迁移降低日间和夜间数据之间的差异性,提升夜间场景的解析精度。首先,本文对常见的语义解析卷积神经网络模型进行了研究,提出了一种自适应上采样的方法优化语义分割边缘,提升模型的预测精度;然后,使用颜色迁移模型对夜间图像进行颜色变换,以此降低夜间图像和日间图像之间的差异性;最后,再使用日间图像训练的语义解析模型进行夜间道路场景解析。实验验证,使用颜色迁移和语义解析分步处理的方式,在仅有日间标注数据的条件下能有效优化夜间道路场景解析结果。相比不使用迁移学习直接进行预测,最终的解析结果在m Io U这一指标上提升了1.9%。（3）基于语义迁移的夜间道路场景解析。通过颜色迁移和语义解析分步处理的方式,虽然能有效提升夜间场景的分割效果,但两个网络彼此没有关联,无法进行联合优化,同时需要耗费更多的计算量。为此,本文尝试直接对网络提取的语义特征进行迁移学习,将迁移学习模块和语义解析模块融合起来单步处理。首先,通过无监督学习的方式训练了一个对光照不敏感的特征提取器,在语义特征空间降低日间数据和夜间数据之间的差异性;然后,使用日间标记数据训练了一个场景解析网络模型,将提取的特征转换为对应的语义标签;最后,将语义特征提取模块和语义解析模块组合成最终的模型,进行夜间道路场景解析。实验结果表明,最终的模型比未使用迁移学习得到的模型在m Io U指标上提升了5.24%,显着改善了夜间道路场景图像的解析结果。综上所述,本文针对遥感影像颜色一致性校正和夜间道路场景解析问题,基于迁移学习对此进行了研究。同时,丰富的定量与定性实验表明,在以上两种应用场景下,所提出的迁移学习方法能有效地解决缺少标记数据或标记数据不准确的问题。因此,本文的研究成果可能在相关领域具有潜在的应用前景。
孙敏淮[9]（2020）在《使用机器学习和地表温度数据模拟城市热岛足迹》文中研究说明城市热岛是当前城市环境、人居环境的热点研究问题之一。城市热岛足迹（SUHIF）是指城市升温（或降温）效应叠加在背景温度场上间接导致周围郊区地表温度（LST）改变的现象。当前针对SUHIF的模拟方法主要有两类:一类是侧重模拟足迹距离D的指数拟合法,另一类是侧重模拟整体空间形态的几何指标方法。本文使用机器学习技术和地表温度数据对SUHIF进行模拟,旨在为SUHIF的模拟研究提供一种方法与思路借鉴。具体内容包括:（1）使用机器学习技术设计、构建并训练机器学习模型;（2）分析比较机器学习模型与指数拟合模型的模拟能力;（3）使用最佳机器学习模型对案例城市进行应用测试。研究结果表明:（1）在现有数据及训练条件下,使用简单机器学习建模得到的最优模型为ANN（15-BR）,而使用特征工程结合机器学习建模得到的最优模型为可优化k NN和ANN（10-LM）组成的串联模型。其中ANN（15-BR）是以15个神经元、贝叶斯正则化算法训练的人工神经网络模型;可优化k NN是可优化k最邻近模型,其邻点个数为4,距离度量指标为相关性,距离权重为等距离;ANN（10-LM）是以10个神经元、Levenberg-Marquardt算法训练的人工神经网络模型;（2）机器学习技术对于提升足迹距离D的模拟精度效果明显,三种模型中使用特征工程和机器学习方法建立的模型综合模拟效果最佳;（3）对12个案例城市的SUHIF形态可视化模拟显示,该机器学习模型具备良好的数据适用性,且模型可用于足迹形态空间精度的提升。
赵娟萍[10]（2020）在《SAR图像目标/地物精细化解译方法研究》文中指出合成孔径雷达（Synthetic Aperture Radar,SAR）由于具有全天时全天候对地观测能力、较强的穿透能力,以及极化信息获取能力,在军事和民用领域中均得到了广泛的研究与应用。SAR图像解译是通过研究SAR图像中目标和地物的特性与相互作用从图像中获取关键信息的技术。近年来,随着SAR图像数据量的急剧增长和卷积神经网络（Convolutional Neural Networks,CNNs）等机器学习方法的大规模应用,单一的技术或方法已经难以满足SAR图像精细化解译的需求,SAR图像解译方法也呈现出了传统模型与深度网络相结合的发展趋势。本文基于卷积神经网络和高斯过程回归等机器学习方法,分别从目标检测、极化方式、探测波段、地物库构建与质量评估方面开展SAR图像目标与地物精细化解译研究。主要研究内容包括:面向SAR图像舰船目标检测的精细化解译、多种极化方式下SAR图像的物理散射类型提取、多种探测波段下SAR图像的物理散射类型提取,以及SAR图像精细化解译测试库构建与质量评估。本文的创新性研究成果总结如下:（1）本文首先针对SAR图像中靠港/岸等密集排布舰船目标检测困难的问题,采用改进的多尺度卷积神经网络方法,同时实现了SAR图像中远海海域和近港/岸区域舰船目标的高精度检测。其次,针对检测框不够精确、密集排布目标漏检严重,及少量陆地虚警的问题,本文提出了一种结合级联卷积神经网络和频域脉冲余弦变换的方法用于SAR图像舰船目标的精细化提取。该方法通过级联卷积神经网络提取SAR图像中舰船目标的粗略候选区,并在局部自适应范围内采用基于脉冲余弦变换的方法进行目标的精细化提取。在欧空局星载Sentinel-1和我国高分三号数据集上的实验结果显示了本文方法的优越性。（2）为了通过单/双极化SAR图像提取具有物理意义的地物散射类型,并在此基础上探索多种不同极化方式下SAR图像对雷达物理散射特性的可解释性,本文提出了一种复数域对比约束卷积神经网络方法。