基于物性参数梯度累加约束的电阻率法和重力勘探数据二维联合反演

对不同地球物理方法的数据进行联合反演,通过模型参数的相互约束可以减小反演的多解性.本文对电阻率法和重力勘探数据开展了基于电阻率和剩余密度梯度累加约束的二维联合反演研究.电阻率法采用数据空间Occam反演,重力勘探采用基于对数障碍法的正则化反演.通过在电阻率法和重力勘探反演的目标函数中引入电阻率和剩余密度梯度累加约束项,利用交替迭代方式实现了电阻率法和重力勘探数据的二维联合反演.对理论模型合成数据进行了单方法反演和联合反演,对比了反演效果.结果表明:联合反演结果优于单方法反演结果,联合反演结果对异常体的物性值恢复和形态刻画效果更好.

基于累加梯度和PCA变换的图像融合算法

为了从不同源图像获取互补信息,获得一幅比任何源图像更准确、全面、可靠的复合图像,提出了一种基于局部累加梯度和PCA变换的图像融合算法。该算法在对源图像进行双树复小波变换的基础上,运用局部累加梯度准则实现融合图像的局部细节系数选取,运用基于PCA变换的选择或平均准则实现融合图像的局部逼近系数选取,并对获得的融合细节系数和逼近系数进行双树复小波反变换得到相应的融合图像。通过计算机仿真,从视觉效果和定量分析可以看出该图像融合算法是有效的。

分布式累加梯度算法在目标定位问题中的应用

通过对基于能量目标定位问题的分析,建立声源能量衰退模型,并把定位问题转化为非线性最小二乘问题,引入分布式累加梯度算法来求解目标函数的最优值。由于目标函数是严格凸函数,使得算法无论初始点如何选取总能较快地收敛到目标位置,算法执行仅需要相邻传感器信息,是一种分布式算法。数值实验表明:分布式累加梯度算法不仅收敛速度快,而且定位更精准。

复杂场景下的自动红外舰船目标检测

为实现多种复杂海天背景下红外舰船目标的有效检测,提出了一种基于局部边缘梯度特征分析的舰船目标检测方法。利用红外舰船目标图像的特征,改进自适应Butterworth高通滤波对图像进行预处理。通过计算局部边缘梯度特征和聚类分析确定初始目标区域,比较梯度特征参数并进行多尺度搜索准确检测出舰船目标。对多种复杂海天场景红外图像进行仿真实验,结果表明,该算法能够有效准确地检测出多种复杂海天场景下的红外舰船目标,且算法简单,易于实现,适应面广。

基于特征匹配的影像可匹配性研究

对基于特征匹配的影像可匹配性评价方法进行了探讨。从分析影像所包含的信息量入手,提出了通过计算影像的信息熵和累加梯度值进行基于特征匹配的影像可匹配性评价方法。通过基于角点特征和Hausdorff距离的影像匹配实验,发现影像信息熵和累加梯度值与影像可匹配性(即正确匹配概率)之间存在很强的相关性,尽管由于地表景观的不同,表现出的具体规律略有差异,但都表现出匹配正确率随影像信息熵和累加梯度的增大而增大的趋势。因此,可通过对影像信息量的评价来进行基准图的自动选取和飞行路径的规划;在实时匹配导航过程中,可根据获取的每一实时影像所含信息量,来决定是否进行匹配,这样既可以保证匹配的正确性,避免误导,又可节省匹配时间。提出方法对基于灰度相关的影像可匹配性评价具有借鉴意义。

基于深度强化学习的模型并行化研究

深度学习并行化在加速模型训练、提高预测精度等方面具有重要作用。文章从数据并行、梯度累积算法两方面对深度交通时间预测模型(Travel Time Estimation Based on Deep Neural Networks,Deep TTE)进行了并行优化。实验以成都出租车数据作为数据集进行了并行模式的训练与评估,实验效果相较于Deep TTE,收敛速度有明显提升,RMSE降低了50.12%,MAPE降低了62.3%,MAE降低了56.02%。

基于SVF的超声组织谐波的提取

针对超声组织谐波成像中基谐波分离的问题,提出一种基于二阶volterra滤波器的超声组织谐波的提取方法。在谐波提取过程中,利用RLS算法估计SVF的系数,然后利用估计的二次成分成像。与传统谐波分离方法—带通滤波相比,该方法能更好地提取谐波。结果表明,这种方法能有效提取谐波,所提取的信号的动态范围更大,图像梯度幅度累加和更高,性能优于传统的谐波提取方法。