基于磁异常信号解析的目标速度特性研究          下载免费PDF全文

艾佳  蓝强  马树青  张理论  仝青山 《数字海洋与水下攻防》2023,6(5):562-568

水下磁性目标产生的磁场成为重要的水下目标非声探测信号源,因此对水下磁性目标的静磁场建模原理开展了研究。实现了均匀磁化的旋转椭球体模型和磁偶极子模型,并对2种模型在目标磁异常信号仿真上的适应性进行了分析。研究表明：相比于磁偶极子模型,旋转椭球体模型在传感器与目标距离较近时也能表现很好的适应性。由此,利用旋转椭球体模型,首先通过仿真计算构建了目标在不同运动速度状态下的近距离磁异常信号数据集,然后开展基于深度学习方法的水下磁性目标运动速度识别方法研究,最后识别效果在验证集和测试集上分别取得了0.17m/s和0.74m/s良好的误差精度,为后续目标的航向等状态识别奠定重要基础。  相似文献   

基于计算机视觉的头足类角质颚特征研究Ⅰ:轮廓与特征点提取     

贺芊菡  孙翁杰  刘必林  孔祥洪  林龙山 《海洋与湖沼》2020,51(6):1493-1500

轮廓与特征点研究是头足类角质颚形态特征鉴别的基本方法,对于轮廓与特征点的提取最常用的方法是手动描绘与标定,利用计算机视觉进行轮廓与特征点的提取,不仅可以降低手动提取带来的误差、提高准确性,而且更加快速、便捷。文章将利用计算机视觉提取头足类角质颚的轮廓与特征点,首先将自制装置拍摄得到的角质颚三视图放入MTALAB软件中进行编程处理,然后利用Canny算法提取角质颚轮廓,最后根据地标点的定义标定特征点位置并建立空间坐标系得到角质颚的特征点坐标。研究结果显示,利用计算机视觉提取角质颚的轮廓图像以及特征点坐标是可行的,当标准差σ取值为0.1时角质颚轮廓图效果最佳,在得到的轮廓图上进行特征点的标定,通过迭代遍历轮廓图获得各个特征点的空间坐标。研究分析认为,将计算机视觉应用于头足类角质颚形态学的研究可以提高研究的便捷性,同时也为后续的研究提供了新的实验思路和方法。  相似文献   

海底观测网海缆低阻抗故障识别及定位方法          下载免费PDF全文

冯迎宾  刘文竹  杨昆  于洋 《海洋技术学报》2020,39(5):39-45

  相似文献   

宽频地震在东海盆地A凹陷油气勘探中的应用     

祁鹏  黄饶  仝中飞  王欣  李峰 《海洋地质前沿》2020,36(6):69-75

东海盆地A凹陷B构造油气勘探中一直存在着中深层沉积体系展布特征不明确和储层甜点发育规律不清晰等基础地质问题。针对这一问题,运用地震精细解释和地质综合分析的方法,利用重处理的高精度宽频地震资料开展了地震沉积学和全频带信息挖掘研究,结合区域地质认识和已钻井地质分析,认识到B构造C段沉积时期发育了东、中、西3条大型曲流河河道带,在中支和西支河道带中发现了3个典型的频率异常发育区,油气检测技术证实是潜在的含气构造,表明B构造C段发育受河道带控制的构造-岩性气藏,为A凹陷B构造中深层油气勘探提供了地质依据,具有重要的勘探实践意义。  相似文献   

中国农村深度贫困的空间扫描与贫困分异机制的地理探测   总被引：3，自引：1，他引：2  

潘竟虎  冯娅娅 《地理学报》2020,75(4):769-788

从自然和社会经济因素中选取贫困的影响因子,建立评价指标体系,通过Pearson相关分析确定了贫困的主要影响因素,利用GIS空间分析和BP人工神经网络,分别模拟了省域、市域和县域3个尺度下的自然致贫指数与社会经济消贫指数,进一步计算获得了3个尺度下的贫困压力指数,对其空间分布格局进行分析;借助Flexible空间扫描探测识别出深度贫困县,在此基础上运用地理探测器揭示其主导致贫因素,并提出差别化的减贫对策建议。结果表明：① 省域、市域、县域3个尺度的自然致贫指数和贫困压力指数在空间分布上具有较高的一致性,呈现出明显的“东低西高”的空间分布格局;社会经济消贫指数的空间分布一致性不高,县域尺度更为破碎。以黑河—百色线为界,县域贫困压力指数在空间上表现出“大分散、小聚集”的分布状态。识别出的全国贫困县共计655个,主要分布在重点生态功能区和农产品主产区。② 3个尺度下,空间扫描识别出的贫困高风险区主要分布在西北、西南少数民族和边疆地区。县域尺度下识别出208个深度贫困县,多位于省际边缘区。③ 地理探测器识别出深度贫困县的7个致贫主导因素,按照主导因素将深度贫困县划分为地形要素制约型、区位交通制约型、经济收入制约型和生态环境制约型4类。  相似文献   