本文所研究的物理散射类型主要聚焦在多次散射、体散射和表面散射上,模型训练真值依赖Cloude极化目标分解方法自动获取。复数域对比约束卷积神经网络方法能够在对比约束损失函数的监督训练下,直接从原始复散射矩阵中学习图像中的物理散射类型。该方法能够实现多种极化方式下SAR图像的地物物理散射类型提取,因而能够从极化方式的角度精细化解译雷达物理散射特性。本文方法通过德国宇航中心提供的多景L波段高分辨率F-SAR影像验证了其有效性和泛化性能。（3）针对多种探测波段下SAR图像中物理散射类型难以有效提取的难题,本文通过基于高斯过程回归的方法首先预测极化熵和极化散射角等参数,最终实现跨雷达探测波段的物理散射类型提取。该方法在高斯假设条件下,首先通过多种探测波段的SAR图像训练基于核函数与平均期望的高斯过程回归模型,所训练的模型能够较为精确地预测极化熵和极化散射角等参数,并给出预测参数的置信范围;进而依据H-α极化分割平面从多个探测波段的SAR图像中提取到具有物理意义的散射类型。本文方法的有效性与泛化性能在X波段Terra SAR-X影像、C波段Sentinel-1影像、L波段F-SAR影像上得到了验证。（4）针对中低分辨率的Sentinel-1影像难以实现地物类别精细化解译的问题,本文在预定义的两级精细化城区类别标注体系基础上,采用地理位置信息作为纽带,通过光学影像辅助标注的方式,构建了一个面向SAR图像地物精细化解译的测试库。该测试库能够提供33,358个城区地物样本,每个样本同时对应了两种不同的极化方式（VH和VV）和四种不同的数据格式（包括原始32位数据、UINT8格式数据、辐射校正图像和伪彩色图）。本文通过基于快速压缩距离的数据流形可视化方法和多种图像分类方法验证了测试库的质量。
二、ARTIFICIAL NEURAL NETWORK CORRECTION OF ROUGH ERRORS OF OBSERVATIONS（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、ARTIFICIAL NEURAL NETWORK CORRECTION OF ROUGH ERRORS OF OBSERVATIONS（论文提纲范文）
（1）基于风云4号卫星图像的西藏地区云检测和降水外推预报研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 云检测以及降水云团识别的研究现状 |
| 1.2.2 卫星降水反演的研究现状 |
| 1.2.3 云图预测的研究现状 |
| 1.3 本文主要研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 本文章节安排 |
| 第二章 研究区概况与数据处理 |
| 2.1 西藏概况 |
| 2.2 数据资料与预处理 |
| 2.2.1 数据资料 |
| 2.2.2 数据预处理 |
| 2.3 本章小结 |
| 第三章 基于U-HRNet的高精度云检测方法 |
| 3.1 云在遥感图像上的特性 |
| 3.1.1 云的辐射特性 |
| 3.1.2 云的几何特征 |
| 3.2 云检测标签制作 |
| 3.3 基于现有分割网络的云检测研究 |
| 3.3.1 基于U-Net的云检测 |
| 3.3.2 基于Deeplab V3 的云检测 |
| 3.4 基于U-HRNet的云检测 |
| 3.4.1 建立U-HRNet模型框架 |
| 3.4.2 重复多尺度融合与联合金字塔上采样模块 |
| 3.4.3 试验细节与消融试验 |
| 3.4.4 结果分析与客观评价 |
| 3.5 本章小结 |
| 第四章 基于U-HRNet+的降水云团识别与降水强度等级估计 |
| 4.1 基于U-HRNet+的降水云团识别 |
| 4.1.1 标签制作 |
| 4.1.2 建立降水云团识别模型 |
| 4.1.3 结果分析 |
| 4.2 基于U-HRNet+的降水强度等级估计 |
| 4.2.1 标签制作 |
| 4.2.2 建立降水强度等级估计模型 |
| 4.2.3 通道消融试验 |
| 4.2.4 结果分析 |
| 4.3 本章小结 |
| 第五章 云图外推与降水预报 |
| 5.1 标签与数据集制作 |
| 5.2 基于现有时空预测模型的云图外推 |
| 5.2.1 基于Conv GRU的云图外推 |
| 5.2.2 基于生成对抗网络的云图外推 |
| 5.3 基于对抗型Dconv GRU的云图外推 |
| 5.3.1 构建对抗型Dconv GRU模型 |
| 5.3.2 外推结果分析与客观评价 |
| 5.4 基于外推数据的云检测与降水预报 |
| 5.4.1 基于外推数据的云检测 |
| 5.4.2 基于外推数据的降水预报 |
| 5.5 本章小结 |
| 第六章 总结和展望 |
| 6.1 总结 |
| 6.2 创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 个人简介 |
（2）基于智能手机惯性传感器采样的环境异常震动检测方法（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 地震预警及加速度传感器在地震预警中的应用研究现状 |
