��������ӦKalman�˲���BP�����絼���е�Ӧ��

?????BP??????????????????Kalman????????????????????????????????????BP???????÷????????BP?????????????????????????????????????????????÷??????????????????????Ч??????     

2008���½�����Ms7.3���������Ԥ��

?????й?????????????繤??????????仯?????????????2008???2?????????36.0??N??80.0??E????????200 km??Ms7.3????????????????????????????????????     

�봨Ms8.0����ǰ�������α�

??????Ms8.0?????????????????????????GPS??????α???????1???????????????????????????????????????????????180 mm?????2??????GPS??????????????????????????Σ????????????????3?????????????κβ??????????????????????????????Σ????????????????????,???????8???????????????????顣     

����Ԥ����Ч�ȵı����������Ԥ��

??????????????????????????????Ч?????????????????????????????????????????????Ч?????????????????????????????????????????Ч????     

基于回波强度的海底底质分类系统关键技术

介绍基于回波强度的海底底质分类软件的框架,并从多波束声呐原理入手解析ALL格式多波束声呐数据的存储结构和内容,通过软件开发可实现ALL格式多波束声呐数据的解码,提取各种数据包,并且通过一系列的数据预处理形成基于波束脚印包络栅格的高分辨率声呐图像。最后,利用改进的BP神经网络对生成的声呐图像进行海底底质分类。实验证明,本系统对底质全图分类效果很好,并为海底微地貌识别提供精确可靠的依据。     

����SVM����Ѱ�ŵ�GPS�߳�ת��ģ��

???????????????SVM?????????????????·?????????GPS???????????????ò????????????????????????????????????????????????Ч????     

«ɽ�����ѧ����۲⵽�������仯

??????????????????????????????????????????????????????????????????????????????????仯???????????????1????????????????仯????????????????????????????????????????????????????????????????????????л?????????????仯????????????????????仯???????|2??????????????仯??????????????????|3?????μ?????????????????????????-???ο???????????仯???????????????????????????????????????     

���ʲο�������ڵ��������ܶ����������е�Ӧ��

?????ο??????????????????????????????????????????д?????????????????????????????????????????ο????????????????????????????????????????????????????????仯????????????????????????????????????????γ????TEC???????????????????????γ??????????????1???ο????????????????????????????????????ο?????????й??????????????????????ο??????     

�봨8.0������ͬ���������α�ЧӦģ��

???????λ??????????е???????????????????Ms8.0???????????????????仯?????????????????????λ????????????????????????α?仯?????????????????????????????????????????仯????,????????????????????????????????????α?????????????????????????????仯?????10??10 ^-8 ms ^-2???￡??????????仯??????????50??10 ^-8 ms ^-2?????????????????????????     

����IGS�������������Ӳ�ʵʱ���Ƽ�PPP���ȷ���

???IGS??????IGU????????????????????????λ??PPP??????????????????????????IGS????????IGU??????????????????????????????PPP????????????????ж?λ?????????????????????????????????IGS?o??????????????????????0.1 ns???????????????PPP??????IGU??????PPP???????X??Y??Z???????????????87.1%??81.8%??91.3%??3D???????87.4%?????????????????????????????     

基于无线广播网络的栅格分类数据库技术研究

通过深入分析无线广播网络组网中对其影响的地形、地物特征,详细介绍了栅格分类数据要素的分类内容、如何利用数字摄影测量技术采集数据以及制作DTM和栅格分类数据的方法。同时对数据集的组成DTM、栅格分类数据的规格情况进行了一定的研究,为将来进行相关应用提供了基础性与专业性的参考。     

基于神经网络的话务量预测

话务量具有高度的非线性和时变特性,由于神经网络具有较强的非线性映射等特性,将其运用于非线性的话务量短期预测是非常合适的。以青白江2005年10月的话务量作为预测对象,提出基于BP神经网络和基于Elman神经网络的话务量预测模型,仿真实验表明两种模型对于话务量的短期预测均是可行有效的。经过比较,Elman神经网络训练速度比BP神经网络快很多,更适用于实际应用。     

