【摘 要】
：
以喀什乌恰地区为研究区,利用统计回归的方法,采用线性对数模型,拟合得到该地区V_(S10)和V_(S20)关系式,lgV_(S20)=0.3944+0.8616lgV_(S10);T_0和V_(S20)关系式,ln(V_(S20))=5.1497-0.4026ln(T_0),2个关系式决定系数均大于0.8,相关性较好。T_0和V_(S20)分析中,发现当场地覆盖层厚度较小时,场地卓越周期较小,此时
论文部分内容阅读
以喀什乌恰地区为研究区,利用统计回归的方法,采用线性对数模型,拟合得到该地区V_(S10)和V_(S20)关系式,lgV_(S20)=0.3944+0.8616lgV_(S10);T_0和V_(S20)关系式,ln(V_(S20))=5.1497-0.4026ln(T_0),2个关系式决定系数均大于0.8,相关性较好。T_0和V_(S20)分析中,发现当场地覆盖层厚度较小时,场地卓越周期较小,此时T_0主要受剪切波速影响,2者相关性较好;当场地覆盖层厚度较大时,场地卓越周期较大,此时T_0受剪切波速
其他文献
当前进行海面目标检测时需要借助遥感图像的分析,受到检测环境和遥感图像传输速率的限制,导致检测精度和效率较低。为优化上述存在的缺陷,将研究通信网络应用下海面舰船目标实时检测方法,以提升海面目标的实时检测效果。在对海面目标图像进行预处理和海天线提取等操作后,确定待检测目标的类型。利用基于神经网络的脉冲超宽带探测目标的具体参数,实现目标实时检测。实例验证结果显示,在不同场景下,研究的检测方法均保持90%
气缸套内孔轮廓以畸变的形状分布,常规方法利用识别技术检测内孔圆度,但大量图像背景纹理干扰内孔轮廓检测稳定性,基于视觉技术研究全新的方法,检测船舶发动机气缸套内孔圆度。定位工业相机视觉位置,利用视觉技术获取气缸套内孔图像,结合视觉原理抑制处理图像纹理,根据正多边形理论建立圆度评价模型,使用灰度共生矩阵检测内孔圆度。实验结果表明,与基于识别算法和自动识别的2组检测方法相比,本文方法获得的内孔轮廓更细腻
目前研究的检测方法存在检测误报率高、检测时间长等问题,提出了物联网环境下船舶移动网络异常数据检测方法。挖掘船舶移动网络异常数据,根据异常数据挖掘结果对船舶移动网络异常数据进行提取,在提取时需要将船舶移动网络异常数据类别与维数进行有机结合,通过建立异常数据集对异常数据类别和维数之间的映射关系进行表示,实现异常检测。实验结果表明,提出的方法检测过程产生的误报率小,检测时间短。
当前船舶网络异常行为检测逐渐成为航海领域研究的重点问题之一,为了更好保障船舶航行效果,避免航行过程中信息传输和处理的干扰问题,对灰色模型的船舶物联网异常行为实时检测方法进行优化,基于传统实时检测过程中,数据量较大、处理效果不佳、准确率低等问题,结合灰色模型,对船舶网络信息特征行为进行采集和去噪处理,实现对船舶异常行为信息的有效分类和传输,以提高船舶网络异常行为实时检测的准确性和有效性。最后通过实验
对于低分辨率舰船图像的优化,常规的优化方法缺少对目标图像的色彩补偿,导致优化方法的抗噪声性能不足。为了解决这一问题,提出视觉传达技术的低分辨率舰船图像优化研究。利用视觉传达技术处理原始舰船图像,增强图像彩色像素细节。在此基础上,建立目标图像的运动公式,通过计算得到图像的变化规律,实现优化前后的图像配准和重建,实现低分辨率舰船图像的优化。实验结果表明,在图像规格逐渐增大的情况下,设计的图像优化方法峰
传统舰船图像分解方法无法有效对图像超像素稀疏部分进行有效像素深度的恢复,导致分解图像缺失底层像素信息,噪声分解图像失真。为了解决上述问题,提出Moreau包络和深度恢复的舰船图像分解方法。首先通过引入Moreau包络算法,对图像分解区域进行超像素层的重构计算;然后利用稀疏深度恢复算法,对重构的超像素层待分解像素信息进行深度恢复优化。最后,通过像素点之间信息的关联特性,与神经网络学习特性,完成对恢复
传统的图像采集和增强方法受到外部环境因素的影响,导致采集的信息不完整,并导致后期图像增强效果较差,为此设计一个快速行驶船舶的图像采集和增强方法。首先对图像采集的背景估计,然后对图像的相邻帧补偿,并对图像边缘预检测。最后采用图像场增强算法对图像增强处理,实现快速行驶背景下舰船图像的采集与增强。实验结果表明,此次研究的方法检测后,取得的图像边缘更加连续,具有较好的图像增强效果,满足图像采集和增强方法的
为了解决传统图像处理方法存在的图像质量差的问题,应用计算机3D处理技术,提出船舶图像优化方法。输入初始船舶图像,并对其进行解码处理。利用计算机3D处理技术,实现图像的投影变换。最终通过图像去雾、降噪、增强以及归一化等处理步骤,输出船舶图像的优化处理结果。经过与传统图像处理方法的对比,发现设计方法输出船舶图像的清晰度和信噪比分别提高了93.9 ppi和26.7 dB,即图像优化质量得到明显提升。
传统成像质量提升方法存在许多不足,如视觉效果差,信噪比低。为了获得理想的船舶图像质量,设计基于数学形态学理论的船舶图像质量提升方法。建立船舶图像成像退化与复原模型,对船舶图像进行一次处理;融合数学形态学理论,分解与重构船舶成像,对船舶图像进行二次处理;采用人工主观评价和指标客观评价的双重验证方式,比较不同方法的船舶图像提升性能。相对于对比方法,本文方法对船舶图像质量提升效果更好,信噪比提升更高,具
船舶成像在采集图像的特定增强过程中,受到图像分割方法的影响,使得总体增强精度较低。为此,提出基于微分方程的船舶成像图像增强方法。依托于微分方程建立多区域分割模型,在高精度分割的基础上,利用小波变换方法提取船舶图像的特征,并根据图像特征,完成船舶图像的高精度增强。实验结果表明:这种图像增强方法应用到船舶成像过程中,具有更好的性能。同样实验环境下与传统方法相比,将船舶图像总体增强精度分别提升10.79