| 1.2.2 基于智能手机传感器的特征识别分类研究现状 |
| 1.2.3 P波震相自动识别方法研究现状 |
| 1.3 本文的主要研究内容和章节安排 |
| 第二章 智能手机惯性传感器采样的样本采集与预处理 |
| 2.1 引言 |
| 2.2 加速度传感器采样特征 |
| 2.3 坐标系转换 |
| 2.3.1 地理坐标系与手机坐标系 |
| 2.3.2 基于四元数法的坐标系转换 |
| 2.4 加速度传感器系统误差校正 |
| 2.4.1 误差来源 |
| 2.4.2 误差模型构建 |
| 2.4.3 校正结果检验 |
| 2.5 样本采集及数据预处理 |
| 2.5.1 样本采集 |
| 2.5.2 采样信号去噪 |
| 2.5.3 特征提取 |
| 2.6 本章小结 |
| 第三章 基于SVM的智能手机异常震动事件识别方法 |
| 3.1 引言 |
| 3.2 异常震动事件分类算法选择 |
| 3.2.1 支持向量机(SVM) |
| 3.2.2 K最近邻算法(KNN) |
| 3.2.3 决策树(DT) |
| 3.2.4 三种分类算法的实验对比 |
| 3.3 基于SVM的智能手机异常震动事件识别方法 |
| 3.3.1 SVM识别模型的构建 |
| 3.3.2 核函数以及相关参数的选取 |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 智能手机惯性传感器异常震动检测的精确P波到时捡拾方法 |
| 4.1 引言 |
| 4.2 长短时窗均值比法(STA/LTA法) |
| 4.2.1 STA/LTA法基本原理 |
| 4.2.2 STA/LTA方法的应用 |
| 4.3 赤池信息量准则法(AIC法) |
| 4.3.1 AIC法基本原理 |
| 4.3.2 AIC方法的应用 |
| 4.4 STA/LTA-AIC方法的应用 |
| 4.5 基于小波包分解的STA/LTA-AIC改进方法 |
| 4.5.1 小波包分解的基本原理 |
| 4.5.2 基于小波包分解的STA/LTA-AIC改进方法的应用 |
| 4.6 实验对比 |
| 4.6.1 STA/LTA-AIC方法改进前后实验对比 |
| 4.6.2 数据处理前后实验对比 |
| 4.6.3 几种方法的捡拾结果对比 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 主要贡献总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 个人简历 |
| 致谢 |
（3）地震波速无监督深度学习反演方法及其在隧道超前探测中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统地震波速求取与反演方法研究现状 |
| 1.2.2 深度学习及其在地震波速反演中的应用研究现状 |
| 1.3 目前研究存在的问题 |
| 1.4 主要研究内容、创新点和技术路线 |
| 1.4.1 主要研究内容 |
| 1.4.2 技术路线 |
| 1.4.3 创新点 |
| 第二章 大样本地震背景波速模型的构建方法 |
| 2.1 地震波速贝叶斯反演和可逆神经网络的基本理论 |
| 2.2 基于可逆神经网络的背景波速模型构建方法 |
| 2.2.1 分层可逆神经网络改进 |
| 2.2.2 大样本背景波速模型构建 |
| 2.3 关于背景波速建模的数值实验 |
| 2.3.1 针对波速构建网络可逆性的验证实验 |
| 2.3.2 针对背景波速建模效果评价的测试实验 |
| 2.3.3 针对背景波速建模质量评价的FWI反演实验 |
| 2.3.4 针对较真实数据的适用性测试实验 |
| 2.4 本章小节 |
| 第三章 大样本地震背景波速模型的网络融合方法 |
| 3.1 背景波速模型的网络融合策略 |
| 3.2 背景波速模型的融合网络设计 |
| 3.2.1 背景波速模型融合的解码器网络设计 |
| 3.2.2 背景波速模型的融合网络架构 |
| 3.3 背景波速模型融合有效性的评价实验 |
| 3.3.1 背景波速模型融合有效性的对比实验 |
| 3.3.2 融合网络的敏感性分析 |
| 3.4 本章小节 |
| 第四章 物理规律驱动的地震波速无监督学习反演方法 |
| 4.1 基于地震正演网络的物理规律表征方法 |
| 4.1.1 地震并行计算正演网络设计 |
| 4.1.2 数值实验验证 |
| 4.2 物理规律驱动的地震波速无监督学习反演方法及网络 |
| 4.2.1 物理规律驱动的地震波速无监督学习反演网络设计 |
| 4.2.2 地震波速无监督学习反演梯度计算方法 |
| 4.2.3 基于背景波速引导的反演损失函数 |
| 4.2.4 地震波速无监督学习反演实现流程 |
| 4.3 地震波速无监督学习反演的数值实验 |
| 4.3.1 地震波速无监督学习反演实验 |
| 4.3.2 与传统FWI的对比 |
| 4.4 针对含噪等复杂数据的适用性实验 |
| 4.4.1 针对含噪声数据的反演适用性实验 |
| 4.4.2 针对缺道数据的反演适用性实验 |
| 4.5 本章小节 |
