排序方式： 共有60条查询结果，搜索用时 265 毫秒
51.
52.
学习向量量化神经网络在多波束底质分类中的应用研究 总被引：5，自引：1，他引：5
利用多波束测深系统获取的反向散射强度数据，应用学习向量量化（learning vector quantization，LVQ）神经网络分类方法实现了对海底砂、砾石和基岩等底质类型的快速、有效的识别。通过比较，证明了该方法能较好地区分出不同海底底质类型。 相似文献
53.
54.
55.
57.
利用威德尔海区域2016年的Sentinel-1ASAR影像数据,采用"双冒泡法"的sigma-on-mu探测器探测冰山边缘区域,并通过对边缘像元进行交换排序和凸显最大像元的方式识别冰山。以人工识别法为基础,通过与自动识别法的对比,定量地分析了"双冒泡法"的识别偏差。研究结果表明,"双冒泡法"识别的冰山线性尺寸和面积等信息中纵横向最大长度分别为24.52km和11.16km;面积为220.833 6km2;单体识别偏差率为2.87%,低于自动识别法(7.5%);平均偏差率为2.48%,亦低于自动识别法(7.27%)。同时,基于"双冒泡法",提出了较小冰山边界的手动分离法(像元≤100),与自动识别方法相比,该方法的手动分离以具体的像元边界为基准,提高了对较小冰山的识别精度。 相似文献
58.
根据船测单波束数据和V30.1重力异常模型,采用重力地质法(GravityGeologicMethod,GGM)反演得到南极阿蒙森海1’×1’分辨率海底地形。在精度分析中,首先通过GGM反演模型与其他常用的水深模型对比,验证了使用GGM水深模型所反演的南极阿蒙森海海底地形的整体精度最高;然后,分析了水深控制点数量和地形起伏度对反演精度的影响,结果表明地形起伏对反演精度影响较大,而通过增加水深控制点数量则能够提高反演精度;最后,对研究区域进行水深分区处理,分析了密度差异常数与外界因素的关系,得出密度差异常数也受地形起伏影响较大,为此提出了一种基于水深分区计算局部区间最优密度差异常数的GGM法,相比采用全局最优密度差异常数反演海底地形,该方法使反演精度有了明显提高。 相似文献
59.
60.
针对海洋大地基准点位置标定的各项误差影响因素难以直接线性化为数学模型的问题，该文基于我国首个深海海底大地基准点的标校试验数据(水深3 000 m),利用公式推导结合数值方法定量分析了主要误差因素对海底定位精度的影响。声速误差对海底定位精度的影响很大，其中影响约为0.3 m的声速短周期时变误差难以消除；航迹几何结构对称性会对定位结果精度造成分米级影响；测船位置的系统偏差对海底定位结果具有等量级的影响(小于0.2 m);测船姿态的系统偏差在5°以内时影响小于0.4 m;观测值时标误差在0.5 s以内时影响为厘米级；时延测量值系统偏差小于0.1 ms时仅在垂向造成0.11 m的影响。为实现准确度优于2 m的海底绝对定位目标，测船航迹结构应保持对称，声速剖面精度应优于0.1 m/s,测船位置精度应优于0.1 m,时延观测值精度应优于0.1 ms,并对姿态测量安装角、杆臂矢量偏心值和观测数据时标偏差进行严格标定。 相似文献