摘要：为了在有限训练样本情况下充分提取高光谱影像的空间光谱特征,提高分类精度,提出一种结合空洞卷积和密集网络的高光谱影像分类方法。首先,构建多尺度空洞特征提取模块,引入不同数量的空洞卷积层和普通卷积层通过级联的方式增大模型的感受野,并提取多尺度特征。然后,在多尺度空洞特征提取模块之间建立密集连接,实现特征复用的同时缓解梯度消失问题,而模块内部无密集连接,避免构建深度网络而导致网络参数过多的问题。最后,将得到的特征依次通过池化层,全连接层和Softmax层完成分类。另外,本文在全连接层后加入dropout正则化防止出现过拟合。在Indian Pines和WHU-Hi-Longkou数据集上与经典分类方法进行对比,本文方法 OA分别为98.75%和98.82%。实验结果表明,本文设计的网络模型在有限训练样本情况下,分类效果最优。

摘要：针对当前基于卷积神经网络的建筑物提取存在漏检、错检和边缘不准确的问题,提出一种多分支特征融合的建筑物提取网络MBFF-Net。首先,在VGG16-UNet网络的跳跃连接部分引入CBAM注意力机制,强化网络对建筑物特征信息的学习;然后,设计多分支特征融合模块替换解码器中的卷积块,融合不同感受野的特征信息,捕捉局部和跨通道的特征关系,丰富特征表达能力;最后,结合CBAM注意力机制和多分支特征融合模块构建MBFF-Net模型,并在WHU数据集和Inria数据集上进行验证。结果表明,与U-Net、PSPNet、SegNet、VGG16-UNet相比,MBFF-Net在IoU、Precision、Recall以及mPA 4个指标上均为最优,提取的建筑物更加完整,减少了错检和漏检现象,在建筑物提取任务中表现出良好的性能,验证了其在建筑物提取方面的可行性。

摘要：星载激光雷达系统可以覆盖机载系统难以到达的偏远地区,从机理上克服光学影像及合成孔径雷达测量的技术缺陷,为快速准确地获取林下地形、树高、生物量等森林结构参数提供了可靠的数据源。对现有的星载激光雷达技术观测体系进行综述,讨论了星载激光雷达数据估测多尺度森林结构参数的适用性,定量化分析现有星载激光雷达研究成果及存在的优缺点。最后,总结当前存在的问题,对星载激光雷达技术未来的前景和发展方向进行了展望。建议后续研究可进一步加大对反演不同森林结构参数、产品体系及标准规范、林业应用精度评价、林业用激光雷达参数设计等方面的深入研究。

摘要：手机内置微机电系统(MEMS)传感器具有零偏不稳定性和误差发散快等缺点。为了提高行人步数检测的准确性,基于图形用户界面(GUI),建立零偏校正、低通滤波和卡尔曼(Kalman)滤波3种误差处理模型。采用峰值域和时间域共同约束峰值的双特征检测方法,设计平稳前进和摆臂前进两种动态实验场景,检测行人步数。实验结果表明:在不同动态场景下,双特征检测行人步数的准确率均在95%以上,验证了所提算法的准确性和鲁棒性,满足行人步数检测的要求。

摘要：实现智慧社区需要更智能的方法来管理和优化处理人、机器和物品之间的复杂交互关系。知识图谱可以根据具体需求和应用场景灵活地设计和扩展数据模型,是行之有效的解决途径。该文通过对智慧社区人机物三元交互流程的研究,设计了一种融合强化学习的人机物三元协同智能调度方法,并使用社区数据对人机物本体进行建模,构建了融合知识图谱的社区人机物三元协同调度模型。本模型应用于首农东苑公寓智慧物业服务系统,涵盖了楼宇三维管理、智能设备检修等场景,解决了资源优化和管理问题,适应智慧社区不同服务场景人机物交互需求。

摘要：长久以来,荒漠化对人类的生存构成严重威胁。在沙漠地区使用传统的人工种植方法修复生态环境,整个作业过程费时费力,种植效率低。目前,沙漠植树机械多为半自动化且功能单一,而且受到沙漠恶劣工作环境的限制。依据上述问题,设计一种具有自动拣苗、凸轮传送和螺旋钻孔等多功能的新型沙漠植树装置,极大地减轻了人工的劳动强度,对改善当地生态环境,推动可持续发展具有重要意义。

