删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

基于稀疏表示和字典学习的地磁基准图构建方法*

本站小编 Free考研考试/2021-12-25
导航技术近年来得到了飞速的发展，惯性导航技术和卫星导航技术是导航制导领域的主要研究方向。但是惯性导航在长距离任务中陀螺仪漂移会随时间不断积累，卫星导航容易受到各种环境因素干扰。地磁导航技术是一种重要的辅助导航手段，由于地磁场较为稳定且具有时间变化较小和抗干扰能力强等特点，逐渐受到广泛关注和研究[1-4]。
地磁匹配导航技术首先对地磁场进行建模以及数据采集，制备地磁基准图，而后对目标区域进行实时磁测信息采集，最后将采集到的地磁场信息与基准图进行匹配，从而实现定位导航的目的[5-6]。因此，高精度的地磁基准图是实现地磁匹配导航的基础。
目前，地磁基准图的构建方法主要有2种：①根据现有的地磁场物理模型进行构建[7]；②根据实测地磁场数据，构建网格化地磁基准图[8]。现有的世界磁场模型(WMM)和国际地磁参考磁场(IGRF)针对地球的主磁场模型进行分析[9]。一般情况下，地球内部异常场最能体现局部地磁场的特点，而在世界地磁场模型很难体现异常场的变化。因此，在对局部地区地磁场进行高精度构建时，一般利用基于实测数据插值建模的方法[10]。近年来，针对地磁基准图构建方法的研究主要集中在插值法方面，常用的方法有双三次插值、Kriging插值、基于粒子群优化(Particle Swam Optimization，PSO)算法的PSO-Kriging插值等[11]。现有算法虽然在基准图的峰值信噪比(PSNR)和均方根误差(RMSE)等评价指标方面有一定的提升，但对于磁测点之间的细节信息难以很好地恢复。
稀疏表示能够在稀疏字典下利用有限的稀疏系数对信号进行完整的表示，并且在图像处理领域已经得到广泛的应用[12-16]。受到基于稀疏先验信息的图像超分辨率重建理论的启发[17-18]，本文提出一种基于稀疏表示和字典学习的高精度地磁基准图构建方法。主要工作包含以下几点：
1) 提出了一种基于稀疏表示和字典学习的地磁基准图构建方法。
2) 利用矩谐分析(RHA)理论的先验信息对稀疏字典进行了初始化，实验表明, 该方法有效提高了稀疏字典的训练效率以及性能。
3) 利用本文方法与现有的地磁基准图构建方法，包括双三次插值、PSO-Kriging插值等方法进行了对比，实验证明本文方法优于其他方法。
4) 在对于噪声的鲁棒性指标上与其他超分辨率重建方法进行了对比，实验证明本文方法优于其他方法。
1 地磁场模型 地磁场模型包括7个分量，其中5个为幅值分量，2个为角度分量。设地磁信号采集点为坐标原点，通常以地磁场三分量表示地磁场矢量，地磁场三分量定义3个指定方向的地磁场分量，方向为地理北向、地磁东向与垂直向下，并分别记为Bx、By、Bz。水平分量Bh通过Bx与By的矢量合成得到，表示总地磁矢量在水平面上的投影。地磁场矢量的绝对值称为总场强度Bf。2个角度分量为磁偏角和磁倾角。分量Bx与Bh之间的夹角定义为磁偏角Bd；总场强度Bf与分量Bh之间的夹角定义为磁倾角Bi。地磁参考场的各特征关系如图 1所示，图中: D为磁偏角；I为磁倾角；F为总场。因此，地磁场的7个基本分量满足如下几何关系：
(1)

(2)

(3)

(4)

图 1 地磁参考场特征 Fig. 1 Features of geomagnetic reference field
图选项




由上述关系可知，地磁场7个要素只有3个是相互独立的，因此对X、Y、Z 3个分量分别进行超分辨率重建，利用最终计算得到的总场强度来评价算法的性能。
2 稀疏表示 低分辨率基准图由高分辨率基准图经过模糊和下采样得到
(5)

式中: H为下采样矩阵；S为模糊矩阵。
由式(5)可知，超分辨率重建是一个病态问题，即式(5)是一个欠定方程组，每一个图像Y都对应无穷多个解。但在以下约束条件下该问题能够得到很好的解决。
首先将一幅高分辨率地磁基准图X划分为图像块x，这些图像块可以被字典Dh稀疏表示为
(6)

