梯度矢量论文-所俊

梯度矢量论文-所俊

导读:本文包含了梯度矢量论文开题报告文献综述及选题提纲参考文献,主要关键词:非共面,声线,声速梯度矢量,稳态声场矩阵

梯度矢量论文文献综述

所俊[1](2019)在《基于声线-声速梯度矢量非共面条件下的复杂海洋环境稳态声场空间矩阵仿真技术》一文中研究指出本文从程函方程出发,提出了一种基于声线-声速梯度矢量非共面条件下复杂海洋环境声线传播数值分析方法,并利用稳态声场空间声线跟踪技术,在一定精度要求下求出关心区域的全海洋环境声场信息。当每根声线的传播路径都被跟踪后,其传播路径将被离散化为一系列均匀分布的节点,稳态声场空间被建立起来。任意两点间的声传播关系可以迅速由稳态声场空间矩阵计算得到。在此条件下,在进行海洋环境作业单元仿真时,计算量由传统本征声线求解算法的0 (mnu)降低到了0(1)(其中m为非分层结构数,n为局部分层结构中的单元数,u为牛顿法或龙格库塔法中为求本征值的迭代次数),即与海洋划分精度无关,极大提升了仿真的实时性。(本文来源于《第十七届船舶水下噪声学术讨论会论文集》期刊2019-08-21)

李青竹,李志宁,张英堂,范红波,尹刚[2](2019)在《磁梯度张量系统的非线性集成矢量校正》一文中研究指出磁梯度张量系统测量精度受到单磁传感器系统误差与传感器阵列间非对准误差的严重影响。为了获得精确的张量测量输出,建立了单磁传感器零漂、标度因子与非正交角等系统误差和多传感器轴系间非对准误差的集成数学模型,提出了基于十字磁梯度张量系统最小二乘非线性集成校正方法。相比两步标量校正,利用建立的集成数学模型能够一次性估计出十字形张量系统的48个误差参数,以"人造"平台输出为参考实现低成本矢量校正,极大提高了校正效率和参数估计准确率。仿真和实测表明,张量系统误差参数仿真估计准确率高于99.75%,实验校正后总场输出均方根误差(root mean square error, RMSE)小于2 nT,张量分量RMSE小于50 nT/m,参数估计具有较高的鲁棒性。(本文来源于《武汉大学学报(信息科学版)》期刊2019年05期)

李享元,谢水清,罗剑堃,朱学慧[3](2019)在《叁维梯度矢量瞬变电磁仪的建模及其仪器研制》一文中研究指出为了探索和解决瞬变电磁物探在空间信息解析方面存在多解性问题,提出叁分量梯度矢量瞬变电磁法模型和仪器方案,解决瞬变电磁探测深度的计算依赖于地层电导率和磁导率的问题。新型模型和仪器采集探测点的二次场叁分量数据,得到其梯度矢量方向和大小,结合测点之间的距离和空间叁角函数关系,计算出探测方向中低阻体的方位和距离。新型瞬变电磁仪在煤矿工作面的超前探测得到试用,验证预期效果,推广到物探工程应用中。(本文来源于《测控技术》期刊2019年04期)

卜晓燕[4](2018)在《基于圆形能量约束的改进梯度矢量卷积活动轮廓模型的红外图像分割》一文中研究指出医学图像噪声繁多、边缘模糊、对比度低,因而对医学图像的分割具有挑战性和实用性。本文提出了基于圆形能量约束的改进梯度矢量卷积活动轮廓模型用于医学图像分割。基于圆形能量这一先验约束,Snake的轮廓可以克服意外引出的局部极小物体和假边缘等。经过边缘检测,这种改进的边缘图来生成一个新的GVC力场,防止Snake轮廓被束缚在错误的边缘并且能够保持弱边界形状相似性。对比实验结果表明提出的改进模型能够有效地保护弱边界并正确地分割医学图像。(本文来源于《Proceedings of 2018 3rd International Conference on Industrial Electronics and Applications(IEA 2018)》期刊2018-07-27)

刘建军,王鹤,崔国宇,张谦,王峥[5](2018)在《一种基于矢量电场的多电极电场梯度计算优化方法研究》一文中研究指出通过对变电站中电气设备电场梯度信息检测计算方法进行研究,结合矢量电场多电极梯度信息,使用压缩感知贪婪重构算法对电场检测计算方法进行优化,对电场梯度信息进行有效识别,提高电压等级检测判断的准确率。该方法通过分析带电体周围电场信息,能够准确地计算出高电压导体周围的电场分布和电压等级。通过在110 k V变电站复杂工频电场环境中进行试验,获取带电载体一个间隔的场强分布。实验分析表明,该方法可以有效提高带电载体电压等级的检测能力和对带电体周围电场信息的响应速度,提高了工作人员在复杂工频电场环境下工作的安全性。(本文来源于《电力系统保护与控制》期刊2018年13期)