| 第五章 隧道地震超前探测无监督学习波速反演实现与特征 |
| 5.1 观测方式自适应的隧道地震波速无监督学习反演实现 |
| 5.1.1 隧道地震波速无监督学习反演的适用性分析 |
| 5.1.2 观测方式自适应的无监督学习反演网络架构改进 |
| 5.1.3 基于归一化积分的波速多尺度反演损失函数设计 |
| 5.1.4 隧道地震波速无监督学习反演实现流程 |
| 5.2 隧道地震波速无监督学习反演的数值实验 |
| 5.2.1 隧道地震波速反演数据集的构建 |
| 5.2.2 典型不良地质波速模型的反演实验与特征 |
| 5.3 针对含噪等复杂数据的反演适用性实验 |
| 5.3.1 针对不同观测方式的反演适用性实验 |
| 5.3.2 针对含噪声数据的反演适用性实验 |
| 5.4 本章小结 |
| 第六章 工程试验与验证 |
| 6.1 珠江三角洲水资源配置工程C1标段1+357m超前探测试验 |
| 6.1.1 工程概况与地质分析 |
| 6.1.2 探测试验方案概述 |
| 6.1.3 数据处理与反演结果 |
| 6.2 珠江三角洲水资源配置工程C1标段0+621m超前探测试验 |
| 6.2.1 工程地质条件与探测方案概况 |
| 6.2.2 数据处理与反演结果 |
| 6.3 珠江三角洲水资源配置工程C1标段4+102m超前探测试验 |
| 6.3.1 工程地质条件与探测方案概况 |
| 6.3.2 数据处理与反演结果 |
| 6.4 山东滨莱高速马公祠隧道104+643m超前探测试验 |
| 6.4.1 工程概况与地质分析 |
| 6.4.2 探测试验方案概述 |
| 6.4.3 数据处理与反演结果 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的科研成果、参与项目及所获奖励 |
| 学位论文评阅及答辩情况表 |
（4）流场测量中基于深度学习的自适应光学技术（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 自适应光学技术基本原理 |
| 1.1.1 自适应光学概述 |
| 1.1.2 波前传感器 |
| 1.1.3 波前校正器 |
| 1.1.4 激光信标 |
| 1.2 流场测量中的粒子图像测速技术 |
| 1.3 自适应光学在流场测量中的应用 |
| 1.4 深度学习简介及在自适应光学中的应用 |
| 1.4.1 深度学习概述 |
| 1.4.2 深度卷积神经网络中的基本概念 |
| 1.4.3 自适应光学中的深度学习 |
| 1.5 拟解决的关键问题及论文结构 |
| 第2章 流场测量中的光学畸变模型及基于激光信标的测量方法 |
| 2.1 引言 |
| 2.2 晃动气-液两相介质边界引起的光学畸变模型 |
| 2.3 基于激光信标与Hartmann-Shanck波前传感器的畸变相界测量原理 |
| 2.3.1 用于流场测量中畸变相界测量的空间分布式激光信标 |
| 2.3.2 基于Hartman-Shack波前传感器的波前测量及复原 |
| 2.3.3 晃动介质边界畸变测量原理 |
| 2.4 本章小结 |
| 第3章 大动态范围Hartmann-Shack波前测量算法 |
| 3.1 引言 |
| 3.2 基于光斑分割的质心估计算法 |
| 3.2.1 基于Canny算子的光斑分割算法 |
| 3.2.2 基于形态学特征的独立光斑区域的筛选与标记 |
| 3.2.3 分割光斑的定位算法 |
| 3.3 基于邻域搜索匹配的动态范围扩展算法 |
| 3.4 本章小结 |
| 第4章 大动态范围Hartmann-Shack波前测量算法性能分析 |
| 4.1 引言 |
| 4.2 Hartman-Shack传感器的性能指标及误差分析 |
| 4.2.1 Hartman-Shack传感器的性能指标 |
| 4.2.2 Hartman-Shack传感器误差分析 |
| 4.3 基于仿真和实验的算法性能分析 |
| 4.3.1 不同信噪比下的光斑仿真模型 |
| 4.3.2 与传统质心算法及其改进算法的性能对比 |
| 4.3.3 响应系数及非线性误差分析 |
| 4.3.4 动态范围扩展性能的量化分析 |
| 4.3.5 算法实验验证 |
| 4.4 本章小结 |
| 第5章 基于多输入深度学习模型的无校正器件自适光学技术 |
| 5.1 引言 |
| 5.2 AOPIV-MIUN算法 |
| 5.2.1 AOPIV-MIUN算法的基本框架思想 |
| 5.2.2 AOPIV-MIUN算法实现 |
| 5.2.3 AOPIV-MIUN的训练 |
| 5.3 基于实验平台的数据集生成 |
| 5.4 神经网络的校正性能分析 |
| 5.4.1 基于PIV粒子图像质量的校正性能分析 |
| 5.4.2 基于PIV流场速度测量结果的校正性能分析 |
| 5.5 本章小结 |
| 第6章 基于深度卷积神经网络的流体运动估计与畸变校正 |
| 6.1 引言 |
| 6.2 粒子图像测速中流体运动场估计算法 |
| 6.3 两种基于多输入深度卷积神经网络的畸变校正流体运动估计算法 |
| 6.3.1 基于MIUN结构的稠密流体运动场估计 |
| 6.3.2 基于多输入Xception结构的稀疏流体运动场估计 |