式中：α为图像块x的稀疏表示系数；K为稀疏系数中非零项的最大数量。由于低分辨率基准图和对应的高分辨率基准图具有相同的结构特征，可以通过训练得到低分辨率稀疏字典使得低分辨率基准图与高分辨率基准图具有相同的稀疏表示[19]。低分辨率的基准图能够被字典Dl稀疏表示为
(7)

式中: F为低分辨率基准图的特征提取矩阵；y为原始高分辨率图像；ε为误差约束。由于基准图的细节部分主要分布在高频部分，F的作用类似于一个高通滤波器。最终目的是让恢复出来的基准图细节部分与原始基准图更相近。由于式(7)中的问题是NP难问题，只要α充分稀疏，就可以利用l1范数代替l0范数[20]，如式(8)所示：
(8)

同时对式(8)进行正则化，优化后为
(9)

式中: λ用来平衡结果的稀疏程度和与原始信号的接近程度。该问题可以通过凸优化的方法得到很好的解决。
单独处理式(9)中的问题无法保证相邻图像块之间的一致性。因此, 在满足式(9)的同时还需要加上一个限制条件，即重建后的相邻高分辨率图像块之间重叠部分要保证一致。优化后的问题可表示为
(10)

式中: 矩阵P用于提取当前图像块与前一图像块的重叠部分; ω包含了重叠部分在前一图像块中的幅值；ε1和ε2分别表示低分辨率和高分辨率字典对基准图的重建误差约束。式(10)可总结为以下形式：
(11)

式中: ; β为式(10)中对Dl和Dh误差约束的权重比例，文中设置β=1。通过式(11)解出最优结果α*，则可得到高分辨率图像块x=Dhα*。设初始高分辨率基准图为X0，最终优化问题可表示为
(12)

具体方法流程如图 2所示。
图 2 基于稀疏表示和字典学习的地磁基准图超分辨率重建方法流程 Fig. 2 Flowchart of super-resolution geomagnetic reference map reconstruction method based on sparse representation and dictionary learning
图选项




3 稀疏字典 3.1 字典初始化 在训练稀疏字典之前，利用地磁场模型的先验信息进行字典的初始化。由于实际采集到的地磁场信息不是均匀分布的，首先对目标区域地磁场进行建模，而后根据所建模型对基准图进行网格化处理。实际磁测数据可由式(13)进行分解：
(13)

式中：BR为地磁剩余磁场值；B0为地磁场实测数据；BC为通过国际地磁参考场(IGRF)计算的理论值。通过式(13)可以获取目标区域的剩余磁场值。在近年来的研究中，对地磁场的建模主要采用球谐分析(SHA)和矩谐分析[21]；由于研究的区域面积较小，地球曲率对模型的影响可以忽略不计，选择采用矩谐分析进行目标区域地磁剩余场BR建模，具体方法如下。
在一个没有磁场源的空间内，目标磁位能够通过拉普拉斯方程获取：
(14)

式(14)的解可写成
(15)

式中：n=q－m+1；v=2π/Lx，w=2π/Ly，u= ；Pmn(x, y) = Dmncos(mvx)cos(nwy)+Emncos(mvx)sin(nwy)+Fmnsin(mvx)cos(nwy)+Gmnsin(mvx)sin(nwy); x、y、z为磁测位置的三维坐标；A、B、C为系数，都是常数；Nmax为矩形区域内垂直方向点的数量；V(x, y, z)为最大截断阶数；Lx和Ly分别为目标矩形区域的长度和宽度。Qmn、Rmn、Smn为不同分量的扰动位系数。将矩形区域的重心作为谐矩坐标系的原点，则坐标范围为

此时地磁三分量可以表示为
(16)

