活动多实例

活动多实例（共3篇）

活动多实例 篇1

一、引言

Java是一种面向对象的高级编程语言, 利用JDK提供的网络编程包, 输入输出流及多线程技术, 可以实现多种模式的网络通信。其中基于TCP协议的网络通信是一种非常普遍的通信模式。下面就结合三个实例, 分析如何实现基于TCP协议的多客户/服务器网络通信。

二、逐步实现多客户/服务器通信系统

1、实例1最简易的服务器与客户端通信

服务器端程序运行首先创建一个Server Socket对象, 并且利用该对象的accept () 方法创建一个监听服务随时监听客户端的TCP连接请求, 一旦收到请求, 立即生成一个Socket对象。

客户端程序运行首先使用指定的端口号创建一个Socket对象并发送连接请求, 服务器在捕获到客户端请求时根据该端口号来完成连接服务。

双方Socket对象都创建并连接成功之后, 就相当于在服务器与客户端之间建立好一条可自由通信的虚拟线路。通信完成后, 双方的应用程序断开连接并释放所占系统资源。工作流程如图1:

(1) 服务器程序 (Server.java) 采用图形用户界面实现, 创建一个按钮, 添加本类对象作为按钮的监听器, 单击该按钮开始监听客户端请求, action Performed方法实现代码如下:

40public void action Performed (Action Event e) {try{server=new Server Socket (Integer.parse Int (j F1.get Text () ) ) ;

//创建Server Socket, 打开服务器端口

j T1.append (“系统提示:聊天服务器系统开始启动...n”) ;//显示提示信息

}catch (IOException e1) {…}//异常处理if (server!=null) {

try{socket=server.accept () ;}//等待客户端连接请求, 一旦收到请求便创建服务器Socket

catch (IOException e2) {…}try{c i n=n e w B u f f e r e d R e a d e r (n e w Input Stream Reader (socket.get Input Stream () ) ) ;//创建输入流

c o u t=n e w P r i n t S t r e a m (s o c k e t.get Output Stream () ) ;//创建输出流

String str=cin.read Line () ;//读取客户端发送的信息

j T 1.a p p e n d ("从客户端读入如下的信息:"+str+"n") ;//显示客户端发送的信息}

catch (IOException e3) {…}}}

(2) 客户端程序 (Client.java) 创建两个按钮, 分别添加本类对象作为按钮的监听器。单击按钮1, 首先获得服务器IP及客户端指定的端口号, 创建客户端Socket, 并发送连接请求, 一旦连接成功, 便创建客户端Socket的输入/输出流, 向服务器发送信息;单击按钮2, 首先获取客户端输入的文本, 如果输入为“QUIT”则关闭客户端Socket, 停止发送数据, 否则向服务器发送信息, 代码略。

2、实例2利用通信线程实现多信息交互

以上服务器程序只执行一次读入语句因此只能接收一条信息, 程序运行到cin.read Line () 时等待Socket端口信息读入, 将处于“假死”状态。实际上客户端发送信息次数未知, 为了实现多信息的接收, 可以用while (true) 使服务器处于永远等待的状态, 但程序将永远处于“假死”状态。为了解决此问题, 采用线程技术让服务器在不停等待读Socket端口信息的同时, 原来的程序按预定方式继续运行。

将以上服务器程序作如下修改:1) 在Server类中添加一个内部类Read Message Thread作为通信线程类, 服务器端与客户端连接成功后启动该线程, 实现双方自由通信;2) 读客户端信息程序段作相应更改。工作流程如图2:

(1) 通信线程类Read Message Thread代码如下:class Read Message Thread extends Thread{public void run () {String str="";n.read Line () ;}catc

while (true) {//该线程服务器永远等待信息接收

try{str=cin.read Line () ;}catch (IOException e) {…}

if (str.equals ("QUIT") ) {try{socket.close () ;

j T1.append (“客户停止发送数据, 服务器关闭连接。n”) ;}

catch (IOException e) {…}

break;}//如果接收到QUIT, 则关闭服务器Socket

else j T1.append (“从客户端读入如下的信息:”+str+”n”) ;}}}

(2) 读客户端信息程序段 (下划线部分) 修改如下:

