基于判别式字典的正则化稀疏表示人脸识别算法

为了克服非约束性(光照、表情变化)条件下会大大降低人脸识别率的缺陷,提出一种基于Fisher判别准则的正则化稀疏表示人脸识别算法.首先将人脸图像经过Gabor滤波器滤波得到Gabor幅值图像,提取其统一化的局部二进制直方图,然后利用Fisher判别准则学习得到新的字典,最后通过正则化的稀疏表示判断测试图像所属类.利用AR数据库的数据进行实验的结果表明,与SRC、FDDL、RSC识别算法相比,本文算法在非约束性条件下具有最佳的识别率.     

基于数值模式误差分析的气温预报方法

采用欧洲中期天气预报中心(ECMWF)全球确定性预报模式地面气温和国家地面站点观测资料,对模式初值场误差、历史误差以及卡尔曼滤波预测误差与实况误差之间的相关性进行分析,设计了4种回归方案订正日最高、最低气温预报偏差,并与ECMWF、中央气象台和全国城镇的预报产品进行了检验对比。结果表明:采用了模式近1～3 d最高(最低)气温和模式最高(最低)气温历史平均误差、初值场误差以及卡尔曼滤波反演误差作为预报因子的改进方案效果最优,经对其2017年日最高和最低气温的预报检验,预报准确率较ECMWF原始模式预报有较明显提高,也明显优于中央气象台指导预报。在空间分布方面,其对地形较为复杂地区的改进效果更好。同时,与当前业务中质量最好的全国城镇预报相比,最高气温预报平均绝对偏差(Mean Absolute Error,MAE)较全国城镇预报低8.24%～13.97%,预报准确率提高1.24%～3.57%,日最低气温平均绝对偏差较城镇预报低9.43%～17.69%,预报准确率提高1.77%～2.72%。在3 d的预报中,对24 h时效内预报相对于48 h和72 h的改进幅度更大,订正效果更加明显。     

基于FY-3C微波辐射成像仪海表温度产品的偏差订正方法研究

提出一种针对FY-3C搭载的微波辐射成像仪(MWRI)海表温度产品的分段回归偏差订正方法,该方法通过引进气候态海表温度数据,建立与关联实测海表温度相匹配的回归模型,并通过对模型中关联变量的误差分析,选择最优样本进行分段回归,以实现对海表温度数据的重新估计。通过对MWRI海表温度数据的偏差订正试验表明,采用分段回归方法获得的订正结果无论在误差指标的空间分布还是时间序列上,都要明显优于采用传统概率密度函数偏差订正方法的结果。其中,采用概率密度函数方法订正后的海表温度产品误差标准差和均方根误差从订正前的0.9—1.0℃,减小到0.8℃左右,而采用分段回归方法获得相应的订正误差仅为0.6℃左右,订正效果有明显改善。     

全球集合预报位温系统偏差和随机误差结合的模式倾向扰动方法

传统集合预报模式扰动方法通常用来描述物理过程随机误差,但模式不可避免会存在系统偏差,为了减少模式系统偏差对集合预报的影响,利用中国气象局全球集合预报系统（CMA-GEPS）,通过经验正交函数（Empirical Orthogonal Function,EOF）分解方法获得系统偏差倾向,在积分过程中将系统偏差倾向扣除法与传统的随机物理倾向扰动法（Stochastically Perturbed Parameterization Tendency,SPPT）相结合,构建了全球集合预报系统偏差和随机误差结合的模式倾向扰动方法（Bias correction of bias tendency based on SPPT,SPPT-B）,设计并开展了集合预报试验来探究该方法对全球集合预报的影响。结果显示：（1）经验正交函数分解的第一模态能较好地体现系统偏差的主要特征,即随预报时效线性增长、对流层高层的系统偏差比中、低层大。（2）系统偏差倾向扣除法和SPPT-B方法均可以有效降低南、北半球和热带地区高层和低层的系统偏差,且SPPT-B方法能明显改善热带地区集合离散度。（3）两套方案对对流层高层的集...     