式中：



因此，总场强度可以表示为

通过上述方法，可以建立地磁剩余场模型, 同时获取精确的网格化数据。使用的稀疏字典由512个特征列向量构成，其中一半由地磁剩余场网格化数据随机抽取组成，另一半由国际地磁参考场数据随机抽取组成。最终生成的矩阵作为字典训练的初始字典。
3.2 字典训练 为使稀疏表示达到最好的效果，过完备字典的获取是最为重要的步骤。通过训练低分辨率和高分辨率基准图对应的字典，能够使高分辨率和低分辨率基准图具有相同的稀疏表示。
稀疏字典一般分为2种：基于特定结构的稀疏字典和基于学习的稀疏字典。基于特定结构的字典包括高斯随机矩阵、循环矩阵、范德蒙矩阵等。这些字典最大的优势是稀疏表示时计算速度很快(时间复杂度为ο(nlog n))，但是同时也限制了对于信号的稀疏表示能力。因此，这类方法一般只对特定种类的信号有较好的效果。基于学习的方法通过对训练数据集进行学习得到低分辨率和高分辨率地磁基准图的最优稀疏基，从而达到充分表示原始信号的目的[22]。
文献[23]将K-SVD算法应用到图像去噪中并取得了很好的效果。本文采用K-SVD算法进行低分辨率和高分辨率稀疏字典的学习。利用Frobenius范数来衡量原图像和稀疏分解后图像的偏差，保持稀疏矩阵中除第j0列以外所有列不变，提取出第j0列后问题可写成
(17)

式中：xjT为稀疏系数X的第j行；dj为稀疏字典D的第j行。记式(17)中括号内部为Ej0，即
(18)

式(17)可以通过不断更新dj和xjT来使残差达到最小，最终目的是使dj0xj0T近似于Ej0，因此可以用奇异值分解来解决。然而该方法会使向量xj0T变得稠密，即会增加X中非零项的个数。
因此, 定义一个矩阵Pj0用来提取xj0T中的非零项，Pj0行数为xj0T的长度，列数为xj0T中非零项的个数。记(xj0R)T=xj0TPj0，即(xj0R)T仅包含xj0T中的非零项。则式(17)问题可写成
(19)

上述问题可用奇异值分解解决。首先固定dj0，更新xj0R，即
(20)

而后固定xj0R，更新dj0，即
(21)

交替迭代数次后即可满足目标要求，具体流程如图 3所示。
图 3 K-SVD算法流程 Fig. 3 Flowchart of K-SVD algorithm
图选项




4 仿真结果和性能分析 实验所使用的地磁数据集来源于笔者课题组获取的2009年东亚地区地磁场以及国际地磁参考场。比较了本文方法和多种得到广泛应用的插值法和图像超分辨率重建方法在地磁基准图构建中的实际效果，包括双三次插值、PSO-Kriging插值、相邻嵌入法(Neighbor Embedding, NE)等。
首先，为方便后续处理，将所有地磁数据压缩到[0, 255]范围内，方法如下：
(22)

式中：ti为地磁基准图中的元素；Max和Min分别为所有地磁数据的最大值和最小值。
在实验中，输入的地磁基准图分辨率分别被提高到2、3和4倍，使用的图像块大小为5×5，以保证相邻图像块之间有4个像素的重叠部分。在从低分辨率基准图中提取图像块前，首先，对低分辨率基准图进行双三次插值以保证与高分辨率基准图大小相同；其次，对处理后的低分辨率基准图计算其稀疏字典对应的稀疏系数；最后，利用相同的稀疏系数和高分辨率字典得到重建后的高分辨率基准图。文中所用字典通过随机选取的50 000个地磁图像块训练得到。通过交叉验证，最终选取λ=0.2，随机选取500幅基准图作为实验测试集[24-25]。
4.1 重建效果对比 为验证生成的高分辨率地磁基准图的质量，利用峰值信噪比、结构相似度(SSIM)和均方根误差作为评价指标，对通过式(1)计算得到的总场强度进行评价。图 4为不同方法的重建效果对比。可以看出，利用本文方法构建的高分辨率基准图与原始图最为相近，且细节部分重建效果最好。
图 4 四倍放大倍数下地磁基准图重建效果对比 Fig. 4 Comparison of geomagnetic reference map reconstructed with magnification factor 4
图选项




表 1~表 3为各种基准图构建方法在不同分辨率方法倍数下3种指标评价结果，表中加粗数据为本文方法的仿真结果。可以看出，各种指标下本文方法均优于其他方法，且放大倍数越大，优势越明显。
表 1 二倍放大倍数下不同方法PSNR、SSIM和RMSE指标对比 Table 1 Comparison of PSNR, SSIM and RMSE of different methods with magnification factor 2
方法 PSNR/dB SSIM RMSE/nT
双三次插值法 32.16 0.789 3.07
相邻嵌入法 32.14 0.787 3.12
PSO-Kriging插值法 32.31 0.796 2.89
本文方法 32.44 0.823 2.77