R e a d M e s s a g e T h r e a d r e a d=n e w Read Message Thread () ;//创建通信线程类

read.start () ;//启动通信线程

3、实例3基于TCP协议的多客户/服务器通信

服务器程序实现到这里已经能与客户端自由通信, 但只能与一个客户端通信, 因为服务器端口打开后, server Socket.accept () 只被运行了一次。要实现多个客户与服务器之间的自由通信, 就得让服务器端Socket与每个客户端Socket建立各自的虚拟线路, 即让“等待连接---建立连接---接收信息”程序段重复运行而又互不影响, 所以只能采用多线程技术来实现。

将实例2中服务器程序作如下修改:1) 在Serve类中添加一个内部类Connect Socket作为监听线程类, 启动该线程让服务器永远处于对客户端请求的监听状态, 只要有一个客户端请求便生成与之对应的服务器Socket, 建立与该客户端的连接, 紧接着启动该连接的通信线程;2) 对通信线程类Read Message Thread作修改, 因为构造当前连接的通信线程需要当前的服务器Socket对象作为参数;3) action Performed方法作相应修改。工作流程如图3:

(1) 监听线程Connect Socket类代码如下:

class Connect Socket extends Thread{public void run ()

{while (true) {//服务器永远监听客户端连接请求

try{socket=server.accept () ;}//一旦有客户端请求, 便创建该客户端对应的服务器Socket, 建立连接

catch (IOException ee) {…}

if (socket!=null) {Read Message Thread read=new Read Message Thread (socket) ;

//一旦服务器Socket生成并连接成功, 便将Socket作为参数构造当前该连接的通信线程

read.start () ;//启动通信线程}}}}

(2) Read Message Thread类修改后代码如下:

class Read Message Thread extends Thread{Socket socket;Read Message Thread (Socket socket) {

this.socket=socket;//构造函数, 使用当前连接的服务器Socket初始化通信线程的Socket

try{…}//创建Socket的输入/输出流

catch (IOException e) {…}}public void run ()

{…//run () 方法代码不变, 实现当前连接的自由通信}}

(3) action Performed方法修改如下:

public void action Performed (Action Event e) {…//打开服务器端口程序段不变if (server!=null) {

Connect Socket cos=new Connect Socket () ;//创建监听线程

cos.start () ;//启动监听线程}

三、总结

本文通过三个实例, 分析如何运用多线程技术逐步实现多客户/服务器通信。这个程序还可以扩展, 比如在客户端之间添加UDP通信可以实现多个客户端之间通信;如能加上文件的读写便可实现文件传送;如果加上数据库的读写, 就能保存通信数据, 这就是常见的 (如QQ) 网络聊天通信模式。

参考文献

[1]聂哲、袁梅冷、杨淑萍:《Java面向对象程序设计》[M].北京:高等教育出版社, 2005.[1]聂哲、袁梅冷、杨淑萍:《Java面向对象程序设计》[M].北京:高等教育出版社, 2005.

[2]钱立、张勇:《Java多线程技术实现网络通信探析》[J].四川职业技术学院学报, 2007 (5) .[2]钱立、张勇:《Java多线程技术实现网络通信探析》[J].四川职业技术学院学报, 2007 (5) .

活动多实例 篇2

提供了一种用于运动识别的聚类特征融合方法和装置，所述方法包括：将从被采集者的加速度信号中提取的时频域特征集的子集内的时频域特征表示成以聚类中心为基向量的线性方程组；通过求解线性方程组来确定每组聚类中心基向量的系数；使用聚类中心基向量的系数计算聚类中心基向量对子集的方差贡献率；基于方差贡献率计算子集的聚类中心的融合权重；以及基于融合权重来获得融合后的时频域特征集。

加速度信号 时频域特征

以聚类中心为基向量的线性方程组 基向量的系数 方差贡献率 融合权重

基于特征组合的步态行为识别方法

本发明公开了一种基于特征组合的步态行为识别方法，包括以下步骤：通过加速度传感器获取用户在行为状态下身体的运动加速度信息；从上述运动加速度信息中计算各轴的峰值、频率、步态周期和四分位差及不同轴之间的互相关系数；采用聚合法选取参数组成特征向量；以样本集和步态加速度信号的特征向量作为训练集，对分类器进行训练，使的分类器具有分类步态行为的能力；将待识别的步态加速度信号的所有特征向量输入到训练后的分类器中，并分别赋予所属类别，统计所有特征向量的所属类别，并将出现次数最多的类别赋予待识别的步态加速度信号。实现简化计算过程，降低特征向量的维数并具有良好的有效性的目的。

