多点定位算法的研究论文

测绘工程论文参考文献

参考文献的著录格式是否规范反映作者论文写作经验和治学态度，下同时也是论文的重要构成部分，也是学术研究过程之中对于所涉及到的所有文献资料的总结与概括。以下是我精心整理的测绘工程论文参考文献，欢迎大家借鉴与参考，希望对大家有所帮助。

[1]于武盛，王守杰，吕锦有等.辽宁省地表水资源分布及成因分析[J].农业科技与装.2008.4(2):25-29

[2]李智慧，姜延辉，郁凌峰.辽宁省水资源时空分布特点及对策[J].东北水利水电.2011(11):30-34

[3]赵秀风，弓丨水隧洞洞内消能问题的研究[D]:(硕士学位论文).郑州：华北水电学院，2006.

[4]袁丹青，陈向阳,白滨等.水力机械空化空蚀问题的研究进展[J]#灌机械,2009.7(27)：269-272

[5]肖富仁，苏玮，消能工的发展及其在工程中旳应用[J].水电站设计，1991.7(1):63-69.

[6]李超，管道内部锥阀水流水力特性及消能研究[D]:(硕士学位论文).西安：西安理工大学，2008.

[7]王才欢，肖兴斌，底流消能设计研究与应用现状述评[J].四川水力发电,2000.1(1):79-85.

[8]张慧丽,王爱华,张力春,底流消能及其在工程上的应用[J].黑龙江水利科技.2009.2:82

[9]方神光，吴保生，南水北调中线干渠闸前变水位运行方式探讨[J].水动力学研究与进展，2009.9633-639.

[10]李冰，变水头无压输水隧洞洞内消能和稳定输水研究[D]：(硕士学位论文).郑州.华北水电学院，2007.5.

[11]武汉水利电力学院水力学教研室.水力计算手册[M].水利出版社，1980.

[12]SL20~92.水工建筑物测流规范[S].中国：水利电力出版社，1992.

[13]赵昕，赵明登等，水力学[M],北京：中国电力出版社，2009.

[14]刘亚坤等.水力学[M],北京：中国水利水电出版社，2008.

[15]李桂芬.水工水力学研究进展与展望[J].中国水利水电科学研究院学报，2008.9(3)：183-189

[16]左东启等.模型试验的理论和方法[M],北京：水利电力出版社，1988.

[17]SL155—95.水工(常规)模型试验规程[S].中国：水利水电出版社，1995.

[18]中国水利水电科学研究院，水工(专题)模型试验规范(SL156~165-95)[M],水利水电出版社.

[19]电力部水利部水利水电规划设计总院、华北水利水电学院北京研究生部陈肇和等人翻译，泄水建筑物水力计算手册[M],1993.11.

[20]刘士和.高速水流[M].北京：科学出版社，2005.

[21]水利水电科学研究院，南京水利科学研究院编，水工模型试验(第二版)[D],水利出版社，1985.

[1]黄杏元，马劲松，汤勤.地理信息系统概论[M].修订版.北京：高等教育出版社，1990：165-171.

[2]《第二次全国土地调查技术规程》，TD/T1014-2007.北京，中华人民共和国国土资源部，2007.

[3]陈泽民.中国矢量数据交换格式的应用研究[J].武汉大学学报信息科学版，2004，29(5)：451-455.

[4]吴文新，史文中.地理信息系统原理与算法[M].北京：科学出版社，2003，28-29.

[5]Kang-tsungChang著，陈建飞等译.地理信息系统导论[M].北京：科学出版社，2003，43-44.

[6]唐原彬，张丰，刘仁义.一种维护线状地物基本单元属性逻辑一致性的平差方法[J].武汉大学学报信息科学版，2011，36(7)：853-856.

[7]黄杏元，汤勤.地理信息系统概论[M].北京：高等教育出版社，1990：130-133.

[8]陈先伟，郭仁忠，闫浩文.土地利用数据库综合中图斑拓扑关系的创建和一致性维护[J].武汉大学报信息科学版，2005，30(4)：370-373.

[9]毋河海.关于GIS中缓冲区的建立问题[J].武汉测绘科技大学学报[J].1997，22(4)：358-364.