基于最小二乘支持向量机集成的降水预报模型

准确的降水天气预报是一个十分重要的研究课题。以中国气象局的T213和日本的细网格数据资料为基础，首先利用粒子群——投影寻踪对众多气象物理因子降维，其次在低维子空间利用四种线性回归方法提取降水系统的线性特征，四种神经网络模型提取降水系统的非线性特征；最后利用最小二乘支持向量机对其集成，对广西6月的逐日降水量进行试验结果表明，该模型预报稳定性好，预报准确率较高，具有较好的业务应用前景。     

基于EMD和BP算法的降水数据插补

为解决气温观测记录缺测的问题,选择反距离权重插值（Inverse Distance Weighted,IDW）、普通克里金插值（Ordinary Kriging,OK）和多元线性回归（Multiple Linear Regression,MLR）三种方法,以湖北省2020年为例,对全省逐日平均气温（T）、最高气温（T_max）和最低气温（T_min）进行空间插补,并采用平均绝对误差（Mean Absolute Error,MAE）对3种方法的插补结果进行检验。结果表明：用MLR插补得到的T_max、T_min、T的MAE最小,分别为0.41℃、0.31℃和0.20℃,其中T的插补误差在1℃以内的站点比例高达100%;相比IDW和OK,MLR插补结果的MAE空间分布均匀,其不仅随海拔高度变化较小,随季节变化也相对较小。单站试验结果表明,当用于MLR模型的样本数量越多、时间离散度越大时,MLR对气温的插补效果越好。总体上,对日气温缺测数据的插补效果,MLR最优,IDW次之,OK最差;对于建立气象站点长时间连续气温数据集而言,MLR更适合解决区域自动气象站日气温数据缺测问题。

     

基于CMA-BJ数值预报模式产品的复杂地形下冬奥站点地面气温和风速预报方法研究

北京冬奥服务对站点气象要素预报提出了明确需求,2 m气温预报偏差在±2℃以内,10 m风速预报平均偏差小于观测的30%,文中提出一种基于相似集合嵌套一元线性回归的预报方法—嵌套相似集合（AnEn-Ne）,该方法基于相似集合思路,在满足一定条件时,启动其嵌套一元线性回归提供订正预报。冬奥赛期（2021年11月1日—2022年3月15日）实时业务预报表明,嵌套相似集合具有较好的预报效果,相对业务数值模式（CMA-BJ）预报,预报精度显著提高,相对相似集合预报和一元线性回归预报精度明显提高,其预报结果满足冬奥服务需求。复杂地形下的要素预报检验表明,CMA-BJ模式预报2 m气温虽然存在较明显的系统偏差,但与观测相关较强,对观测的表征意义明显,订正后能有效消除复杂地形影响,10 m风速模式预报偏差振荡明显,模式预报与观测相关较弱,表征意义差,订正后站间差异明显;改进CMA-BJ模式复杂地形区近地面风速预报对观测的表征意义,可进一步提高该预报方法对10 m风速订正预报的精度。     

基于RBF神经网络的人脸识别研究

针对人脸识别技术中存在的高维问题、小样本问题和非线性问题展开研究.围绕人脸特征提取,采用基于主成分分析和Fisher线性鉴别来克服在人脸识别中的小样本问题,同时将人脸图像从高维空间映射到低维空间从而解决了高维问题;在分类识别方面,采用具有很强的非线性映射功能的RBF神经网络进行模式分类,能够解决人脸识别中的非线性问题.在ORL人脸数据库上进行的仿真实验表明,该方法进行人脸识别具有较高的识别率.     

基于用户点击数据的细粒度图像识别方法概述

近年来,细粒度图像识别逐渐成为计算机视觉领域的研究热点.由于不同类别图像间的视觉差异小、语义鸿沟问题严重,传统的基于视觉特征的细粒度图像识别性能往往不尽人意.针对这些挑战,目前许多学者都在研究基于用户点击数据的图像识别.本文围绕点击数据在图像识别中数据预处理、特征提取和模型构建3大模块中的应用,总结了已有的基于点击数据的识别算法及最新的研究进展.     

基于Denauit-Hartenbery的高分辨Kirkpatrick-Baez镜成像结构设计与控制方法研究

针对在高能等离子体X射线诊断中的Kirkpatrick-Baez （KB）高分辨显微控制较困难的问题,基于Denauit-Hartenbery （DH）原理,率先提出了双5自由度KB镜成像结构,分析了双机械手的各个连杆坐标系和位姿结构的运动学方程,从理论上分析双5自由度KB镜的像差.在此基础上搭建双5自由度KB镜光路系统,编制了KB镜控制流程,并获取了清晰的十字成像.实验结果表明,该方法设计的双5自由度机械手控制方法可以实现KB镜的精确控制,从而得到高精度分辨成像效果.     