传感器

—> 加速度信息

–> 峰值、频率、步态周期、四分位、相关系数-聚合法-特征向量

样本及和步态加速度信号的特征向量 作为训练集 分类器具有分类步态行为的能力

基于贝叶斯网络的核心网故障诊断方法及系统

本发明公开了一种基于贝叶斯网络的核心网故障诊断方法及系统，该方法从核心网的故障受理中心采集包含有告警信息和故障类型的原始数据并生成样本数据，之后存储到后备训练数据集中进行积累，达到设定的阈值后放入训练数据集中；运用贝叶斯网络算法对训练数据集中的样本数据进行计算，构造贝叶斯网络分类器；从核心网的网络管理系统采集含有告警信息的原始数据，经贝叶斯网络分类器计算获得告警信息对应的故障类型。本发明，利用贝叶斯网络分类器构建故障诊断系统，实现了对错综复杂的核心网故障进行智能化的系统诊断功能，提高了诊断的准确性和灵活性，并且该系统构建于网络管理系统之上，易于实施，对核心网综合信息处理具有广泛的适应性。

告警信息和故障类型 训练集

—>贝叶斯网络分类器

—>训练(由告警信息获得对应的故障类型)

一种MapReduce并行化大数据文本分类方法

一种MapReduce并行化大数据文本分类方法，包括如下步骤：第一步：建立用于文本分类的基准测试数据集，进行数据预处理，包括分词、去停用词、词根还原；将该基准测试数据集随机划分为训练文本和测试文本，将所述基准测试数据集采用向量空间模型建立文本表示模型；第二步：根据上述文本表示模型采用CDMT对所述基准测试数据集进行特征选择；第三步：采用贝叶斯分类器对所述基准测试数据集进行训练学习，得到分类结果。本发明提供一种分类性能良好、区分度较高的MapReduce并行化大数据文本分类方法。

文本分类的基准测试数据集

数据预处理：分词、去停用词、词根还原 训练文本和测试文本 向量模型建立文本表示模型 CDMT对基准进行特征选择 贝叶斯分类器

分类结果

基于贝叶斯分类器的股票中长期趋势预测方法及系统

本发明涉及一种基于贝叶斯分类器的股票中长期趋势预测方法，包括：股票数据的选取，确定各个起始点及区间长度dj；划分区间，计算出历史数据区间斜率；对历史数据区间斜率进行学习并对置信度判断区间进行预测，得到以置信度判断区间起始点为起点的多个交易日的股票均价；计算置信度，将置信度与预先设定好的阈值进行比较；预测未来区间斜率,将未来区间斜率转化得到以预测区间起始点为起点的多个交易日的股票均价；将以预测区间起始点为起点的多个交易日的股票均价的涨跌进行归一化，得到股票的涨跌值；构建股票池。本发明避免了产生累积误差，展现出了在预测区间内的股票趋势变化，更好地捕捉了股市波动变化趋势，更加有效地评估了交易风险。

股票数据选取

—>确定各个起始点及区间长度--->区间斜率

-学习并置信度区间测试-股票均价-置信度

-预先设定好的阈值比较

一种数据分类的方法及装置

本发明提供了一种数据分类的方法及装置，该方法包括：预先设置多个数据的标识；根据样本数据确定每一种标识对应的分类规则；按组获取待标识的数据；将所述每组待标识的数据遍历所有分类规则；计算每种所述分类规则匹配的当前组中待标识的数据的匹配个数；确定匹配个数最大的分类规则对应的标识为当前组待标识的数据的标识。通过本发明提供的一种数据分类的方法及装置，能够提高标识数据的效率。

多数据的标识

—>确定每种标识的分类规则 —>待标识数据遍历分类规则

—>计算每种分类规则匹配当前组中标识的数据匹配个数

-确定匹配个数最大的分类规则对应的标识为当前组待标识的数据的标识。

一种移动自组网路由节点行为预测方法

本发明给出一种移动自组网路由节点行为预测方法，该方法首先选择合适的移动自组路由属性，设置模糊邻近关系，然后根据此原则对记录进行分类，最后使用贝叶斯分类器进行预测，评估路由节点的行为。本发明的目的是提供一种移动自组网路由节点行为预测方法，解决移动自组网路由节点行为预测问题，建立一种基于贝叶斯的预测方法，通过现有的数据分析，对移动自组网路由节点行为进行预测，提高移动自组网的运行效率。

