【摘 要】
：
光纤形状传感技术能够测量姿态、取向、径迹以及位置等三维空间信息，在精准介入医疗、变体飞行器以及连续体机器人等领域具有广泛应用前景。光频域反射仪具有高空间分辨率和分布式测量等特点，相较于光纤光栅的波分复用技术，在提高形状传感空间分辨率、形状重构精度以及传感长度等方面具有明显优势。本文在阐明光频域反射仪分布式应变传感原理的基础上，建立了弯曲形变与应变以及光纤瑞利散射光谱波长漂移之间的物理关系，同时建立
论文部分内容阅读
光纤形状传感技术能够测量姿态、取向、径迹以及位置等三维空间信息，在精准介入医疗、变体飞行器以及连续体机器人等领域具有广泛应用前景。光频域反射仪具有高空间分辨率和分布式测量等特点，相较于光纤光栅的波分复用技术，在提高形状传感空间分辨率、形状重构精度以及传感长度等方面具有明显优势。本文在阐明光频域反射仪分布式应变传感原理的基础上，建立了弯曲形变与应变以及光纤瑞利散射光谱波长漂移之间的物理关系，同时建立了弯曲大小、弯曲方向以及挠率与空间曲线局域标架三个正交分量的数学关系，最后采用切向分量的线积分实现光纤三
其他文献
在对特征辨识度低的点云进行配准的过程中，传统的基于局部特征提取和匹配的方法通常精度不高，而基于全局特征匹配的方法精度和效率也难以保证。针对这一问题，提出一种改进的局部特征配准方法。在初步配准阶段，设计了一种基于法向量投影协方差分析的关键点提取方法，结合快速特征直方图(FPFH)对关键点进行特征描述，定义多重匹配条件对特征点进行筛选，最后将对应点的最近距离之和作为优化目标进行粗匹配；在精配准阶段，采
植被遥感信息提取是进行植被覆盖遥感调查和动态监测的基础和关键环节，对于区域生态环境保护与可持续发展具有重要意义。为此，从先验知识法、专家知识和相关辅助信息法、植被物候特征提取法、多源遥感数据融合法、机器学习法和其他方法6个方面，回顾国内外植被遥感信息提取方法的研究进展，指出现阶段研究面临的主要问题与挑战，并提出未来发展趋势。研究表明，植被遥感信息提取方法众多，研究成果丰富，不同方法具有各自的应用优
针对现有模型采用同步人工优化深度学习网络，忽略了网络学习的负面信息，导致大量冗余参数甚至过拟合，影响计数准确性的问题，提出了基于三列卷积神经网络的参数异步更新算法。首先将单帧图像输入网络，经过三列卷积分别提取不同尺度特征，通过列之间的交互信息学习每两列特征图的关联性，接着根据优化的交互信息及更新的损失函数异步更新每列参数直至模型收敛，最后采用动态卡尔曼滤波将每列输出密度图进行深度融合，并对融合的密
由于卷积神经网络(CNNs)大都侧重于全局特征学习，忽略了包含更多细节的局部特征信息，使得室内场景识别的准确率难以提高。针对这一问题，提出了基于改进全局-局部注意网络(GLANet)的室内场景识别方法。首先，利用GLANet捕捉场景图像的全局特征和局部特征，增加图像特征中的细节信息；然后，在局部网络中引入Nonlocal注意力模块，通过注意力图和特征图的卷积来进一步保留图像的细节特征，最后融合网络
针对光学成像设备景深有限、图像部分失焦的问题，提出一种基于非下剪切波变换(NSST)的改进双通道脉冲神经耦合网络(PCNN)融合算法。首先，该算法采用Lab颜色空间分割RGB图像的亮度分量和色度分量间的关联性得到亮度和色度通道子图；然后，亮度通道子图使用NSST重构，色度通道子图使用能量匹配融合；针对融合时阈值设置和点火量化产生的误差，提出改进双通道PCNN模型融合，并结合对比敏感度函数(CSF)
为了提高自动驾驶汽车环境感知的性能，增强单目相机对障碍物三维和边界信息的感知能力，提出了一种基于地面先验的3D目标检测算法。基于优化的中心网络(CenterNet)模型，以DLA(deep layer aggregation)为主干网络，增加目标3D边沿框中心点冗余信息预测。根据自动驾驶场景的地面先验信息，结合针孔相机模型，获取目标3D中心深度信息，以优化深度网络学习效果。使用KITTI 3D数据
长链非编码RNA(lncRNA)中的小开放阅读框(sORFs)能够编码长度不超过100个氨基酸的短肽。针对短肽预测研究中lncRNA中s ORFs特征不鲜明且高可信度数据尚不充分的问题，提出一种基于表示学习的深度森林模型。首先，使用常规lncRNA特征提取方法对s ORFs进行编码；其次，通过自动编码器进行表示学习获得更加有效的特征表示；最后，训练深度森林模型实现对lncRNA编码短肽的预测。实验
事件检测(ED)是信息抽取领域中最重要的任务之一，旨在识别文本中特定事件类型的实例。现有的事件检测方法通常采用邻接矩阵来表示句法依存关系，但是邻接矩阵往往需要借助图卷积网络（GCN）进行编码来获取句法信息，由此增加了模型的复杂度。为此，提出了融合句法信息的无触发词事件检测方法。通过将依赖父词及其上下文转换为位置标记向量，并在模型源端以无参数的方式融入依赖子词的单词嵌入来加强上下文的语义表征，而不需
遥感图像场景分类对土地资源管理具有重要意义,然而高分辨率遥感图像中地物分布复杂,图像中存在着与当前场景无关的冗余信息,会对场景的精确分类造成影响.针对该问题,提出一种基于脉冲卷积神经网络(Spike Convolutional Neural Network, SCNN)稀疏表征的场景分类方法.从稀疏表征出发,利用脉冲神经元的稀疏脉冲输出特性,设计脉冲卷积神经网络,去除遥感图像中与场景无关的冗余信息
高分辨率遥感图像分割在军事、民用等领域具有良好的应用前景，但由于复杂的背景条件以及干扰物的遮挡，导致现有算法无法较好地从遥感影像中提取道路细节信息。研究基于改进U-Net网络模型，提出了MDAU-Net(multi dimension attention U-Net)网络结构模型：通过对U-Net网络结构加深至七层结构来提升精细分割道路的能力；并提出了一种多维注意力模块MD-MECA(MultiD