陈孟[6](2018)在《针对大图像的梯度矢量流快速计算方法研究》一文中研究指出梯度矢量流模型或者广义梯度矢量流模型在图像应用中被广泛使用,如降噪滤波、边缘增强、边缘提取等,特别是活动轮廓模型和图像分割。而且它在医学图像处理应用中也尤其广泛。然而,梯度矢量流或者广义梯度矢量流在大图像的应用中,由于其计算量大、计算效率低,使得其应用领域受限。本文在此背景下,针对大图像的梯度矢量流模型给出了快速计算研究方案。目前,在快速计算梯度矢量流或者广义梯度矢量流模型方法中,有两种最为经典的算法:基于多重网格模型的快速计算方法和基于非精确增广拉格朗日方法的快速计算方法。本文在这两个经典的方法基础上,结合快速傅里叶变换、离散正弦变换和离散余弦变换,针对叁种不同的边界条件提出了新的快速计算方法。本文的研究内容主要分为两个部分:第一部分,在基于非精确增广拉格朗日方法基础上,针对循环、狄利克雷和诺依曼叁种边界条件提出了相应的快速计算方法。首先说明了采用循环边界条件时,会导致梯度矢量流或者广义梯度矢量流模型的结果边界区域出现错误,然后采用另外两种边界条件避免这个缺陷。在提出的快速算法中,采用了快速傅里叶变换、离散正弦变换或者离散余弦变换。最后,本文提出的算法时间复杂度均为Cnlog(n)。第二部分,在第一部分研究基础上,结合了经典基于多重网格的快速计算方法。在完全多重网格计算方法的框架下,扩展了第一部分中提出的算法。结合完美多重网格计算方法后,新算法的时间复杂度与扩展之前相同,并且其计算效率有所提升。最后,本文采用256×256、512×512和1024×1024叁种尺寸的图像集合对算法的性能进行了实验。相比两种经典算法,本文提出的算法效率有所提升。然后以Lena图像为例,对比叁种不同的边界条件的算法,在图像中间区域,梯度矢量流或者广义梯度矢量流相差不大,而在边界区域,狄利克雷和诺依曼边界条件算法所得到的结果避免了循环边界条件算法结果中梯度矢量流偏离真实结果错误情形。(本文来源于《武汉大学》期刊2018-05-01)

许贤泽,陈孟,徐逢秋[7](2018)在《结合离散正余弦变换的快速梯度矢量流算法》一文中研究指出为了提高求解梯度矢量流(GVF)的效率和准确度,在狄利克雷或诺依曼边界条件下提出了非精确拉格朗日离散正弦梯度矢量流(IALM-DST-GVF)和非精确拉格朗日离散余弦梯度矢量流(IALM-DCT-GVF)快速算法.两种算法在非精确增广拉格朗日优化算法基础上,结合了离散正弦和余弦变换.其算法时间复杂度均为O(CNlgN)(其中C为迭代次数,N为图像像素数量).在相同的环境下采用C++语言编码验证,结果表明:提出的算法比当前主流GVF算法效率更高,并且边界上的GVF域比IALM-GVF算法准确.(本文来源于《华中科技大学学报(自然科学版)》期刊2018年01期)

胡琴芳[8](2017)在《基于谱共轭梯度法的矢量场层析成像方法研究》一文中研究指出人类世界无处不存在磁场,早在两千多年前人们就通过测量磁场进行方向的辨别。目前,磁场测量设备只能测量磁场的幅度或功率,不能测量磁场的矢量分布,从而限制了磁场测量技术的应用范围。非晶丝具有巨磁阻抗特性,其两端的阻抗值与通过其轴向的磁场分量成非线性关系,将这一特性与矢量场层析成像技术相结合,可以为获得磁场的矢量场分布提供可能。但是,现有的矢量场层析成像技术都假定投影数据是关于矢量场在积分路径下的线性积分,不能直接用于对非晶丝传感的非线性投影数据进行矢量场重建。研究基于非线性投影数据的矢量场层析成像方法可以扩大层析成像和磁场测量技术的应用范围。本文从层析成像的基本原理出发,阐述了CT成像的基本原理以及图像重建的两种算法:解析重建法和迭代重建法。对基于线性投影数据的矢量场层析成像方法进行了介绍并且使用MATLAB进行实验仿真。根据非线性投影数据的形成原理以及代数重建法的思想,建立了非线性投影数据与矢量场相关的非线性方程组,对影响图像重建质量的投影矩阵设计了简单、快速的计算方法。将非线性方程组求解问题转换为无约束最优化问题,并且使用PRP共轭梯度法和谱PRP共轭梯度法对问题求解,通过MATLAB仿真验证算法的有效性。结果表明本文提出的方法对基于非线性投影数据的矢量场能够进行重建,在相同条件下,谱PRP共轭梯度法比PRP共轭梯度法重建的矢量场误差更小。(本文来源于《哈尔滨工业大学》期刊2017-12-01)