表选项






表 2 三倍放大倍数下不同方法PSNR、SSIM和RMSE指标对比 Table 2 Comparison of PSNR, SSIM and RMSE of different methods with magnification factor 3
方法 PSNR/dB SSIM RMSE/nT
双三次插值法 27.66 0.565 7.65
相邻嵌入法 27.59 0.561 7.83
PSO-Kriging插值法 28.28 0.606 7.23
本文方法 28.54 0.637 6.91


表选项






表 3 四倍放大倍数下不同方法PSNR、SSIM和RMSE指标对比 Table 3 Comparison of PSNR, SSIM and RMSE of different methods with magnification factor 4
方法 PSNR/dB SSIM RMSE/nT
双三次插值法 24.89 0.431 16.77
相邻嵌入法 24.81 0.435 16.47
PSO-Kriging插值法 26.31 0.498 14.96
本文方法 26.73 0.524 13.78


表选项






4.2 字典初始化效果分析 在上述实验中一直使用含有50 000图像块的数据集进行字典训练，为验证文中字典初始化的实际效果，选取大小为1 600，3 200，6 400，12 800，25 600和51 200的图像块集进行字典训练。图 5~图 7分别为3种评价指标下使用本文方法进行初始化以及利用高斯随机矩阵进行初始化的实验结果。可以看出，在3种评价指标下，文中初始化方法都能够使用更小的训练数据量达到更高的重构精度。
图 5 三倍放大倍数下训练数据集大小对有/无先验信息字典重建基准图PSNR值的影响 Fig. 5 Effect of training dataset size on reconstructed reference map PSNR of dictionaries with and without priori information with magnification factor 3
图选项




图 6 三倍放大倍数下训练数据集大小对有/无先验信息字典重建基准图SSIM值的影响 Fig. 6 Effect of training dataset size on reconstructed reference map SSIM of dictionaries with and without priori information with magnification factor 3
图选项




图 7 三倍放大倍数下训练数据集大小对有/无先验信息字典重建基准图RMSE值的影响 Fig. 7 Effect of training dataset size on reconstructed reference map RMSE of dictionaries with and without priori information with magnification factor 3
图选项




4.3 噪声鲁棒性分析 为验证本文方法对于噪声的鲁棒性，对原始基准图添加不同等级的高斯白噪声，对于3倍的基准图分辨率放大倍数，噪声的标准差σ设置为3~12 nT，实验结果如表 4~表 6所示，表中加粗数据为本文方法的仿真结果。可以看出，本文方法对噪声的鲁棒性要优于其他方法。
表 4 不同噪声等级下各种方法PSNR值对比 Table 4 Comparison of PSNR of different methods under different noise levels
方法 PSNR/dB
σ=0 σ=3 σ=6 σ=9 σ=12
双三次插值法 28.89 28.80 28.45 28.17 27.74
相邻嵌入法 28.84 28.73 28.47 28.13 27.86
PSO-Kriging插值法 29.35 29.30 29.21 29.11 28.97
本文方法 29.78 29.76 29.73 29.69 29.67


表选项






表 5 不同噪声等级下各种方法SSIM值对比 Table 5 Comparison of SSIM of different methods under different noise levels
方法 SSIM
σ=0 σ=3 σ=6 σ=9 σ=12
双三次插值法 0.603 0.587 0.573 0.551 0.533
相邻嵌入法 0.599 0.584 0.571 0.555 0.541
PSO-Kriging插值法 0.637 0.626 0.611 0.597 0.581
本文方法 0.664 0.661 0.659 0.658 0.654


表选项






表 6 不同噪声等级下各种方法RMSE值对比 Table 6 Comparison of RMSE of different methods under different noise levels
方法 RMSE/nT
σ=0 σ=3 σ=6 σ=9 σ=12
双三次插值法 9.72 9.83 9.96 10.14 10.30
相邻嵌入法 9.81 9.89 9.99 10.12 10.24
PSO-Kriging插值法 9.11 9.20 9.31 9.44 9.61
本文方法 8.77 8.82 8.85 8.89 8.95


