遥感图像解释专家系统(RSPES)的设计

介绍了一种遥感图像解释专家系统的设计思想,总体结构,知识表示,推理规则和实现功能。ＲＳＰＥＳ系统将图像处理系统,专家系统和地理信息系统集成为一个整体,主要应用于遥感图像处理,分类与解释中。     

基于PIC的遥控电动机位置控制器的设计

PIC是一种采用精简指令结构、输入／输出功能强大的8位单片机,应用广泛,本系统是用PICl6F877单片机作为核心部件的遥控电动机位置控制器．这里介绍了这种控制器的工作原理、硬件电路组成及有关的程序流程．     

多时相遥感影像样本迁移模型与地表覆盖智能分类

利用时间序列遥感影像重建过去几十年的地表覆盖是实现时空多维地理场景感知与动态建模的基础,但存档历史遥感影像分类面临样本选择难、多时相影像协同解译水平低的问题。研究提出了一种基于已有土地覆盖产品与对应遥感影像中几何及属性特征约束的样本时空迁移方法,将迁移获得的训练样本嵌入多时相地表覆盖分类框架,获得多期地表覆盖分类结果,实现历史时期地表环境的智能感知与动态制图。太湖流域多时相分类的结果表明,无监督样本迁移方法可以充分利用先验几何约束和光谱属性,从参考地表覆盖产品中快速获得可靠的训练样本,多时相分类精度均高于89%,满足大区域多时相地表覆盖的分类需求,为地理环境演变建模提供了有效支持。     

SC轮主机遥控系统软故障诊断与处理

简要介绍了SC轮主机遥控系统,记述了系统软故障分析处理的三个过程,阐明了故障诊断分析思路．     

汽车排放远程检测系统研制

基于AVL4000排放分析仪,本文进行了汽车排放远程检测系统的开发研制.该系统硬件主要由便携式电脑和AVL4000排放分析仪组成;软件基于LabVIEW 7.0,通过自编程序进行开发;并利用电脑控制MC35模块,通过发送短消息方式实现了排放数据的远程传输.试验证明,该系统具有在汽车行驶状态下,可同步检测瞬时排放和瞬时车速,且远程传输可靠性好等特点.     

玉米地上鲜生物量的高光谱遥感估算模型研究

以ASDFieldSpec光谱仪实测了不同生长季大田玉米的冠层高光谱与作物的地上鲜生物量,采用单变量非线性拟合模型和线性逐步回归以及神经网络技术,建立了玉米地上鲜生物量高光谱遥感估算模型,并对模型的估算结果进行了初步分析。分析结果表明,绿光波段反射峰区、红光波段以及红边区的单波段反射率与作物的地上鲜生物量相关性较大,而其他波段与作物的鲜生物量相关性相对较差;多波段逐步回归方式构造的统计遥感模型预测效果相对理想,而通过神经网络方式建立的遥感估算模型结果最为理想,能够准确预测玉米的地上鲜生物量。图3,表1,参7。     

基于嵌入式系统的电机远程监测系统的实现

针对电机系统这一关键设备的远程网络监测,提出了在ARM处理器(主机)上运行嵌入TCP/IP协议的μC/OS-II系统,远程监控PC(客户机)运行LabVIEW虚拟仪器的网络监测方案。网络连接现场主机(ARM网络节点)和远程PC客户机,在远程客户机上运行LabVIEW编写的监测程序,用信号发生器模拟电机的电流、速度信号,远程PC客户机上的虚拟示波器较好地复现了现场主机采集到的信号波形。     

利用logistic模型对MODIS数据进行湿地提取

MODIS是近年来较常用于宏观土地利用/土地覆盖的一种遥感数据来源。为了克服MODIS空间分辨率的限制,在建立提取模型的时候使用了多期遥感数据,并且加入了地形辅助数据。Logistic模型是一种非线性的回归分析模型,它通常是用于预测和判定未知单元的类别属性。先划出训练样区,计算出湿地分布与各因子之间的关系式,进而得到湿地分布概率图,选取一定的阈值(0.5),最终提取出湿地。研究结果显示,Logistic模型用于遥感分类,分类精度高于最大似然法。另外,加入了地形因子(dem,slope,tpi)后,分类精度得到明显的提高。     

基于自适应标注样本的高分辨率影像道路提取

针对现有道路提取算法中难以大规模人工标注样本类别标签的问题,提出了一种基于自适应标注样本提取遥感影像道路的方法。首先,通过改进的模糊C均值聚类算法提取道路区域,进行初步的样本标注;其次,利用基于二次投票的集成去噪算法定位标签噪声样本,更新样本数据集;再次,将更新后的样本集投入随机森林训练并预测影像的分类结果;最后,对道路提取结果进行多方向形态学滤波去除非道路区域,得到精确的道路提取结果。通过不同分辨率、不同场景、不同方法的实验结果表明,所提方法可以自主选择并标注样本,相比传统算法具有较高的提取精度,对于高分辨率遥感影像中直线型、曲线型道路均有较好的道路提取效果。     

多源遥感图像融合平台的设计与实现

介绍了图像融合的框架层次结构,以及像素层、特征层和决策层3层图像融合的方法及其相互关系。分析了图像融合平台的设计与实现方法,选择基于DS证据理论和模糊Kohonen神经网络聚类算法,进行了适当改进,并加以验证。结果表明,模糊Kohonen神经网络聚类算法的聚类精度和聚类速度都要优于传统算法。