针对运动车辆目标识别问题提出了一种自然场景下车辆识别方法。首先采用图像差分技术对目标车辆的显著特征进行统计学习, 并将学习所得目标局部特征以及图像进行编码, 根据以上两个信息实现目标车辆的显著性检测。其次针对车辆运动的复杂性, 采用分块投影匹配方法进行全局运动估计和补偿, 并利用差分技术进行运动特征检测。然后将目标车辆的显著性特征与运动特征进行融合, 从而获得更精确的候选目标区域。最后对候选区域进一步使用视觉显著特征进行目标判别。实验表明该方法具有较好的目标判别性能, 能较好地解决自然场景下运动车辆的识别问题。

选取随船观测的三亚地区2016-01-06至2016-01-09连续4天的折射率结构常数C2n及温度、风速、相对湿度三种常规气象参数, 基于后向传播神经网络和逐步回归理论, 分别建立两种模型并对C2n进行了连续3天的估算。结果显示, 两种模型估算的结果在变化趋势及量级上均符合近海面光学湍流的一般特征和变化规律, 并且可以表现出C2n的基本日变化特征, 整体相关系数分别为0.8661和0.8496。选取了平均绝对误差、平均相对误差、均方根方差以及相关系数等统计量来衡量估算结果。分析表明, 两种模型均能准确地估算出近海面的C2n, 但在夜间弱湍流发生时估算值略高于测量值。为进一步提高估算的准确度, 需要改进模式在夜间的估算效果。

为了进一步提高改进的渐进直推式支持向量机学习算法(IPTSVML)的速度，提出了一种结合K近邻法(KNN)的改进的渐进直推式支持向量机学习算法，利用KNN对无标签样本集进行删减，去掉对学习作用不大的无标签样本，再对有标签样本集和剩余的无标签样本集利用IPTSVML算法进行学习与分类。雷达实测数据实验结果表明该算法是有效的。