表选项






5 结论 本文提出了一种基于稀疏表示和字典学习的高精度地磁基准图构建方法，利用矩谐分析进行稀疏字典的初始化，利用K-SVD算法进行字典训练，得出如下结论：
1) 稀疏表示在地磁基准图构建中能够取得较好的效果。
2) 基于矩谐分析的字典初始化方法能够有效减小所需训练集大小，并提高字典性能。
3) K-SVD算法能够有效提高针对地磁基准图的稀疏字典训练效率。
4) 在不同的分辨率放大倍数下本文方法均优于其他对比方法。
在未来的工作中，将继续研究地磁场三分量之间的结构关系，从而进一步提高对噪声的抗干扰能力，提高基准图构建精度，并将该方法应用到实际地磁基准图构建应用中。

参考文献
[1] HOLLAND R A, THORUP K, VONHOF M J, et al. Navigation: Bat orientation using Earth's magnetic field[J]. Nature, 2006, 444(7120): 702. DOI:10.1038/444702a
[2] ECKENHOFF K, GENEVA P, HUANG G. Direct visual-inertial navigation with analytical preintegration[C]//2017 IEEE International Conference on Robotics and Automation (ICRA). Piscataway: IEEE Press, 2017: 1429-1435.
[3] CUNTZ M, KONOVALTSEV A, MEURER M. Concepts, development and validation of multi-antenna GNSS receivers for resilient navigation[J]. Proceedings of the IEEE, 2016, 104(6): 1-14. DOI:10.1109/JPROC.2016.2566740
[4] LOHMANN K J, LOHMANN C M F, EHRHART L M, et al. Geomagnetic map used in seaturtle navigation[J]. Nature, 2004, 428(6986): 909-910. DOI:10.1038/428909a
[5] 岳建平, 甄宗坤. 基于粒子群算法的Kriging插值在区域地面沉降中的应用[J]. 测绘通报, 2012(3): 59-62.
YUE J P, ZHEN Z K. Application of particle swarm optimization based Kriging interpolation method in regional land subsidence[J]. Bulletin of Surveying and Mapping, 2012(3): 59-62. (in Chinese)
[6] 李晨霖, 王仕成, 张金生, 等. 基于改进的Kriging插值方法构建地磁基准图[J]. 计算机仿真, 2018, 35(12): 278-282.
LI C L, WANG S C, ZHANG J S, et al. Construction of geomagnetic datum map based on improved Kriging interpolation method[J]. Computer Simulation, 2018, 35(12): 278-282. (in Chinese)
[7] GOLDENBERG F. Geomagnetic navigation beyond the magnetic compass[C]//Position, Location & Navigation Symposium. Piscataway: IEEE Press, 2006: 684-694.
[8] AKESSON S, LUSCHI P, BRODERICK A C. Oceanic long-distance navigation: Do experienced migrants use the Earth's magnetic field?[J]. Journal of Navigation, 2001, 54(3): 415-427.
[9] LIN Y, YAN L, TONG Q. Underwater geomagnetic navigation based on ICP algorithm[C]//IEEE International Conference on Robotics and Biomimetics. Piscataway: IEEE Press, 2008: 2115-2120.
[10] CAI Q, YANG G, SONG N, et al. Analysis and calibration of the gyro bias caused by geomagnetic field in a dual-axis rotational inertial navigation system[J]. Measurement Science and Technology, 2016, 27(10): 105001. DOI:10.1088/0957-0233/27/10/105001
[11] LIU M, LIU K, YANG P, et al. Bio-inspired navigation based on geomagnetic[C]//IEEE International Conference on Robotics and Biomimetics. Piscataway: IEEE Press, 2013: 2339-2344.
[12] GAO X, ZHANG K, TAO D, et al. Image super-resolution with sparse neighbor embedding[J]. IEEE Transactions on Image Processing, 2012, 21(7): 3194-3205. DOI:10.1109/TIP.2012.2190080