基于图像熵的卫星云图分类方法

介绍一种基于图像熵和自动分割技术的卫星云图阂值分类方法,重点解决普通阈值法中阈值不确定性的问题。采用自动分割方法进行云图的划分,结合图像纹理特征信息,通过统计分析来确定具体的阈值。将该方法应用于2007年7月上旬淮河流域的暴雨过程,并与美国GOES卫星分层阈值进行类比,分析了两种阈值与地面实况降水间的关系。结果表明,该方法能够在卫星估算降水过程中增强对不同类型降水的识别能力,是一种有效的卫星云图分类方法。     

基于图像处理的自动野外救援系统设计

针对野外救援的不及时性,结合人工智能等技术的应用,提出了一种新的自动野外救援系统.人类在野外和海上活动中受困后,除了依靠自身能力和装备进行求生之外,外部的有效及时救援是提高生存几率的关键.自动野外救援系统,由自动报警装置、手动报警装置实现报警,触发整个系统的运行.自动救援装置可以通过定位模块实现定位,通过执行器移动到随身装置附近实现救援,随身装置还可以发出信标导引信号;自动救援装置还可以通过传感器检测信标,通过相位检测技术等计算待救者的坐标并规划路径,实现更精准的定位与救援.     

基于Mask R-CNN的遥感影像土地分割与轮廓提取

传统的模式识别难以对土地遥感影像一次性精确统计分析.在精确分割出土地种类的前提下,本文提出了一种基于骨干网络为ResNet-101-RPN的Mask R-CNN的遥感影像土地分割与轮廓提取方法.该方法包括以下步骤：数据获取、图像去雾、遥感影像土地统计分析、土地分割和轮廓获取.在一个具有挑战性的卫星地图瓦片数据集上对所提出的方法进行训练和测试.实验结果表明,该方法以0.907的均值平均精度（mAP）和31.33像素的均值平均距离误差（mADE）获得了令人满意的不同种类土地分割和轮廓提取结果.     

基于深度学习的公路能见度分类及应用

以VGG16为基准模型,融合批归一化处理、全局平均池化和联合损失函数,提出了一种基于卷积神经网络的高速公路雾天能见度等级分类方法。实验结果表明,改进后的神经网络模型的平均识别正确率达83.9%,相较于其他几种模型具有较高的正确率和较好的收敛性。将模型封装入业务系统后进行业务化检验,其平均识别正确率可达84.9%,且白天识别效果要优于夜间。通过系统监测到2019年4月4日京沪高速发生了一次团雾动态生消过程。该次团雾过程具有移动快、范围小、生存时间短的特征。系统的应用能够为交通管理部门应对团雾发生时的智能管控和决策调度提供技术支持。     

融合无人机LiDAR和高分辨率光学影像的点云分类方法

点云分类是激光点云数据处理的重要环节,探索自动、高效、高精度的点云分类方法具有重要意义.通过分析同机获取的LiDAR点云与高分辨率光学影像的特点,提出了融合无人机LiDAR与高分辨率光学影像的点云分类方法.首先将LiDAR点云投影到二维平面并构建不规则三角网模型,然后寻找同名点对完成与光学影像的配准与融合,进而将光学影像的光谱信息赋予无人机LiDAR点云,接着从光学影像上提取光谱特征、从LiDAR点云上提取多尺度几何特征构建分类特征集,进一步通过CFS特征选择算法实现特征集的降维,最后运用随机森林分类算法实现点云分类.实验结果表明,本文分类方法的总体精度可达89.5%,Kappa系数为0.844,与未经特征选择的分类结果相比精度提高了1.1个百分点,与单纯依靠LiDAR或者光学影像的分类相比,精度分别提高了5.4和14.9个百分点.本文方法不仅有效避免了基于点云属性内插构建新的图像融合方式带来的计算误差,同时解决了单尺度下构建几何特征时难以确定最优空间分析尺度的问题,并且对特征集进行优化选择从而有效提高了数据处理的效率.