基于免疫粒子群优化算法的影像纹理分类

粒子群优化算法是基于群智能的随机全局优化方法,它源于对鸟群简化社会系统的模拟。为了提高标准粒子群优化算法的收敛性能,将生物免疫系统的记忆能力和多样性引入标准粒子群优化算法,提出一种免疫粒子群优化算法。在提取纹理样本Laws纹理能量模板特征、小波特征等纹理特征的基础上,提出针对分类问题的粒子表达方法和群体寻优策略,实现了基于免疫粒子群算法的纹理分类。实验结果表明,与标准粒子群优化算法相比,免疫粒子群优化算法在获取训练样本类别中心时具有较好的收敛性能,并且基于该算法的影像纹理分类具有较高的分类精度。     

基于ICCP算法的重力辅助惯性导航

迭代最近等值线算法(ICCP)是一种重要的匹配导航算法,文中首先介绍ICCP算法的基本原理,随后在0.2′×0.2′重力异常数据库的基础上,利用ICCP算法进行仿真计算得到最佳匹配位置。最后为了验证匹配位置是否可用于修正惯导误差,提出将匹配位置误差作为观测量,用卡尔曼滤波对惯导系统误差进行最优估计。由最后的仿真结果可以看出,ICCP算法可有效抑制惯导纬度误差的增长,且最大纬度误差不超过2,′以匹配位置误差作为观测量可以用来估计惯导方位误差角。     

基于规则库和网格算法的土地利用现状图自动数字注记

图形自动注记可极大地提高制图的工作效率。针对土地利用现状图数字注记的特点,本文从地图认知角度出发,建立注记自动配置的规则库,提出面状要素自动注记的一种新的算法——网格法。该算法最大的优点是容易实现、效率高,可方便地解决注记压盖冲突等问题。通过开发一个程序实例,对图斑要素进行了自动数字注记,实验表明95％以上的图形注记效果都较为理想。     

山东玲珑金矿床成矿流体地球化学特征

玲珑金矿床第一成矿阶段与含金黄铁矿共生的石英中主要发育4种类型的原生流体包裹体:Ⅰ气液两相,Ⅱ含CO2三相,ⅢCO2,Ⅳ单液相包裹体。流体包裹体成分激光拉曼光谱分析及测温结果显示:①Ⅰa型包体,气液比10%~15%,均一温度为162.7~235.6℃,w(NaCl)(盐度)为4.65%~7.59%,气相平均摩尔分数为:H2O 96.48%,CO22.4%;②Ⅰb型包体,气液比30%~45%,均一温度266.9~349.2℃,w(NaCl)为10.8%~13.4%,气相平均摩尔分数为H2O 69.75%,CO224.74%;③Ⅱ型含CO2包体,CO2相所占比例为20%~90%,其均一温度为193.5~321.6℃,w(NaCl)2.9%~5.3%,CO2相中,H2O的摩尔分数为27.72%,CO2为70.6%。包裹体成分分析及测温结果综合研究认为,玲珑金矿成矿过程中存在大气降水热液与地幔来源流体的混合作用,前者与从流体中分离出的富CO2流体混合,以不同比例被捕获形成Ⅱ型包体;而与分异出CO2后的CO2不饱和地幔流体混合,被捕获形成Ⅰb型包体。两种流体混合导致的含矿热液物化条件变化对金的沉淀成矿具有重要意义。     

基于GIS的城郊物流规划

指明了城郊物流的特殊性和规划的基本要求,明确了可用于城郊物流规划中的GIS技术.采用GIS手段,制作了区位图,界定了城郊的性质,展现了本区的空间结构、交通体系和物流现状,结合模型分析预测出物流需求.重点探讨了3级物流结点的体系架构,阐述了各级结点的规划依据,设计了对应的算法,定位了物流园区、物流中心、配送中心的具体位置;以上位规划原则和可视化分析,提出对内、对外物流通道建设方案.     

空间数据自动综合研究进展及趋势分析

首先从几个方面论述了这样一个观点：地图制图综合历来是地图学中最富挑战性和创造性的领域,数字环境下的空间数据自动综合仍是现代地图学面临的核心问题之一。在此基础上,按照发展的观点,从5个方面系统地综述了空间数据自动综合研究的进展,总结了已有的成果,讨论了存在的问题,并分析了空间数据自动综合研究的趋势和任务。     

曲线的弯曲识别方法研究

提出了一新的弯曲识别方法及其相应的算法,实例验证了该方法的有效性.     

VC环境下最短路径算法的实现

设计了一种方便查找及显示最短路径的数据结构,对仅研究计算一条最短路径的Dijkstra算法加以了改进,并在VC下实现一个顶点到另一个顶点的所有最短路径的查找。     

大别杂岩中混合岩的矿物空间分布研究

介绍了矿物空间分布研究的基本原理及两种统计方法(接触频数法和线切法)。作者对混合岩矿物空间分布的研究表明:(1)前人提出的统计方法存在方法上的缺陷和应用上的局限性,作者推导出矿物接触类型的概率公式;(2)部分浅色体中矿物显示聚集分布的特征,而绝大部分的浅色体中矿物具有分散分布的特点。结合质量平衡和地球化学研究认为:大别杂岩中主体混合岩成因机制是重熔和交代作用。     

基于改进PSO-SVM的噪声稳健建筑物变形监测方法

对高层、超高层建筑物进行实时,高精度的变形监测对提前预防安全隐患,保证人民生命财产安全具有重要意义。建筑物变形作为一种典型的随机性和微弱性过程,噪声等误差的存在会影响从中提取有用的变形信息。针对该问题,提出一种改进粒子群(Particle Swarm Optimization,PSO)算法优化支持向量机(Support Vector Machine,SVM)的噪声稳健建筑物变形监测方法,利用改进PSO算法的全局搜索能力对SVM的核参数进行优化,提升预测精度的同时增强算法的噪声稳健性。基于实测数据的试验结果表明,相对于传统交叉验证SVM和小波方法,所提方法可以获得更高的变形预测精度,并且在低信噪比条件下优势更加明显。