摘要：面对实际的遥感影像分类任务,采用深度神经网络的方法存在的最大问题是缺乏充足的标注样本,如何使用较少的标注样本实现较高精度的遥感影像分类,是目前需要解决的问题。ImageNet作为世界上最大的图像识别数据集,在其上训练出的模型有着丰富的底层特征。对ImageNet预训练模型进行微调是最常见的迁移学习方法,能够一定程度利用其丰富的底层特征,提高分类精度。但ImageNet影像特征与遥感影像差距较大,对分类效果提升有限。为了解决上述问题,本文基于传递迁移学习思想,结合深度神经网络,提出一种基于深度传递迁移学习的遥感影像分类方法。该方法通过构建以开源遥感场景识别数据集为源域的中间域,并以ImageNet预训练权重为源域、待分类遥感影像为目标域进行迁移学习,提高遥感影像分类精度。首先,以ImageNet预训练VGG16网络为基础,为加速卷积层权重更新而将全连接层替换为全局平均池化层,构建GAP-VGG16,使用中间域数据集训练ImageNet预训练GAP-VGG16以获取权重;然后,以SegNet网络为基础,在SegNet中加入卷积层设计了T-SegNet,以对获取的权重进一步地提取。最后,将获取的权重迁移到T-SegNet中,使用目标域数据集训练,实现遥感影像分类。本文选取Aerial Image Dataset和UC Merced Land-Use DataSet作为中间域数据集的数据源,资源三号盘锦地区影像为目标域影像,并分别选取了50%和25%数量的训练样本进行实验。实验结果表明,在50%和25%数量的训练样本下,本文方法分类结果相比SegNet的Kappa系数分别提高了0.0459和0.0545,相比ImageNet预训练SegNet的Kappa系数分别提高了0.0377和0.0346,且在样本数较少的类别上,本文方法分类精度提升更明显。

摘要：针对捷联惯导系统级标定中滤波法路径设计复杂、误差参数辨识未进行深入的理论分析等问题,提出一种基于矩阵分解的系统级标定算法。将系统级标定中的拟合法路径设计引入滤波法,对静止和转动过程中的误差参数辨识进行深入的理论推导和分析,设计一组7位置连续标定路径。基于矩阵分解将安装误差角分解为非正交角和正交的失准角,建立包含21项误差参数的标定误差模型,以速度误差和姿态误差为观测量,建立27维Kalman滤波模型。仿真结果表明:加速度计和陀螺零偏标定误差分别优于3μg_(n)和0.00015°/h,标度因数误差优于4.5×10^(-6),安装角误差优于1″,标定时间小于30 min,实现了高精度的误差参数全标定。

摘要：为提高捷联惯导系统级标定算法的滤波收敛速度,提出一种Sage-Husa自适应滤波快速系统级标定方法。分析Kalman滤波的噪声参数,对量测噪声方差阵进行自适应辨识。采用六位置静态标定方案,在满足滤波可观测性的前提下,设计中间参数对滤波模型进行降维处理,降维后的模型能够更好地适用于Sage-Husa自适应滤波。实验结果表明:与常规Kalman滤波系统级标定方法相比,2种滤波方法均能标定出所有IMU误差参数,且标定的相对误差均小于0.6%,但标定时间由5 min缩短至6 s,提高了捷联惯导系统级标定的速度。

摘要：针对目前高光谱图像分类数据冗余度高,计算效率低下,且易丢失光谱信息等问题,该文提出一种可以有效地利用光谱信息通过多尺度样本熵提取图像特征的方法。先描述多尺度样本熵计算过程,并对参数进行分析,选取最优参数。在此基础上,分析多尺度样本熵曲线变化规律,设计最优多尺度样本熵特征选择方法。将选取的最优多尺度样本熵特征矢量代入支持向量机分类器(SVM),实现高光谱图像分类。将该文算法与深度特征融合网络(DFFN)算法和基于自适应波段选择(ABS)算法在PaviaU图像和Indian Pines图像上进行对比实验,并对其结果进行定量精度评价。实验结果表明,对于两组高光谱图像,该文算法在总体分类精度上分别达到了98.64%和96.49%,明显高于两种对比算法,同时在时间效率上也有了显著提升。