[10]张国辉，胡闻达，李慧智.基于GDI+的缓冲区建立及边界描述方法[J].测绘科学技术学报，2010，27(3)：292-232.

[11]冯花平，连文娟，卢新明.求缓冲区算法[J].山东大学学报自然科学版，2005，24(3)：57-59.

[12]张欣，陈国雄，钟耳顺.优化栅格细化算法的`线状地物提取[J].地球信息科学，2007，9(3)：25-27.

[13]潘瑜春，钟耳顺，刘巧芹.土地资源数据库中线状地物面积扣除技术研究[J].资源科学，2001，24(6):12-17.

[14]唐原彬，张丰，刘仁义.一种维护线状地物基本单元属性逻辑一致性的平差方法[J].武汉大学学报·信息科学版，2011，36(7):853-856.

[15]尹为华，刘盛庆.ARCGIS在地类面积统计中的应用[J].科技资讯，2012:29.

[16]刘洪江，曹玉香.基于ArcGIS实现地类图斑净面积的计算[J].城市勘测，2012(10)114-116.

[17]边馥苓.地理信息系统原理和方法[M].北京:测绘出版社，1996.

[18]任娜，张道军.基于空间推理及语义的图斑扣除线状地物面积关键算法及其在土地调查建库中的应用[J].安徽农业科学，39(35):22013-22016.

[19]计长飞.土地利用现状图的矢量化方法研究[J].测绘与空间地理信息，2011，34(4):159-163.

[20]马欣，吴绍洪，康相武.线状地物的区域影响模型及其在综合评价中的应用[J].地理科学进展，2007，26(1):87-94.

[1]韩绍伟.GPS组合观测值理论及应用.测绘学报，1995，21(2)：8-13.

[2]常青等.GPS载波相位组合观测值理论研究.航空学报，1998，5(19)：614-616.

[3]王泽民，柳景斌.Galileo卫星定位系统相位组合观测值的模型研究[J].武汉大学学报(信息科学版)，2003，28(6)：723-727.

[4]申俊飞，何海波，郭海荣，王爱兵.三频观测量线性组合在北斗导航中的应用[J].全球定位系统，2012，37(6)：690-695.

[5]中国卫星导航系统管理办公室.北斗卫星导航系统发展报告(2.0版)[R].2013，12：3-6.

[6]邢喆，王泽明，伍岳.利用模糊聚类方法筛选GPS载波相位组合观测值[J].武汉大学学报(信息科学版)，2006，31(1)：23-26.

[7]黄令勇，宋力杰，刘先冬.基于自适应聚类算法的GPS三频载波相位组合观测值优化选取[J].大地测量与地球动力学，2011，31(4)：99-102.

[8]高新波.模糊聚类分析及其应用[M].西安：西安电子科技大学出版社，2003.

[9]李征航，黄劲松.GPS测量与数据处理[M].武汉大学出版社，2008.

[10]熊伟，伍岳，孙振冰，王泽民.多频数据组合在周跳探测和修复上的应用[J].武汉大学学报(信息科学版)，2007，32(4)：319-322.

[11]伍岳.第二代导航卫星系统多频数据处理理论及应用[D].武汉大学，2005.

[12]楼晓俊，李隽颖，刘海涛.距离修正的模糊C均值聚类算法[J].计算机应用，2012，32(3)：646-648.

[13]徐军，陶庭叶，高飞.GLONASS三种载波频率组合值研究[J].大地测量与地球动力学，2013，33(1)：86-89.

[14]陶庭叶，高飞，李晓莉.一种高精度GPS卫星钟差预报方法[J].中国空间科学技术，2013-4：56-61.

[15]何伟，陶庭叶，王志平.基于改进FCM的北斗三频组合观测值选取[J].中国空间科学技术(已录用).

[16]何伟，李明，阚起源.抗差加权非等时距GM(1,1)模型在大型建筑物沉降预测中的应用[J].测绘工程，2014-3，34-37.

[17]徐军，陶庭叶，高飞，张京奎.基于GLONASS三频组合观测值的周跳探测与修复[J].大地测量与地球动力学，2013，33(6)：45-49.

[18]罗腾，白征东，过静珺.两种周跳探测方法在北斗三频中的应用比较研究[J].测绘通报，2011(4)：1-3.