[13] WANG G, LI L, LI Q. Perceptual evaluation of single-image super-resolution reconstruction[C]//2017 IEEE International Conference on Image Processing(ICIP). Piscataway: IEEE Press, 2017: 3145-3149.
[14] ROMANO Y, ISIDORO J, MILANFAR P. RAISR: Rapid and accurate image super resolution[J]. IEEE Transactions on Computational Imaging, 2016, 3(1): 110-125.
[15] YEGANLI F, NAZZAL M, UNAL M, et al. Image super-resolution via sparse representation over multiple learned dictionaries based on edge sharpness[J]. Signal, Image and Video Processing, 2016, 10(3): 535-542. DOI:10.1007/s11760-015-0771-7
[16] VILLENA S, VEGA M, BABACAN S D, et al. Bayesian combination of sparse and non-sparse priors in image super resolution[J]. Digital Signal Processing, 2013, 23(2): 530-541. DOI:10.1016/j.dsp.2012.10.002
[17] LIU D, WANG Z, WEN B, et al. Robust single image super-resolution via deep networks with sparse prior[J]. IEEE Transactions on Image Processing, 2016, 25(7): 1. DOI:10.1109/TIP.2016.2585779
[18] LEDIG C, THEIS L, HUSZAR F, et al. Photo-realistic single image super-resolution using a generative adversarial network[EB/OL]. (2017-05-25)[2020-05-28]. https://arxiv.org/abs/1609.04802.
[19] FARHADIFARD F, ABAR E, NAZZAL M, et al. Single image super resolution based on sparse representation via directionally structured dictionaries[C]//Signal Processing and Communications Applications Conference (SIU). Piscataway: IEEE Press, 2014: 1718-1721.
[20] QI N, SHI Y, SUN X, et al. Single image super-resolution via 2D sparse representation[C]//2015 IEEE International Conference on Multimedia and Expo (ICME). Piscataway: IEEE Press, 2016: 1-6.
[21] 乔玉坤, 王仕成, 张金生, 等. 采用矩谐分析和支持向量机的地磁导航基准图构建方[J]. 西安交通大学学报, 2010, 44(10): 47-51.
QIAO Y K, WANG S C, ZHANG J S, et al. A constructing method of reference maps for geomagnetic navigation using rectangular harmonic analysis and support vector machine[J]. Journal of Xi'an Jiaotong University, 2010, 44(10): 47-51. (in Chinese)
[22] YANG S, WANG M, CHEN Y, et al. Single-image super-resolution reconstruction via learned geometric dictionaries and clustered sparse coding[J]. IEEE Transactions on Image Processing, 2012, 21(9): 4016-4028. DOI:10.1109/TIP.2012.2201491
[23] ZHANG Y, LIU Y. Single image super-resolution reconstruction method based on LC-KSVD algorithm[C]//1st International Conference on Materials Science, Energy Technology, Power Engineering(MEP 2017), 2017: 1-6.
[24] YANG J, WRIGHT J, HUANG T S, et al. Image super-resolution as sparse representation of raw image patches[C]//2008 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE Press, 2008: 1-8.
[25] MOUSAVI H, MONGA V. Sparsity-based color image super resolution via exploiting cross channel constraints[J]. IEEE Transactions on Image Processing, 2017, 26(11): 5094-5106. DOI:10.1109/TIP.2017.2704443