| 6.3.3 AOPIV-MICNN的训练 |
| 6.4 基于合成模型的数据集生成 |
| 6.4.1 畸变PIV粒子图像对及对应流场的生成 |
| 6.4.2 Hartmann-Shack波前传感器仿真模型 |
| 6.5 测试结果分析与讨论 |
| 6.6 本章小结 |
| 第7章 总结和展望 |
| 7.1 全文总结 |
| 7.2 论文创新点 |
| 7.3 未来展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（5）基于多传感器数据融合的路面附着系数估计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 附着系数估计研究现状 |
| 1.2.1 基于原因的估计方法研究现状 |
| 1.2.2 基于效果的估计方法研究现状 |
| 1.2.3 附着系数估计存在的问题 |
| 1.3 车辆状态估计研究现状 |
| 1.3.1 基于运动学模型的估计方法 |
| 1.3.2 基于动力学模型的估计方法 |
| 1.3.3 车辆状态估计存在的问题 |
| 1.4 本文的技术路线 |
| 1.5 本文的研究内容 |
| 第2章 分布式驱动电动汽车车辆状态估计研究 |
| 2.1 引言 |
| 2.2 加速度偏移量估计 |
| 2.3 轮胎力估计 |
| 2.3.1 轮胎载荷估计 |
| 2.3.2 轮胎纵向力估计 |
| 2.3.3 轮胎侧向力估计 |
| 2.4 纵向车速估计 |
| 2.4.1 基于轮速法的纵向车速估计 |
| 2.4.2 基于运动学法的纵向车速估计 |
| 2.4.3 纵向车速估计融合 |
| 2.5 质心侧偏角估计 |
| 2.5.1 基于运动学法的质心侧偏角估计 |
| 2.5.2 基于模型法的质心侧偏角估计 |
| 2.5.3 质心侧偏角融合策略 |
| 2.6 轮胎状态估计 |
| 2.7 车辆状态估计验证 |
| 2.7.1 高附路面验证 |
| 2.7.2 低附路面验证 |
| 2.8 本章小结 |
| 第3章 基于UniTire模型的附着系数估计研究 |
| 3.1 引言 |
| 3.2 UniTire模型简述与优化 |
| 3.2.1 传统UniTire模型 |
| 3.2.2 简化UniTire模型 |
| 3.3 路面附着系数估计方法 |
| 3.3.1 梯度下降法 |
| 3.3.2 滑移率偏移量处理方法 |
| 3.3.3 仿真测试结果 |
| 3.4 附着系数估计方法优化 |
| 3.5 路面附着系数估计仿真验证 |
| 3.5.1 高附路面验证 |
| 3.5.2 低附路面验证 |
| 3.6 路面附着系数估计实车验证 |
| 3.7 本章小结 |
| 第4章 基于摄像头与卷积神经网络的路况辨识研究 |
| 4.1 引言 |
| 4.2 全连接神经网络 |
| 4.2.1 神经网络的基本结构 |
| 4.2.2 神经网络的训练过程 |
| 4.2.3 神经网络的优化方法 |
| 4.3 卷积神经网络 |
| 4.3.1 卷积层 |
| 4.3.2 池化层 |
| 4.3.3 批量标准化 |
| 4.4 图像数据预处理 |
| 4.4.1 图像收集 |
| 4.4.2 数据增强 |
| 4.5 卷积神经网络模型仿真验证 |
| 4.6 本章小结 |
| 第5章 橡胶摩擦微观解析模型研究 |
| 5.1 引言 |
| 5.2 路面的物理特性 |
| 5.3 橡胶的物理特性 |
| 5.3.1 橡胶的粘弹性 |
| 5.3.2 时温等效原理 |
| 5.4 橡胶摩擦机理分析 |
| 5.4.1 橡胶的滞后摩擦机理简析 |
| 5.4.2 橡胶的粘性摩擦机理简析 |
| 5.5 橡胶摩擦微观解析模型研究 |
| 5.5.1 Persson接触理论 |
| 5.5.2 橡胶摩擦解析模型建立 |
| 5.6 橡胶摩擦模型仿真验证 |
| 5.7 本章小节 |
| 第6章 路面附着系数估计的融合算法研究 |
| 6.1 引言 |
| 6.2 附着系数估计的融合算法 |
| 6.2.1 融合算法框架 |
| 6.2.2 前馈信息预处理 |
| 6.2.3 轮胎工作区的判断逻辑 |
| 6.2.4 轮胎模型参数校正 |
| 6.2.5 融合算法的输出 |
| 6.3 融合算法仿真验证 |
| 6.3.1 高附路面验证 |
| 6.3.2 低附路面验证 |
| 6.4 本章小结 |
| 第7章 全文总结与展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
（6）基于Google Earth Engine云平台下地物覆被类型的遥感影像智能分类方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感影像分类方法研究现状 |
| 1.2.2 现有遥感影像数据的获取平台 |
| 1.2.3 遥感影像地物覆被分类中的关键问题 |
| 1.3 Google Earth Engine云平台 |
| 1.3.1 平台注册 |
| 1.3.2 公共数据集 |
| 1.3.3 程序设计接口 |
| 1.3.4 系统架构 |
| 1.4 拟解决的科学问题 |
| 1.5 研究目的和内容 |
| 1.6 论文创新点 |