[19]范建军，王飞雪，郭桂蓉.GPS三频非差观测数据周跳的自动探测与改正研究[J].测绘科学，2006，31(5)：24-26.

[20]刘旭春，伍岳，黄学斌等.多频组合数据在原始载波观测值预处理中的应用[J].测绘通报，2007(2)：14-17.

[21]梁开龙，张玉册.现代化GPS信号的宽巷组合及其求解模糊度研究.测绘通报，2002年第4期：l-3

[22]张成军，许其凤，李作虎.对伪距/相位组合量探测与修复周跳算法的改进[J].测绘学报，2009，38(4)：402-407.

[23]刘旭春，伍岳，张正禄.GPS三频数据在周跳和粗差探测与修复中的应用[J].煤炭学报，2006，31(5)：334-339.

[24]王帅，高井祥.利用三频组合观测值进行GPS周跳探测与修复[J].测绘科学，2012，37(5)：40-42.

论文名称：Rich feature hierarchies for accurate object detection and semantic segmentation 提出时间：2014年 论文地址： 针对问题： 从Alexnet提出后，作者等人思考如何利用卷积网络来完成检测任务，即输入一张图，实现图上目标的定位（目标在哪）和分类（目标是什么）两个目标，并最终完成了RCNN网络模型。 创新点： RCNN提出时，检测网络的执行思路还是脱胎于分类网络。也就是深度学习部分仅完成输入图像块的分类工作。那么对检测任务来说如何完成目标的定位呢，作者采用的是Selective Search候选区域提取算法，来获得当前输入图上可能包含目标的不同图像块，再将图像块裁剪到固定的尺寸输入CNN网络来进行当前图像块类别的判断。 参考博客： 。 论文题目：OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks 提出时间：2014年 论文地址： 针对问题： 该论文讨论了，CNN提取到的特征能够同时用于定位和分类两个任务。也就是在CNN提取到特征以后，在网络后端组织两组卷积或全连接层，一组用于实现定位，输出当前图像上目标的最小外接矩形框坐标，一组用于分类，输出当前图像上目标的类别信息。也是以此为起点，检测网络出现基础主干网络(backbone)+分类头或回归头（定位头）的网络设计模式雏形。 创新点： 在这篇论文中还有两个比较有意思的点，一是作者认为全连接层其实质实现的操作和1x1的卷积是类似的，而且用1x1的卷积核还可以避免FC对输入特征尺寸的限制，那用1x1卷积来替换FC层，是否可行呢？作者在测试时通过将全连接层替换为1x1卷积核证明是可行的；二是提出了offset max-pooling，也就是对池化层输入特征不能整除的情况，通过进行滑动池化并将不同的池化层传递给后续网络层来提高效果。另外作者在论文里提到他的用法是先基于主干网络+分类头训练，然后切换分类头为回归头，再训练回归头的参数，最终完成整个网络的训练。图像的输入作者采用的是直接在输入图上利用卷积核划窗。然后在指定的每个网络层上回归目标的尺度和空间位置。 参考博客： 论文题目：Scalable Object Detection using Deep Neural Networks 提出时间：2014年 论文地址： 针对问题： 既然CNN网络提取的特征可以直接用于检测任务（定位+分类），作者就尝试将目标框（可能包含目标的最小外包矩形框）提取任务放到CNN中进行。也就是直接通过网络完成输入图像上目标的定位工作。 创新点： 本文作者通过将物体检测问题定义为输出多个bounding box的回归问题. 同时每个bounding box会输出关于是否包含目标物体的置信度, 使得模型更加紧凑和高效。先通过聚类获得图像中可能有目标的位置聚类中心，（800个anchor box）然后学习预测不考虑目标类别的二分类网络，背景or前景。用到了多尺度下的检测。 参考博客： 论文题目：DeepBox: Learning Objectness with Convolutional Networks 提出时间：2015年ICCV 论文地址： 主要针对的问题： 本文完成的工作与第三篇类似，都是对目标框提取算法的优化方案，区别是本文首先采用自底而上的方案来提取图像上的疑似目标框，然后再利用CNN网络提取特征对目标框进行是否为前景区域的排序；而第三篇为直接利用CNN网络来回归图像上可能的目标位置。