不同海区的近岸海浪浪高具有明显差异性。针对当前大部分时间序列预测模型缺乏对不同地区(多源)浪高预测的适应性难题,提出了一种基于局部加权回归的多周期趋势分解(Seasonal and Trend decomposition using Loess,STL)和两级融合策略...不同海区的近岸海浪浪高具有明显差异性。针对当前大部分时间序列预测模型缺乏对不同地区(多源)浪高预测的适应性难题,提出了一种基于局部加权回归的多周期趋势分解(Seasonal and Trend decomposition using Loess,STL)和两级融合策略的浪高预测模型,简称为MSTL-WH(Multiple STL-Wave Height)。结合多源近岸浪高时间序列的多周期性、非线性和非平稳性的特点,首先利用周期图法提取多源近岸浪高数据集中的4个主要周期,并基于主要周期进行多次STL分解,将复杂的原始浪高序列分解为周期项、趋势项和余项;然后利用长短期记忆网络(Long Short Term Memory,LSTM)并结合两级融合策略,搭建近岸浪高预测网络;最后使用自注意力机制重新调整权重并输出未来12 h的浪高值。通过与当前主流时间序列预测方法对比,验证了所提方法在多源近岸浪高序列预测中具有较好的实用性和更低的预测误差。展开更多
针对复杂环境下猫眼目标探测易受环境干扰、特征区分度不足等问题,提出一种基于空间上下文的决策级融合猫眼目标检测算法(Decision-level Fusion based on Spatial Context,DFSC)。算法由三个模块组成:在猫眼目标检测模块中,提出基于自...针对复杂环境下猫眼目标探测易受环境干扰、特征区分度不足等问题,提出一种基于空间上下文的决策级融合猫眼目标检测算法(Decision-level Fusion based on Spatial Context,DFSC)。算法由三个模块组成:在猫眼目标检测模块中,提出基于自适应迭代最大类间方差的图像二值化方法,结合迭代前景细化策略和动态收敛机制,在精确提取猫眼目标连通域的同时保留局部细节信息;构建了傅里叶功率谱和归一化加权质心偏移特征描述子,提升猫眼与干扰目标的可区分性;提出基于自适应环境感知的多维特征加权融合方法,实现特征权重的自适应优化。在通用目标检测模块中,将可变形卷积DCNv3引入YOLOv8骨干网络的C2f模块,提升对遮挡目标和小目标的检测性能。在基于空间上下文的决策级融合模块中,通过计算猫眼目标的遮挡率来评估其与环境干扰目标的空间关系,从而有效抑制虚警。在基于自主研发的激光主动探测系统构建的猫眼目标检测数据集上开展实验,结果表明,与现有主流算法相比,召回率由92.2%提升至98.9%,精度由49.0%提升至74.5%,单帧耗时8.3 ms,显著降低了算法在复杂环境下的虚警率。展开更多
文摘不同海区的近岸海浪浪高具有明显差异性。针对当前大部分时间序列预测模型缺乏对不同地区(多源)浪高预测的适应性难题,提出了一种基于局部加权回归的多周期趋势分解(Seasonal and Trend decomposition using Loess,STL)和两级融合策略的浪高预测模型,简称为MSTL-WH(Multiple STL-Wave Height)。结合多源近岸浪高时间序列的多周期性、非线性和非平稳性的特点,首先利用周期图法提取多源近岸浪高数据集中的4个主要周期,并基于主要周期进行多次STL分解,将复杂的原始浪高序列分解为周期项、趋势项和余项;然后利用长短期记忆网络(Long Short Term Memory,LSTM)并结合两级融合策略,搭建近岸浪高预测网络;最后使用自注意力机制重新调整权重并输出未来12 h的浪高值。通过与当前主流时间序列预测方法对比,验证了所提方法在多源近岸浪高序列预测中具有较好的实用性和更低的预测误差。
文摘针对复杂环境下猫眼目标探测易受环境干扰、特征区分度不足等问题,提出一种基于空间上下文的决策级融合猫眼目标检测算法(Decision-level Fusion based on Spatial Context,DFSC)。算法由三个模块组成:在猫眼目标检测模块中,提出基于自适应迭代最大类间方差的图像二值化方法,结合迭代前景细化策略和动态收敛机制,在精确提取猫眼目标连通域的同时保留局部细节信息;构建了傅里叶功率谱和归一化加权质心偏移特征描述子,提升猫眼与干扰目标的可区分性;提出基于自适应环境感知的多维特征加权融合方法,实现特征权重的自适应优化。在通用目标检测模块中,将可变形卷积DCNv3引入YOLOv8骨干网络的C2f模块,提升对遮挡目标和小目标的检测性能。在基于空间上下文的决策级融合模块中,通过计算猫眼目标的遮挡率来评估其与环境干扰目标的空间关系,从而有效抑制虚警。在基于自主研发的激光主动探测系统构建的猫眼目标检测数据集上开展实验,结果表明,与现有主流算法相比,召回率由92.2%提升至98.9%,精度由49.0%提升至74.5%,单帧耗时8.3 ms,显著降低了算法在复杂环境下的虚警率。