相关话题/图像 数据 信息 实验 信号
  • 领限时大额优惠券,享本站正版考研考试资料!
    大额优惠券
    优惠券领取后72小时内有效，10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材，产品类型包含电子书、题库、全套资料以及视频，无论您是考研复习、考证刷题，还是考前冲刺等，不同类型的产品可满足您学习上的不同需求。 ...
    考试优惠券 本站小编 Free壹佰分学习网 2022-09-19
  • 基于EfficientDet的无预训练SAR图像船舶检测器*
    遥感图像船舶检测在民用和军用领域应用前景广泛，而合成孔径雷达(SyntheticApertureRadar，SAR)图像由于其全天候、全天时、可穿透的特点，是船舶检测的主要技术手段[1]。随着越来越多的SAR卫星发射，原始的SAR图像数据日益增长，如何从中快速准确检测船舶成为亟需解决的问题[2-3] ...
    北京航空航天大学论文文献 本站小编 Free考研考试 2021-12-25
  • 基于中心-对数半长的区间数据主成分分析*
    主成分分析(PrincipalComponentAnalysis，PCA)是一种对包含多个变量的平面数据表进行最佳综合简化的多元分析方法[1]。其主要目的是在保证数据信息损失最小的前提下，对多元数据进行降维处理，基本原理是通过正交变换将p个相互关联的变量转换为p个相互无关的"主成分"，并省却数据变异 ...
    北京航空航天大学论文文献 本站小编 Free考研考试 2021-12-25
  • 基于DLatLRR与VGG Net的红外与可见光图像融合*
    图像融合作为信息融合技术的一个重要分支，能够整合多幅图像所包含的有效信息，得到空间分辨率与光谱分辨率较高的融合图像[1]。可见光传感器所成图像空间分辨率高、背景信息丰富，但是成像易受环境影响；红外传感器所成的图像虽然质量差，但是成像稳定。二者在时空上的相关性与场景描述时的信息互补性为其融合提供了可能 ...
    北京航空航天大学论文文献 本站小编 Free考研考试 2021-12-25
  • 连续变迎角试验数据自适应分段拟合滤波方法*
    在常规高超声速风洞测力试验[1-3]中，常采用阶梯变迎角试验方式，即利用模型机构阶梯地改变试验模型的迎角，天平测量每个迎角台阶上试验模型的气动力，取一段时间进行平均，获取该模型在对应迎角的气动载荷。利用模型机构实现阶梯变迎角过程中产生较快的启动、停止，试验模型因而产生较大的振动，需要在每个迎角台阶停 ...
    北京航空航天大学论文文献 本站小编 Free考研考试 2021-12-25
  • 脉冲射流强化喷流混合流动显示实验*
    尾喷流是飞行器3个主要的红外辐射源之一。在加力状态下，尾喷流的红外辐射可以达到飞行器总红外辐射的50%。强化喷流混合技术用于航空发动机可以有效降低尾喷流的核心区长度[1-2]，从而降低红外辐射[3]，提高飞行器隐身性能。强化喷流混合技术主要分为主动流动控制技术[4]和被动流动控制技术。其中，被动流动 ...
    北京航空航天大学论文文献 本站小编 Free考研考试 2021-12-25
  • 基于信息素决策的无人机集群协同搜索算法*
    随着无人机(UAV)技术的蓬勃发展，无人机在侦察探测、搜索救援等方面大量运用。由于无人机集群在机载功能和抗未知因素能力等方面具有优势[1-2]，在执行对地目标搜索任务时效率更高、抗毁性更强。针对搜索问题，国内外****进行了深入而广泛的研究。从搜索模型来看，最早开始研究的模型是穷举覆盖航路规划模型， ...
    北京航空航天大学论文文献 本站小编 Free考研考试 2021-12-25
  • 基于依存句法的图像描述文本生成*
    近年来，面向跨模态的图像描述文本生成因其在计算机视觉和自然语言处理交叉领域的重要性，已引起越来越多的研究者的关注。给定一幅图像，图像描述文本生成旨在生成语法正确且可精准描述图像内容的文本。基于注意力机制的编解码框架已被广泛应用于图像描述文本生成[1]，其提取有价值的视觉特征，从而使生成的文本与图像的 ...
    北京航空航天大学论文文献 本站小编 Free考研考试 2021-12-25
  • 基于混合网络的异源遥感图像变化检测*
    遥感图像变化检测是指提取不同时相同一区域的遥感图像之间变化区域的过程。变化检测是遥感领域重要的研究方向，作为监测地表状况的关键技术，在城市扩张、环境监测、灾害评估等众多领域发挥着巨大作用。根据待检测的2幅图像是否由同一传感器获取，可将变化检测算法分为同源遥感图像变化检测和异源遥感图像变化检测2种类型 ...
    北京航空航天大学论文文献 本站小编 Free考研考试 2021-12-25
  • 基于多特征图像视觉显著性的视频摘要化生成*
    如何以最为直观且快速的方式查阅视频数据，完成像文字搜索一般的浏览效率是计算机视觉与图像处理领域的研究热点。视频摘要是对原始视频内容的高度浓缩，其将重要且具有代表性的视频内容以一种简洁的形式呈现出来，方便用户对视频的浏览和管理[1]。2017年，刘全等[2]使用带视觉注意力机制的循环神经网络(RNN) ...
    北京航空航天大学论文文献 本站小编 Free考研考试 2021-12-25
  • 基于记忆关联学习的小样本高光谱图像分类方法*
    高光谱图像(HyperspectralImage,HSI)是一种通过高光谱传感器探测地物反射的电磁波而获得的数字图像。在常规的彩色或者灰度图像中，每一个像素仅包含一个或者三个离散的能量值，而高光谱图像中的每一个像素包含几十甚至数百个光谱波段，每一个像素记录了对应地物的光谱曲线[1]。由于不同地物通常 ...
    北京航空航天大学论文文献 本站小编 Free考研考试 2021-12-25

Free考研考试FreeKaoYan.Com
欢迎来到Free考研考试，"为实现人生的Free而奋斗"

© 2020 FreeKaoYan! . All rights reserved.