| 1.7 技术路线 |
| 2 研究区概况 |
| 2.1 地理位置 |
| 2.2 气候环境 |
| 2.3 植被状况 |
| 2.4 地质地貌 |
| 3 数据与方法 |
| 3.1 数据源 |
| 3.1.1 MCD12Q1 |
| 3.1.2 Landsat-8 OLI |
| 3.1.3 Sentinel-2 L1C |
| 3.1.4 SRTM DEM |
| 3.1.5 其它数据 |
| 3.2 遥感影像预处理 |
| 3.2.1 最小云量影像集的生成 |
| 3.2.2 波段选择和彩色合成 |
| 3.2.3 灰度调整和反差处理 |
| 3.2.4 镶嵌和裁剪 |
| 3.3 多维分类特征集的构建 |
| 3.3.1 光谱特征 |
| 3.3.2 纹理特征 |
| 3.3.3 地形特征 |
| 3.4 大型训练样本数据集的创建与质量控制 |
| 3.5 分类后误差来源与精度评价 |
| 3.5.1 误差来源 |
| 3.5.2 精度评价 |
| 4 传统多分类器的调参优化 |
| 4.1 分类回归树的参数选择 |
| 4.1.1 构建分类回归树 |
| 4.1.2 拆分规则 |
| 4.1.3 修剪树 |
| 4.2 随机森林的参数选择 |
| 4.2.1 构建随机森林 |
| 4.2.2 粒子群性能 |
| 4.2.3 最优共享粒子 |
| 4.3 支持向量机的参数选择 |
| 4.3.1 最佳分类超平面 |
| 4.3.2 核函数 |
| 4.4 性能验证 |
| 4.5 小结 |
| 5 基于深度卷积神经网络ResNet-101的新型分类器研究 |
| 5.1 卷积神经网络的算法原理 |
| 5.1.1 卷积神经网络的结构 |
| 5.1.2 卷积神经网络的特点 |
| 5.2 深层次残差网络ResNet-101 分类器的构建 |
| 5.2.1 残差学习 |
| 5.2.2 基于TensorFlow构建残差网络ResNet-101 分类器 |
| 5.2.3 深层次残差网络分类器的应用优势 |
| 5.2.4 性能验证 |
| 5.3 小结 |
| 6 基于MCD12Q1 地物覆被类型的智能分类结果 |
| 6.1 地物覆被类型下的特征识别和提取效果 |
| 6.1.1 训练和验证样本数量下总体精度和运行时间的变化规律 |
| 6.1.2 多分类器下地物覆被类型像元的变化规律 |
| 6.1.3 遥感影像种类下地物覆被类型面积的变化规律 |
| 6.2 遥感影像地物覆被类型的分类结果比对 |
| 6.2.1 Landsat-8 OLI影像的地物覆被类型 |
| 6.2.2 Sentinel-2 L1C影像的地物覆被类型 |
| 6.3 小结 |
| 7 遥感影像智能分类结果的可靠性评价 |
| 7.1 混淆矩阵 |
| 7.2 精度计算 |
| 7.3 误差对比 |
| 7.4 Kappa系数 |
| 7.5 小结 |
| 8 讨论与总结 |
| 8.1 讨论 |
| 8.2 结论 |
| 8.3 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（7）大口径望远镜光学系统失调校正技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 光学系统检测方法发展现状 |
| 1.3 光学系统失调校正技术研究现状 |
| 1.4 本文主要研究内容 |
| 第2章 波前曲率传感器的理论分析 |
| 2.1 引言 |
| 2.2 波前曲率传感器的基本原理 |
| 2.3 波前曲率传感器的实现方式 |
| 2.4 波前曲率传感器在大口径大视场望远镜的应用 |
| 2.5 本章小结 |
| 第3章 基于曲率传感器灵敏度矩阵法的改进 |
| 3.1 引言 |
| 3.2 灵敏度矩阵法 |
| 3.3 曲率传感器的波前重构算法 |
| 3.4 本征函数法 |
| 3.5 本征系数灵敏度矩阵法的改进 |
| 3.6 本章小结 |
| 第4章 同轴三反光学系统失调校正仿真 |
| 4.1 引言 |
| 4.2 1m同轴三反望远镜光学系统分析 |
| 4.3 曲率传感器安装敏感度分析 |
| 4.4 本征系数灵敏度矩阵模型建立 |
| 4.5 光学系统失调校正仿真分析 |
| 4.6 本章小结 |
| 第5章 大口径光学系统失调量解算实验 |
| 5.1 引言 |
| 5.2 1.8m望远镜光学系统分析 |
| 5.3 实验基准与本征系数的选取 |
| 5.4 1.8m望远镜光学系统失调量解算实验 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 主要研究内容总结 |
| 6.2 论文工作的不足及下一步工作的展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（8）图像迁移学习的多场景应用关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 卷积神经网络 |
| 1.2.2 迁移学习 |
| 1.2.3 跨分辨率的遥感影像颜色一致性校正 |
| 1.2.4 夜间城市道路场景解析 |
| 第2章 卷积神经网络的基础理论和相关研究 |