卜晓燕[9](2017)在《基于自适应权重函数梯度矢量流活动轮廓模型的红外图像分割》一文中研究指出红外图像噪声繁多、边缘模糊、对比度低,因而对红外图像的分割具有挑战性和实用性。梯度矢量流(GVF)活动轮廓模型的参数选择缺乏自适应性,因而降低了红外图像分割的性能。本文提出了基于自适应权重函数的梯度矢量流活动轮廓模型用于红外图像分割。首先,将扩散项中的拉普拉斯算子分解为法向和切向,并引入自适应函数作为法向和切向扩散的系数。同时,将GVF模型中扩散项和数据项的系数改进为自适应的权重函数,使活动轮廓曲线在收敛过程中具有各向异性。对比实验结果表明提出的改进模型能够有效地保护弱边界并正确地分割红外图像。(本文来源于《Proceedings of 2017 4th International Conference on Power and Energy Systems (PES 2017)》期刊2017-11-11)

张宝一,蒙菲,杨莉,王丽芳,吴湘滨[10](2017)在《顾及梯度矢量的高斯混合模型在叁维属性场空间聚类中的应用》一文中研究指出空间聚类作为一种重要的数据分析手段,给出合理的空间数据的划分方案,可有效地挖掘出其中潜在的空间分布规律。高斯混合模型(GMM,Gaussian Mixture Model)作为一种常见的聚类分析模型,侧重模拟具有复杂空间分布数据的概率分布,因而聚类结果在统计学上具有较好的可解释性。但是,高斯混合模型在进行空间聚类时大多对数据的非空间属性的概率分布进行模拟,而忽视了数据的空间(本文来源于《2017中国地球科学联合学术年会论文集(五十)——专题104:深部矿产资源评价理论方法、专题105:中国“叁稀”矿产资源分布与成因》期刊2017-10-15)

梯度矢量论文开题报告

(1)论文研究背景及目的

此处内容要求:

首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。

写法范例:

磁梯度张量系统测量精度受到单磁传感器系统误差与传感器阵列间非对准误差的严重影响。为了获得精确的张量测量输出,建立了单磁传感器零漂、标度因子与非正交角等系统误差和多传感器轴系间非对准误差的集成数学模型,提出了基于十字磁梯度张量系统最小二乘非线性集成校正方法。相比两步标量校正,利用建立的集成数学模型能够一次性估计出十字形张量系统的48个误差参数,以"人造"平台输出为参考实现低成本矢量校正,极大提高了校正效率和参数估计准确率。仿真和实测表明,张量系统误差参数仿真估计准确率高于99.75%,实验校正后总场输出均方根误差(root mean square error, RMSE)小于2 nT,张量分量RMSE小于50 nT/m,参数估计具有较高的鲁棒性。

(2)本文研究方法

调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。

观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。

实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。

文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。

实证研究法:依据现有的科学理论和实践的需要提出设计。

定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。

定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。

跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。

功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。

模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。

梯度矢量论文参考文献

[1].所俊.基于声线-声速梯度矢量非共面条件下的复杂海洋环境稳态声场空间矩阵仿真技术[C].第十七届船舶水下噪声学术讨论会论文集.2019

[2].李青竹,李志宁,张英堂,范红波,尹刚.磁梯度张量系统的非线性集成矢量校正[J].武汉大学学报(信息科学版).2019

[3].李享元,谢水清,罗剑堃,朱学慧.叁维梯度矢量瞬变电磁仪的建模及其仪器研制[J].测控技术.2019

[4].卜晓燕.基于圆形能量约束的改进梯度矢量卷积活动轮廓模型的红外图像分割[C].Proceedingsof20183rdInternationalConferenceonIndustrialElectronicsandApplications(IEA2018).2018

[5].刘建军,王鹤,崔国宇,张谦,王峥.一种基于矢量电场的多电极电场梯度计算优化方法研究[J].电力系统保护与控制.2018

[6].陈孟.针对大图像的梯度矢量流快速计算方法研究[D].武汉大学.2018

[7].许贤泽,陈孟,徐逢秋.结合离散正余弦变换的快速梯度矢量流算法[J].华中科技大学学报(自然科学版).2018

[8].胡琴芳.基于谱共轭梯度法的矢量场层析成像方法研究[D].哈尔滨工业大学.2017

[9].卜晓燕.基于自适应权重函数梯度矢量流活动轮廓模型的红外图像分割[C].Proceedingsof20174thInternationalConferenceonPowerandEnergySystems(PES2017).2017

[10].张宝一,蒙菲,杨莉,王丽芳,吴湘滨.顾及梯度矢量的高斯混合模型在叁维属性场空间聚类中的应用[C].2017中国地球科学联合学术年会论文集(五十)——专题104:深部矿产资源评价理论方法、专题105:中国“叁稀”矿产资源分布与成因.2017

标签:;  ;  ;  ;  

梯度矢量论文-所俊
下载Doc文档

猜你喜欢