根据昆明电信传输台网1983—1989年记录的区域地震初至 P 波走时资料,用参数分离和多事件定位的方法得到台网内各台站的 P 波走时校正值.这组校正值在一定程度上反映了该地区地壳上部横向不均匀结构的特征.台站校正值的地理分布明显地分...根据昆明电信传输台网1983—1989年记录的区域地震初至 P 波走时资料,用参数分离和多事件定位的方法得到台网内各台站的 P 波走时校正值.这组校正值在一定程度上反映了该地区地壳上部横向不均匀结构的特征.台站校正值的地理分布明显地分为3个地区:台站最密集的滇西地区,所有台站(不包括南边的云县,施甸和畹町)的台站校正值不超过0.15s;东部地区(楚雄以东)台站分布仍较密集,但间距比滇西大,其中大部分台站显示为正延迟;南部地区包括文山、思茅、普洱以及云县、施甸和畹町,它们均显示出较大的负延迟.这与云南地区的地质构造特征基本上是一致的.走时校正后重新定位的精度有较大的提高,因此,这组台站校正值可以提供地震台网的常规定位使用.展开更多
研究无线传感器网络的事件定位问题,对SNAP(Subtract on Negative Add on Positive)[1]定位算法进行改进,提出一种定位精度更高,容错性更好的定位算法MSNAP(Modified Subtract on Negative Add on Positive)。首先,每个传感器节点监测...研究无线传感器网络的事件定位问题,对SNAP(Subtract on Negative Add on Positive)[1]定位算法进行改进,提出一种定位精度更高,容错性更好的定位算法MSNAP(Modified Subtract on Negative Add on Positive)。首先,每个传感器节点监测事件信号,并将观测值与设定的阈值进行比较,如果大于阈值,节点将观测值发送给Sink节点;否则,节点保持沉默状态;基于各节点汇报的观测值,Sink节点通过对报警节点的区域的+1,不报警节点的区域-1构造似然矩阵,似然矩阵中的最大值对应的位置就是事件发生的位置。与SNAP算法相比,构造似然矩阵时,根据每个节点汇报的观测值的大小,动态地调整它们估计的事件所在区域的大小,提高事件定位精度。实验结果表明:与SNAP比较,算法有效地提高了事件定位的精度和容错性。展开更多
视频异常事件检测与定位旨在检测视频中发生的异常事件,并锁定其在视频中发生的位置。但是视频场景复杂多样,并且异常发生的位置随机多变,导致发生的异常事件难以被精准定位。本文提出了一种基于卷积自编码器分块学习的视频异常事件检...视频异常事件检测与定位旨在检测视频中发生的异常事件,并锁定其在视频中发生的位置。但是视频场景复杂多样,并且异常发生的位置随机多变,导致发生的异常事件难以被精准定位。本文提出了一种基于卷积自编码器分块学习的视频异常事件检测与定位方法,首先将视频帧进行均匀划分,提取视频帧中每一块的光流和方向梯度直方图(Histogram of oriented gradient,HOG)特征,然后为视频中的不同图块分别设计卷积自编码器以学习正常运动模式特征,最后在异常事件检测过程中利用卷积自编码器的重构误差大小进行异常判断。该方法可以有效地针对视频不同区域进行特征学习,提升了异常事件定位的准确度。所提方法在UCSD Ped1、UCSD Ped2、CUHK Avenue三个公开数据集上进行实验,结果表明该方法能够准确定位异常事件,并且帧级别AUC(Area under the curve)平均提升了5.61%。展开更多
文摘根据昆明电信传输台网1983—1989年记录的区域地震初至 P 波走时资料,用参数分离和多事件定位的方法得到台网内各台站的 P 波走时校正值.这组校正值在一定程度上反映了该地区地壳上部横向不均匀结构的特征.台站校正值的地理分布明显地分为3个地区:台站最密集的滇西地区,所有台站(不包括南边的云县,施甸和畹町)的台站校正值不超过0.15s;东部地区(楚雄以东)台站分布仍较密集,但间距比滇西大,其中大部分台站显示为正延迟;南部地区包括文山、思茅、普洱以及云县、施甸和畹町,它们均显示出较大的负延迟.这与云南地区的地质构造特征基本上是一致的.走时校正后重新定位的精度有较大的提高,因此,这组台站校正值可以提供地震台网的常规定位使用.
文摘研究无线传感器网络的事件定位问题,对SNAP(Subtract on Negative Add on Positive)[1]定位算法进行改进,提出一种定位精度更高,容错性更好的定位算法MSNAP(Modified Subtract on Negative Add on Positive)。首先,每个传感器节点监测事件信号,并将观测值与设定的阈值进行比较,如果大于阈值,节点将观测值发送给Sink节点;否则,节点保持沉默状态;基于各节点汇报的观测值,Sink节点通过对报警节点的区域的+1,不报警节点的区域-1构造似然矩阵,似然矩阵中的最大值对应的位置就是事件发生的位置。与SNAP算法相比,构造似然矩阵时,根据每个节点汇报的观测值的大小,动态地调整它们估计的事件所在区域的大小,提高事件定位精度。实验结果表明:与SNAP比较,算法有效地提高了事件定位的精度和容错性。
文摘视频异常事件检测与定位旨在检测视频中发生的异常事件,并锁定其在视频中发生的位置。但是视频场景复杂多样,并且异常发生的位置随机多变,导致发生的异常事件难以被精准定位。本文提出了一种基于卷积自编码器分块学习的视频异常事件检测与定位方法,首先将视频帧进行均匀划分,提取视频帧中每一块的光流和方向梯度直方图(Histogram of oriented gradient,HOG)特征,然后为视频中的不同图块分别设计卷积自编码器以学习正常运动模式特征,最后在异常事件检测过程中利用卷积自编码器的重构误差大小进行异常判断。该方法可以有效地针对视频不同区域进行特征学习,提升了异常事件定位的准确度。所提方法在UCSD Ped1、UCSD Ped2、CUHK Avenue三个公开数据集上进行实验,结果表明该方法能够准确定位异常事件,并且帧级别AUC(Area under the curve)平均提升了5.61%。