| 2.1 卷积神经网络的发展历史 |
| 2.2 卷积神经网络的基本模块 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.2.3 非线性层 |
| 2.2.4 规范化层 |
| 2.2.5 丢弃层 |
| 2.3 卷积神经网络的运行模式 |
| 2.3.1 模型结构 |
| 2.3.2 模型求解 |
| 2.4 典型的迁移学习网络 |
| 2.4.1 CycleGAN |
| 2.4.2 UNIT |
| 2.5 典型的语义分割网络模型 |
| 2.5.1 FCN |
| 2.5.2 UNet |
| 2.5.3 PSPNet |
| 2.5.4 Deeplabv3+ |
| 2.6 本章小结 |
| 第3章 基于颜色迁移的遥感影像色彩一致性校正 |
| 3.1 引言 |
| 3.2 遥感影像颜色校正的模型框架 |
| 3.3 编码器解码器网络 |
| 3.3.1 编解码器模型的相关分析 |
| 3.3.2 编解码器网络模型的设计 |
| 3.4 风格网络模型 |
| 3.4.1 风格参数设计 |
| 3.4.2 风格参数的求解 |
| 3.4.3 内容一致性约束 |
| 3.5 网络模型的详细设置 |
| 3.5.1 网络结构设置 |
| 3.5.2 损失函数 |
| 3.6 实验结果评估 |
| 3.6.1 定性分析 |
| 3.6.2 定量分析 |
| 3.7 本章小结 |
| 第4章 基于颜色迁移的夜间道路场景解析 |
| 4.1 引言 |
| 4.2 基于自适应上采样的语义分割 |
| 4.2.1 遥感影像分割框架 |
| 4.2.2 金字塔池化模块 |
| 4.2.3 异步融合非局部模块 |
| 4.2.4 自适应上采样模块 |
| 4.2.5 实验结果 |
| 4.3 基于颜色迁移的语义解析 |
| 4.3.1 夜间道路场景解析框架 |
| 4.3.2 颜色迁移模块 |
| 4.3.3 实验结果 |
| 4.4 本章小结 |
| 第5章 基于语义迁移的夜间道路场景解析 |
| 5.1 引言 |
| 5.2 场景迁移框架 |
| 5.3 场景迁移学习 |
| 5.4 夜间道路场景解析模型 |
| 5.4.1 编码解码网络 |
| 5.4.2 生成对抗网络 |
| 5.4.3 分割网络 |
| 5.4.4 网络超参数配置 |
| 5.4.5 损失函数 |
| 5.5 实验设置 |
| 5.5.1 网络结构设置 |
| 5.5.2 实验参数设置 |
| 5.6 实验结果 |
| 5.6.1 消融实验 |
| 5.6.2 性能比较 |
| 5.7 本章小结 |
| 第6章 结论与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读博士学位期间取得的科研成果 |
| 附录2 攻读博士学位期间参加的科研项目 |
（9）使用机器学习和地表温度数据模拟城市热岛足迹（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状综述 |
| 1.2.1 城市热岛足迹及模拟方法 |
| 1.2.2 城市热环境监测 |
| 1.2.3 机器学习及应用现状 |
| 1.3 研究目标与内容 |
| 1.4 研究思路与技术路线 |
| 1.5 本章小结 |
| 第二章 构建机器学习模型 |
| 2.1 建模流程 |
| 2.2 数据集 |
| 2.2.1 数据源 |
| 2.2.2 标记数据集 |
| 2.3 数据探索分析 |
| 2.3.1 统计分析 |
| 2.3.2 趋势特征分析 |
| 2.3.3 分布特征分析 |
| 2.4 模型设计 |
| 2.4.1 简单机器学习 |
| 2.4.2 结合特征工程的机器学习 |
| 2.5 模型训练 |
| 2.5.1 训练方案 |
| 2.5.2 训练算法 |
| 2.5.3 模型算法 |
| 2.6 模型选择 |
| 2.6.1 选择方法 |
| 2.6.2 评估指标 |
| 2.6.3 训练结果 |
| 2.7 本章小结 |
| 第三章 模型结果对比分析 |
| 3.1 指数拟合模型 |
| 3.2 简单机器学习模型 |
| 3.3 特征工程机器学习模型 |
| 3.3.1 分类模型 |
| 3.3.2 拟合模型 |
| 3.4 模型对比 |
| 3.5 本章小结 |
| 第四章 模型应用 |
| 4.1 案例城市选择 |
| 4.2 空间形态模拟方法 |
| 4.3 空间形态模拟效果 |
| 4.4 本章小结 |
| 第五章 讨论 |
| 5.1 模型的合理性 |
| 5.1.1 模型数据的合理性 |
| 5.1.2 模型结构的合理性 |
| 5.1.3 模拟结果的合理性 |
| 5.2 模型的可解释性 |
| 5.2.1 定性可解释性 |
| 5.2.2 定量可解释性 |
| 5.3 模型的应用潜力 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 主要结论 |
| 6.2 未来展望 |
| 参考文献 |
| 附件 |
| 在学期间的研究成果 |
| 致谢 |
（10）SAR图像目标/地物精细化解译方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 SAR图像测试库发展 |