顾及兴趣点潜在上下文关系的城市功能区识别     

陈占龙  周路林  禹文豪  吴亮  谢忠 《测绘学报》2020,49(7):907-920

城市功能结构的探索对人们理解城市及城市规划有着重要的作用。兴趣点(point of interest,POI)数据作为城市设施的代表,被广泛应用于城市功能区提取。以往对城市功能区研究大多只考虑了POI统计信息,忽略了POI中丰富的空间分布信息,而POI空间分布特征与区域功能密切相关。本文利用空间共位模式挖掘方法挖掘POI潜在上下文关系,提取POI空间分布信息,构建区域特征向量,并进行区域聚类;再利用POI类别比例、居民的出行特征等对聚类结果进行识别。以北京市核心城市功能区为例,将研究结果与北京市百度地图、居民出行特征进行对比验证分析。试验表明,本文方法能识别出具有明显特征的城市功能区,如成熟的娱乐商业区、科教文化区、居住区等。同时,与基于POI语义信息的LDA方法及顾及POI线性空间关系的Word2Vec方法进行对比分析,证明了本文方法的优越性。  相似文献   

复杂卫星图像中的小目标船舶识别   总被引：1，自引：1，他引：0  

姚红革  王诚  喻钧  白小军  李蔚 《遥感学报》2020,24(2):116-125

船舶作为海上的重要目标,实现对船舶自动识别有重要的意义。针对卫星图像中云雾、海岸背景等复杂海情对船舶识别带来的干扰,以及小目标船舶高漏检率问题,本文提出一种多尺度深度学习模型训练策略,在此基础上构建了一种船舶识别的深度学习网络,该网络可分为多尺度训练、特征提取、生成目标建议区域、船舶分类这4个部分。首先,采用多尺度的训练策略,将多尺度的船舶样本送入网络中进行训练,这样在训练样本中加入了大量小目标船舶的样本,使网络充分提取到小目标船舶的特征;其次,通过卷积神经网络对目标船舶进行特征自适应提取;然后,目标区域建议网络可依据卷积神经网络提取到的特征,在图像中找到感兴趣目标区域,即框定船舶的位置;最后,通过多个全连接层的组合,将高维特征映射到一个4元组中,再运用分类函数输出每一类船舶的概率值,概率值最大的则为该船舶的类别。同时为解决云雾遮挡和海岸背景的干扰,采用了一种负样本增强学习的方法,在样本数据集中加入了大量只含有云雾和海岸背景的图片,进行负样本扩充,增强网络模型对云雾及海岸背景的特征学习能力,以此解决复杂海情的影响。实验结果表明,所提方法有效解决了复杂海情条件下的船舶识别难,以及小目标船舶识别难的问题,实现了复杂海情条件下的船舶识别。同时,与现有成熟的深度学习目标识别算法相比,本文算法的精确度和召回率分别提升了6.98%和18.17%,所训练的模型具有良好的泛化能力和鲁棒性。  相似文献   

基于纹理分析和人工神经网络的SAR图像中海面溢油识别方法   总被引：2，自引：0，他引：2  

石立坚  赵朝方  刘朋 《中国海洋大学学报(自然科学版)》2009,39(6)

基于纹理分析和人工神经网络建立了用于区别SAR图像中溢油现象和疑似溢油现象的模型.引入图像处理中的纹理分析作为识别溢油现象的特征参量,并利用方差分析对计算的31个特征参量进行筛选作为神经网络的输入.结果表明,模型能够较好的识别溢油现象,测试样本集的总体精度为0.83;纹理特征作为特征参量以及基于方差分析的特征参量筛选提高了溢油现象的识别精度.  相似文献   

长江口表层沉积物矿物磁性分区特征及其沉积环境指示意义   总被引：3，自引：1，他引：3  

潘大东  王张华  陈艇  高晓琴  李晓  战庆 《海洋学报》2015,37(5):101-111

本研究旨在揭示现代长江口不同沉积环境铁磁性矿物的分布差异,寻找有效识别河口-陆架沉积环境的磁学指标,以便更好地将环境磁学应用于河口古环境研究。在长江口及邻近陆架的6个沉积环境:汊道、拦门沙、三角洲前缘斜坡、前三角洲、前三角洲-陆架过渡区和残留砂区,采集表层沉积物样品,进行粒度和磁性测量。结果显示,χ和SIRM在汊道和拦门沙呈现显著高值,HIRM、χfd%、χARM、χARM/χ和χARM/SIRM在前三角洲和前缘斜坡呈现显著高值,反映了陆源物质输运距离和河口沉积动力对磁性矿物分布的控制作用。因此,参数组合HIRM、χARM、χARM/χ和χARM/SIRM可用于识别全新世地层前缘斜坡和前三角洲-陆架;参数组合χ、SIRM和S-20mT可尝试用于识别汊道和拦门沙环境。  相似文献   

海洋二号微波散射计极地海冰识别算法研究     

邹巨洪  曾韬  郭茂华  崔松雪 《海洋学报(英文版)》2016,35(9):74-79

An Antarctic sea ice identification algorithm on the HY-2A scatterometer(HSCAT) employs backscattering coefficient(σ0) and active polarization ratio(APR) for a preliminary sea ice identification.Then standard deviation(STD) filtering and space filtering are carried out.Finally,it is used to identify sea ice.A process uses a σ0,STD threshold and an APR as sea ice indicators.The sea ice identification results are verified using the sea ice distribution data of the ASMR2 released by the National Snow and Ice Data Center as a reference.The results show very good consistence of sea ice development trends,seasonal changes,area distribution,and sea ice edge distribution of the sea ice identification results obtained by this algorithm relative to the ASMR2 sea ice results.The accuracy of a sea ice coverage is 90.8% versus the ASMR2 sea ice results.This indicates that this algorithm is reliable.  相似文献