移动自组路由属性 —>设置模糊邻近关系

—>然后根据此原则对记录进行分类 —>贝叶斯预测

一种基于改进贝叶斯算法的安卓恶意软件检测方法

本发明给出了一种基于改进贝叶斯算法的安卓恶意软件检测的方法，通过改进贝叶斯算法对安卓恶意程序和良性程序的特征属性进行分析和分类，实现一种基于改进贝叶斯算法的恶意软件检测方法，从应用程序权限申请的角度出发，判断分析是否为恶意软件。该方法是利用安卓权限请求机制中权限请求标签作为检测的数据源。在此提出利用权限请求标签组合方式用于区分恶意软件和良性软件，利用改进的贝叶斯算法做出检测模型，改进的贝叶斯体现在其对数据源的属性之间的考虑了相互的独立性，这样再利用朴素贝叶斯分类器进行数据建模，大大提高了检测指标，提高了检测的正确率，以及减少了误报率。

利用权限请求标签作为检测标准

权限请求标签组合方式区分 恶意软件和良性软件 贝叶斯算法检测 朴素贝叶斯分类器建模

微博分类方法及装置

本发明公开了一种微博分类方法及装置。该方法包括：步骤1，对训练语料集合进行预处理，对预处理后的训练语料进行分词，获取候选特征，并对候选特征进行权重计算，根据权重计算结果进行特征选择，获取最终的分类特征；步骤2，根据最终的分类特征，采用贝叶斯分类器进行模型训练，获取分类模型；步骤3，采用贝叶斯分类器根据分类模型对微博文档进行分类。借助于本发明的技术方案，提高了分类的召回率与准确率。

训练语料集合 预处理 

一种城市轨道交通客流高峰持续时间预测方法

本发明公开了一种城市轨道交通客流高峰持续时间预测方法，包括以下步骤：首先选择足够样本量的历史客流数据，然后对原始数据进行处理，处理过程包括流量统计、高峰时间计算、数据清洗、数据区间分类，接着建立关联客流高峰事件属性集，接着计算每一个区间的客流高峰事件的概率分布，再使用贝叶斯分类的方法确定属性分类界限，最后对每一类客流高峰事件建立时间序列模型，并对方法的有效性进行检验。本发明可用于预测城市轨道交通常发和突发的客流高峰事件的持续时间，为轨道交通企业的客流高峰管理提供数据支持，能缓解通行能力浪费和服务水平降低的矛盾，跟随轨道交通客流的变化。

原始数据—（流量统计、高峰时间计算、数据清晰、数据区间分类）--关联客流高峰事件属性集 – 概率分布 – 贝叶斯分类—时间序列模型

一种基于Android平台的入侵检测系统

本发明公开了一种基于Android平台的入侵检测系统，主要由三部分组成，即数据提取模块、数据分析引擎和响应处理模块；其中数据提取模块主要是对Android系统手机的主体活动信息进行特征提取；数据分析引擎是利用检测算法对提取和整理的数据进行分析，判断是否存在入侵行为或者异常行为；响应处理模块则根据数据分析引擎的分析结果执行相应的处理操作；该入侵检测系统通过对手机的资源使用情况、进程信息和网络流量实时监控，并使用贝叶斯分类器算法判断系统是否被入侵，通过该入侵检测系统能够有效地检测Android手机的异常。

数据提取：特征提取 数据分析： 响应处理：

一种利用相关系数进行相关性分析的贝叶斯分类数据挖掘方法

公开了一种利用相关系数进行相关性分析的贝叶斯分类数据挖掘方法。初步选定一些可能与目标因子具有相关性的预测因子，对预测因子和目标因子进行模型训练，再对训练结果利用相关系数进行相关性分析，如果预测因子和目标因子相关性不大或者不相关，可以立即终止贝叶斯分类算法，不再进行后面的精度评估等步骤，以便用户保留有关预测因子，去掉无关预测因子或者重新选定预测因子；如果预测因子和目标因子相关性很大或者相关时，再在此基础上进行精度评估，评价贝叶斯分类算法的好坏。通过在分类模型的基础上进行相关性判断，不仅可以使分类预测结果更加可靠，而且可以节约资源，提高算法的效率。