| 1.2.2 SAR图像分类现状 |
| 1.2.3 SAR图像舰船目标检测 |
| 1.2.4 极化SAR图像散射特性 |
| 1.3 研究内容与组织结构 |
| 第二章 SAR与极化SAR基础 |
| 2.1 引言 |
| 2.2 SAR成像基础简介 |
| 2.3 SAR图像特性 |
| 2.3.1 几何畸变 |
| 2.3.2 相干斑噪声 |
| 2.4 雷达极化原理与特性 |
| 2.5 极化SAR图像基本表征 |
| 2.5.1 极化散射矩阵及其向量化表征 |
| 2.5.2 相干矩阵与协方差矩阵 |
| 2.6 本章小结 |
| 第三章 面向SAR图像舰船目标检测的精细化解译 |
| 3.1 引言 |
| 3.2 基于卷积神经网络的目标检测方法概述 |
| 3.2.1 基于区域候选框预测的双网检测算法 |
| 3.2.2 基于检测框回归的单网检测算法 |
| 3.3 基于多尺度卷积神经网络的SAR图像舰船目标检测 |
| 3.3.1 研究动机 |
| 3.3.2 方法详介 |
| 3.3.3 实验结果与分析 |
| 3.4 结合级联网络与脉冲余弦变换的舰船目标精细化提取 |
| 3.4.1 研究动机 |
| 3.4.2 方法详介 |
| 3.4.3 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 多种极化方式下SAR图像的物理散射类型提取 |
| 4.1 引言 |
| 4.2 Cloude极化目标分解 |
| 4.3 基于复数域卷积神经网络的物理散射类型提取 |
| 4.3.1 网络结构 |
| 4.3.2 网络优化的损失函数 |
| 4.3.3 物理散射类型提取 |
| 4.4 实验结果与分析 |
| 4.4.1 实验数据与网络训练真值 |
| 4.4.2 实验设置及性能评价 |
| 4.4.3 多种极化方式下SAR图像的物理散射类型提取 |
| 4.4.4 验证模型的泛化性能 |
| 4.5 本章小结 |
| 第五章 多种探测波段下SAR图像的物理散射类型提取 |
| 5.1 引言 |
| 5.2 高斯过程基本原理及其在遥感图像中的应用 |
| 5.2.1 高斯过程基本原理 |
| 5.2.2 高斯过程在遥感图像中的应用 |
| 5.3 基于高斯过程回归的物理散射类型提取 |
| 5.3.1 数据准备 |
| 5.3.2 方法祥介 |
| 5.4 实验分析 |
| 5.4.1 实验设置 |
| 5.4.2 基于X波段TerraSAR数据的物理散射类型提取 |
| 5.4.3 基于C波段Sentinel-1数据的物理散射类型提取 |
| 5.4.4 验证模型的泛化性能 |
| 5.5 本章小结 |
| 第六章 SAR图像精细化解译测试库构建与质量评估 |
| 6.1 引言 |
| 6.2 OpenSARUrban测试库构建方法 |
| 6.2.1 数据收集与预处理 |
| 6.2.2 精细化类别体系定义 |
| 6.2.3 测试库标注方法 |
| 6.2.4 测试库组织形式 |
| 6.3 OpenSARUrban测试库特性分析与规范化管理 |
| 6.3.1 测试库特性分析 |
| 6.3.2 测试库规范化管理 |
| 6.4 测试库质量评估:数据库流形可视化 |
| 6.5 测试库质量评估:图像分类 |
| 6.5.1 验证算法与实验设置 |
| 6.5.2 测试库分类整体性能评价 |
| 6.6 本章小结 |
| 全文总结 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
| 攻读学位期间参与的项目 |
| 攻读学位期间参加的学科竞赛及获奖情况 |
四、ARTIFICIAL NEURAL NETWORK CORRECTION OF ROUGH ERRORS OF OBSERVATIONS（论文参考文献）
- [1]基于风云4号卫星图像的西藏地区云检测和降水外推预报研究[D]. 陶润喆. 南京信息工程大学, 2021(01)
- [2]基于智能手机惯性传感器采样的环境异常震动检测方法[D]. 朱玉琴. 华东交通大学, 2021(01)
- [3]地震波速无监督深度学习反演方法及其在隧道超前探测中的应用[D]. 任玉晓. 山东大学, 2021(10)
- [4]流场测量中基于深度学习的自适应光学技术[D]. 高泽宇. 中国科学院大学(中国科学院光电技术研究所), 2021(08)
- [5]基于多传感器数据融合的路面附着系数估计[D]. 何中正. 吉林大学, 2021(01)
- [6]基于Google Earth Engine云平台下地物覆被类型的遥感影像智能分类方法研究[D]. 潘霞. 内蒙古农业大学, 2021
- [7]大口径望远镜光学系统失调校正技术研究[D]. 梁琼心. 中国科学院大学(中国科学院光电技术研究所), 2021(08)
- [8]图像迁移学习的多场景应用关键技术研究[D]. 宋灿. 武汉科技大学, 2021(01)
- [9]使用机器学习和地表温度数据模拟城市热岛足迹[D]. 孙敏淮. 兰州大学, 2020(04)
- [10]SAR图像目标/地物精细化解译方法研究[D]. 赵娟萍. 上海交通大学, 2020