创新点： 本文作者想通过CNN学习输入图像的特征，从而实现对输入网络目标框是否为真实目标的情况进行计算，量化每个输入框的包含目标的可能性值。 参考博客： 论文题目：AttentionNet: AggregatingWeak Directions for Accurate Object Detection 提出时间：2015年ICCV 论文地址： 主要针对的问题： 对检测网络的实现方案进行思考，之前的执行策略是，先确定输入图像中可能包含目标位置的矩形框，再对每个矩形框进行分类和回归从而确定目标的准确位置，参考RCNN。那么能否直接利用回归的思路从图像的四个角点，逐渐得到目标的最小外接矩形框和类别呢？ 创新点： 通过从图像的四个角点，逐步迭代的方式，每次计算一个缩小的方向，并缩小指定的距离来使得逐渐逼近目标。作者还提出了针对多目标情况的处理方式。 参考博客： 论文题目：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 提出时间：2014年 论文地址： 针对问题： 如RCNN会将输入的目标图像块处理到同一尺寸再输入进CNN网络，在处理过程中就造成了图像块信息的损失。在实际的场景中，输入网络的目标尺寸很难统一，而网络最后的全连接层又要求输入的特征信息为统一维度的向量。作者就尝试进行不同尺寸CNN网络提取到的特征维度进行统一。创新点： 作者提出的SPPnet中，通过使用特征金字塔池化来使得最后的卷积层输出结果可以统一到全连接层需要的尺寸，在训练的时候，池化的操作还是通过滑动窗口完成的，池化的核宽高及步长通过当前层的特征图的宽高计算得到。原论文中的特征金字塔池化操作图示如下。 参考博客 ： 论文题目：Object detection via a multi-region & semantic segmentation-aware CNN model 提出时间：2015年 论文地址： 针对问题： 既然第三篇论文multibox算法提出了可以用CNN来实现输入图像中待检测目标的定位，本文作者就尝试增加一些训练时的方法技巧来提高CNN网络最终的定位精度。创新点： 作者通过对输入网络的region进行一定的处理（通过数据增强，使得网络利用目标周围的上下文信息得到更精准的目标框）来增加网络对目标回归框的精度。具体的处理方式包括：扩大输入目标的标签包围框、取输入目标的标签中包围框的一部分等并对不同区域分别回归位置，使得网络对目标的边界更加敏感。这种操作丰富了输入目标的多样性，从而提高了回归框的精度。 参考博客 ： 论文题目：Fast-RCNN 提出时间：2015年 论文地址： 针对问题： RCNN中的CNN每输入一个图像块就要执行一次前向计算，这显然是非常耗时的，那么如何优化这部分呢？ 创新点： 作者参考了SPPNet（第六篇论文），在网络中实现了ROIpooling来使得输入的图像块不用裁剪到统一尺寸，从而避免了输入的信息丢失。其次是将整张图输入网络得到特征图，再将原图上用Selective Search算法得到的目标框映射到特征图上，避免了特征的重复提取。 参考博客 ： 论文题目：DeepProposal: Hunting Objects by Cascading Deep Convolutional Layers 提出时间：2015年 论文地址： 主要针对的问题： 本文的作者观察到CNN可以提取到很棒的对输入图像进行表征的论文，作者尝试通过实验来对CNN网络不同层所产生的特征的作用和情况进行讨论和解析。 创新点： 作者在不同的激活层上以滑动窗口的方式生成了假设，并表明最终的卷积层可以以较高的查全率找到感兴趣的对象，但是由于特征图的粗糙性，定位性很差。相反，网络的第一层可以更好地定位感兴趣的对象，但召回率降低。 论文题目：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 提出时间：2015年NIPS 论文地址： 主要针对的问题： 由multibox（第三篇）和DeepBox（第四篇）等论文，我们知道，用CNN可以生成目标待检测框，并判定当前框为目标的概率，那能否将该模型整合到目标检测的模型中，从而实现真正输入端为图像，输出为最终检测结果的，全部依赖CNN完成的检测系统呢？ 创新点： 将当前输入图目标框提取整合到了检测网络中，依赖一个小的目标框提取网络RPN来替代Selective Search算法，从而实现真正的端到端检测算法。 参考博客 ：