AlexNet支持下的地图建筑物形状分类方法

地图目标的形状在地图制图综合、空间查询等研究中发挥着重要作用。地图建筑物形状的识别与分类作为建筑物轮廓化简与典型化的基础,一直是制图综合研究的热点问题。目前,主要的建筑物形状识别方法主要依赖对建筑物轮廓的描述,对建筑物等地图面状要素的形态特征有较强的依赖性,通常只在应对特定类型的规则轮廓或直角化轮廓时能发挥较好的效果,对于形状不规则或复杂的情况识别不佳。本文提出一种AlexNet支持下的地图建筑物形状分类方法,将矢量地图中建筑物数据的形状分类问题,转化为建筑物栅格图像的分类问题,通过完成卷积神经网络的图形分类实现建筑物的形状识别。该方法首先结合空间认知规律提出一系列典型建筑物形状类型,然后利用矢量-栅格转换的方法从OSM数据采样单体建筑物栅格图像,通过人工标识获得建筑物形状分类训练样本,训练AlexNet卷积神经网络分类模型,最后利用训练好的模型对大比例尺建筑物数据进行智能形状分类与识别。本文利用北京、香港2个城市的OSM建筑物数据作为样本训练建筑物形状分类模型,并在广州部分城区的OSM建筑物数据上进行验证。相较传统形状相似性度量方法,本文提出的方法对实验区建筑物的识别分类总体查全率提...     

基于模糊Hopfield神经网络的大气降水粒子分类

提出基于模糊Hopfield神经网络的大气降水粒子分类,它是通过计算样本间的模糊关系的相似程度,再加上Hopfield网络所特有的高稳定性,对大气降水粒子进行分类.通过对各降水粒子所对应雷达回波数据的分析,验证了方法的可行性.     

基于神经网络汉语分词模型的优化

针对目前汉语分词系统中BP算法收敛速度慢等难题，提出利用Levenbery-Marquart算法优化神经网络分词模型。较详细地介绍了所建立的试验系统。并进行了试验分析。优化后的模型可以有效地解决神经网络模型中易陷于局部极小、算法收敛速度慢等缺点。进一步提高该模型在分词领域中的实用性和分词效率，对于中文信息的自动化处理具有重要意义。     

一种基于分区引导扇区控制的移动存储介质安全控制方法

结合Windows平台存储介质分区原理，给出一种基于逻辑分区引导扇区控制的移动存储介质的安全控制方法。从技术原理、USB设备的检测、对USB盘引导扇区部分的访问和修改以及对文件的格式修改等几个方面进行了阐述。最后给出了部分核心代码。     

基于BP神经网络的智能入侵检测系统

介绍了BP神经网络的基本知识，设计了基于BP神经网络的智能入侵检测系统。并提出了根据不同的网络协议使用不同神经网络的思想，指出了每个神经网络需要的网络数据，并阐述了训练和测试神经网络的方法。     

基于卷积神经网络的ICESat-2光子点云去噪分类

ICESat-2（Ice, Cloud, and land Elevation Satellite-2）是美国NASA（National Aeronautics and Space Administration）在2018年发射的激光测高卫星,其上搭载的激光测高系统ATLAS（Advanced Topographic Laser Altimeter System）采用微脉冲多波束光子计数激光雷达系统,因其低能耗、高探测灵敏度、高重复频率的特性极大改善了沿轨采样密度,但也使获取的数据中包含大量的噪声,如何有效实现光子点云去噪分类成为后续应用的关键,也是当前研究的热点和难点,为此本文提出一种基于卷积神经网络的光子点云去噪和分类算法。首先将光子点云按照沿轨和高程方向划分格网,去除明显的噪声光子,并将每个粗信号光子点栅格化为影像;然后基于少量样本构建的卷积神经网络分类模型实现光子点云精去噪和分类;最后利用机载激光雷达数据进行验证,并与ATL08产品的去噪分类结果进行对比。结果表明,对于裸地和森林区域,卷积神经网络算法均能有效去除噪声光子,特别对于森林区域,可同时实现去噪和分类;其中,裸地区域地表计算的R²和RMSE分别为1.0和0.72 m,森林区域地表和树冠计算的R²分别为1.0和0.70, RMSE分别为1.11 m和4.99 m。本文利用深度学习算法实现光子点云去噪分类,在裸地和森林区域均取得了较好的结果,为后续光子点云数据处理提供了参考。     

基于模糊C均值的进化神经网络分类模型

将模糊C均值方法与进化算法相结合,提出了一种新的进化神经网络分类模型。实验结果表明,模型与其它标准的分类方法：C4.5、CART、BP神经网络、模糊ARTMAP比较,有更高的分类精度。