原木跌水结构对河流潜流带温度场的影响

为探究原木跌水结构对河流潜流带温度场的影响,应用有限元软件COMSOL Multiphysics构建了地表水-地下水二维耦合模型,分析原木跌水结构的高度、间距及数量等参数变化对河流潜流带温度场的影响规律。结果表明：河道中原木跌水结构的添加会改变潜流带局部的压力分布,增加原木高度、间距和数量都会使河床压力最大值增大;随着原木跌水结构高度增加,原木下方区域温度受地表水水温的影响范围扩大;随着原木跌水结构间距和数量的增加,潜流带热缓冲作用增强。原木跌水结构设置参数的变化将不同程度影响潜流带温度场的变化和热缓冲作用,引起潜流带内部的热异质性,从而增加底栖生物和水生生境的多样性。     

元胞蚂蚁模型在路径规划中的应用探讨

移动机器人路径规划是机器人研究的关键技术之一,过去的路径规划方法存在搜索的盲目性以及数据存储量过大等问题。为解决这些问题,提出一种新的基于元胞蚂蚁模型的路径规划方法,并尝试改正蚁群算法固有的一些缺点,使其成比较适合工程需要的方法。通过试验进行了改进方案的分析,得出相关结论。     

可见光-近红外HSV图像融合的场景类字典稀疏识别方法

针对典型自然场景智能观测的需求,为提高稀疏分类器在小样本数据库上的识别精度,提出一种可见光和近红外（NIR）HSV图像融合的场景类字典稀疏识别方法。首先,利用一直应用在计算机视觉显示领域中的图像HSV伪彩色处理技术将近红外图像与可见光图像融合;然后,对融合图像进行通用搜索树（GiST）特征和分层梯度方向直方图（PHOG）特征的提取与融合;最后,结合提出的类字典稀疏识别方法得到场景分类结果。所提方法在RGB-NIR数据库上的实验识别精度达到了74.75%。实验结果表明,融合近红外信息的场景图像的识别精度高于未融合时的识别精度,所提方法能够有效增加稀疏识别框架下场景目标的信息表征质量。     

分形压缩感知高维信号重构方法

压缩感知理论改变了香农采样定理的信号处理思路,具有十分重要的科研应用价值。压缩感知框架下信号重构是获取数字终端产品的关键性环节,典型的重构方法是以基追踪(BP)算法为代表,核心是解决L₁范数最小化问题,但是BP算法在高维的信号重构中表现不佳。因此,本文提出一种基于分形维度的压缩感知高维信号重构方法,采用分形中的Minkowski维度代替L₁范数作为重构问题的目标函数。实验的可视化结果和信噪比均表明,分形压缩感知信号重构方法既保持了BP算法的优点又改善了其维度的广延性。     

结合稀疏识别的自适应Wallis滤波在高分辨率影像控制点匹配中的应用

目的：随着国内遥感卫星的迅速发展,卫星图像的图幅越来越大,分辨率越来越高。在轨遥感图像的几何精度评价,要求从待评遥感图像和多源参考图像之间精确地提取出分布均匀的控制点信息。使用Wallis滤波对高分辨率影像进行增强时,会产生过增强和饱和现象,影响了控制点提取效果。为了克服上述缺陷,提出了一种基于稀疏识别的自适应Wallis图像增强算法。方法：首先计算图像子区域的辐射质量参数并构建分类特征;然后通过稀疏识别算法确定子区域的地物类型;最后根据子区域所属地物类型,选择不同的Wallis滤波参数,实现整幅图像的自适应增强,并在增强的遥感图像上提取控制点信息,实现遥感图像的几何精度自动化评价。结果：针对资源三号影像的实验结果表明,针对不同的子区域地物类型进行自适应Wallis增强,有效防止了基于全局统一参数的Wallis滤波带来的过增强和饱和现象,有效增强了高分辨率图像的纹理。结论：本文提出来一种新的高分辨率遥感影像增强策略,增强了高分辨率图像的纹理,提高了控制点的获取数目和准确率。     

对角化LDPC压缩感知观测矩阵生成方法

压缩感知是一种能够在某个特定域中压缩和恢复稀疏信号的技术。针对在使用传统观测矩阵进行数据压缩时,其数据恢复效果并不理想,且观测矩阵的随机性会导致数据传输量较大、硬件实现因难等问题,提出一种新的观测矩阵生成方法。将信道编码中的LDPC校验矩阵与对角块矩阵结合,生成一种尺度较小且易于硬件实现的观测矩阵,这种矩阵不仅高度稀疏,而且元素二值化。通过多组图像重构仿真实验对比发现,LDPC对角块矩阵重构结果优于其他传统观测矩阵的重构结果。     

改进元胞蚂蚁模型在路径规划中的应用

将地图离散化处理是移动机器人的摄像头传感器的通用方式。元胞自动机理论是一种适合复杂大系统模拟的工具,其时间、空间和状态都离散;而蚁群算法是解决离散优化问题的成熟理论。元胞蚁群模型是结合元胞理论和蚁群算法的一种新路径规划方法。实验表明：这种新方法可行且有效。     

非限制环境下的低秩协同人脸性别识别研究

人脸性别识别是计算机视觉和机器学习的热门研究课题,但目前大多数的人脸性别识别算法对自然环境下的图像进行识别的效果并不理想,识别正确率与实际应用差距较大。采用低秩分解和协同表示来提高人脸性别识别的正确率和鲁棒性。在提取特征前采用低秩分解配准未对齐的图像并降低污染和噪声的影响,使得提取的特征能够很好地反映图像原有的信息。识别环节采用稀疏表示的改进算法—协同表示,其使用l2范数替代l1范数优化问题易于求解。在实验中,选用AR,CAS-PEAL和You Tube三种数据库对算法进行测试,结果表明本算法性能与其他主流算法相比有明显优势。     

面向人脸年龄估计的深度融合神经网络

目的 为了提高人脸图像年龄估计的精度,提出一种端对端可训练的深度神经网络模型来进行人脸年龄估计。方法 该网络模型由多个卷积神经网络（CNN）和一个深度置信网络（DBN）堆叠而成,称为深度融合网络（DFN）。首先使用多个并联的CNN提取人脸图像多个区域的外观特征,将得到的特征进行串接输入一个DBN网络进行非线性融合。为了实现DFN的端到端的整体训练,提出一种逐网络迭代训练（INWT）的机制。为了降低过拟合效应,那些对应人脸局部图像的CNN经过多次迭代迁移学习实现面向人脸年龄估计任务的训练。完成对DFN中所有CNN和DBN的预训练后,再进行全网络端到端的整体精调。结果 在两个人脸年龄图像库MORPHⅡ和FG-NET上对本文方法进行测试,实验结果显示基于DFN的人脸年龄估计方法能在两个人脸图像库中分别取得平均绝对误差（MAE）等于3.42和4.14的估计精度,与目前主流的年龄估计算法,如基于浅层学习的CA-SVR方法（两个数据库上取得的MAE分别等于5.88和4.75）,基于深度学习的DeepRank+方法（MORPHⅡ数据库上取得的MAE为3.49）和Deep-CS-LBMFL方法（FG-NET数据库上取得的MAE为4.22）等相比,估计精确度明显提高。结论 本文提出基于深度融合网络的人脸年龄估计方法与当前大部分基于深度神经网络的主流算法相比具有明显的优势。