基于稀疏编码和卷积神经网络的地貌图像分类

提出了一种基于稀疏编码和卷积神经网络的地貌场景图像分类算法;利用非下采样Contourlet变换对训练样本进行多尺度分解;在训练样本中选择图像,利用稀疏编码学习局部特征,对特征向量进行排序;选择灰度平均梯度较大的特征向量对卷积神经网络卷积核进行初始化。结果表明:所提算法可以获得比传统底层视觉特征更好的分类结果,有效避免了网络训练陷入局部最优的问题,提高了自然场景下无人机着陆地貌的分类准确率。     

超宽带增透膜新的设计法

在设计超宽带增透膜时提出一种新的设计方法,使用这种设计方法来设计在400 nm~1800nm波段内实现增透,同时将其设计结果与使用传统设计方法设计的结果相比较,发现在400nm~1 800 nm波段内使用这种新的设计方法可以将其反射率值控制在2%以下.这种方法解决了在设计超宽带增透膜时传统的设计方法不能解决的难题.     

Korteweg-De Vries-Burgers 方程的一类解析解

本文利用变数变换和解析积分的办法,找到了Korteweg-de Vries-Burgers方程的一类单调激波型的解析解。文中分别给出了隐式和显式形式的解。利用数值积分或Jacobi余弦椭圆函数的级数表达式,可以容易地数值计算该函数值。文中给出了不同的ν和δ值的解曲线的形状。     

基于离散余弦变换和深度网络的地貌图像分类

在未知环境中,无人机(UAV)着陆地貌的自动识别和分类有着极其重要的研究意义,传统的自然场景分类利用的是中层和底层特征信息,但是无人机着陆地貌图像场景复杂、信息丰富,需要较准确的高层语义特征表达。提出了一种基于离散余弦变换(DCT)和深度网络的地貌图像分类方法。首先将离散余弦变换能量集中的优势引入到卷积神经网络(CNN)的高效特征表达中,以降低维度和计算复杂度;然后根据地貌图像特点构建了14层的特征学习网络,并改进了卷积神经网络结构;最后将得到的深层特征输入到支持向量机(SVM)中,快速准确地完成图像分类。实验结果表明,该算法降低了数据冗余,使训练时间大幅度减少,可以自动地学习高层语义特征;所提算法提取的特征具有较好的特征表达,有效地提高了图像分类准确率。