预测因子和目标因子—模型训练 – 相关性分析

一种基于改进贝叶斯的轨道交通故障识别方法及系统

本发明公开了一种基于改进贝叶斯的轨道交通故障识别方法及系统。本方法为：1）根据交通设备的电路结构确定每一交通设备的各种故障模式及对应的监测量，并针对每一故障模式及对应的监测量建立一故障模型；2）根据故障模型识别出监测数据之间的父子关系，得到标准故障样本数据；3）利用标准故障样本数据，采用贝叶斯算法进行训练，得到故障识别模型；每一故障模式的故障识别模型中父节点的权重要大于子节点的权重；4）实时监测和采集交通设备的各种所述监测量，并记录其时序；5）利用故障识别模型对数据进行识别，确定出对应的故障。本发明提高了故障识别的准确率，缩短故障修复时间，设备可故障自诊断，从运维和设备两方面保障行车安全。

一种基于朴素贝叶斯分类器的假指纹检测方法

一种基于朴素贝叶斯分类器的假指纹检测方法，包括以下步骤：1）训练库划分；2）图像归一化；3）特征提取；3.1）离散小波变换；3.2）去噪；3.3）小波重构；3.4）噪声图估计；3.5）标准差图计算；3.6）划分标准差图，统计得到图像的特征；4）特征划分；5）分类器训练；6）分类器性能评估；7）分类器融合：利用朴素贝叶斯分类器构造的方法，融合得到新的分类器。本发明对单个分类器性能要求不高，但分类器融合后的效果却可以非常好。

一种基于主题网络爬虫的搜索方法及装置

本发明公开了一种基于主题网络爬虫的搜索方法及装置，所述方法包括：从与给定搜索主题相关的网页地址集中提取一个网页地址；获取所述网页地址对应的有效网页；对所述有效网页进行分析，得到有效网页内容；计算所述有效网页与搜索主题在语义上的相关度，即立即价值，并将符合预设条件的有效网页及包含的网页链接添加到页面数据库；对于不符合预设条件的有效网页，计算网页链接相对于所述搜索主题的链接价值，即未来回报价值，并将符合条件的网页链接添加到网页地址集中。本发明实施例通过计算不满足条件的网页链接的未来回报价值，来预测主题网络爬虫的搜索方向，从而避免了主题网络爬虫对无关网页的抓取，提高了主题网络爬虫抓取网页的准确性。

一种软件需求分析量化方法及系统//预计分析工单处理时长

一种软件需求分析量化方法及系统，包括：样本获取模块以基本过程为分类对象，获取分类器的样本，每一样本中，待分类项的特征属性值根据历史数据中一基本过程的特征属性的取值确定，输出类别根据历史数据中该基本过程的开发时间确定；分类器生成模块利用获取的样本作为训练样本训练分类器模型，生成分类器；分类模块在确定软件需求划分成的基本过程的各项特征属性取值后，利用所述分类器进行分类，得到相应的输出类别即开发时间。本发明利用历史数据生成分类器，并引入功能点所属模块类型的特征,可以更为准确地估算软件开发时间，对量化软件开发过程，控制软件生命周期有良好效果。

基于分布式多级聚类的话题检测装置及方法

本发明公开了一种基于分布式多级聚类的话题检测装置及方法，该装置主要包括新闻采集模块、新闻分类模块、话题检测模块和话题整合模块以及话题展示模块；该方法包括：题检测方法，其特征在于，该方法包括：A、对新闻进行采集的步骤；B、对所述新采集的新闻进行分类的步骤；C、对各频道并行地进行多级聚类的步骤；D、计算所有话题的热度，筛选出全系统内的热点话题和每个频道内的热点话题。采用本发明，能够解决在互联网环境中大量文档快速更新的条件下，话题检测面临的检测效果与时间开销的尖锐矛盾。

一种基于协同训练的垃圾邮件过滤方法和装置 本发明实施例提供了一种基于协同训练的垃圾邮件过滤方法和装置，方法包括：输入待过滤的邮件集合；根据邮件集合得到每个样本的特征向量，其中一个样本对应一封邮件；将每个样本的特征向量划分为第一特征向量子集和第二特征向量子集，第一特征向量子集中的特征来源于邮件头信息，第二特征向量子集中的特征来源于邮件内容信息；将第一特征向量子集和第二特征向量子集分别作为每个样本的第一视角和第二视角；利用第一视角和第二视角进行基于贝叶斯分类器的协同训练得到最终的第一分类器和第二分类器；根据第一分类器和第二分类器对垃圾邮件进行分类过滤。本发明实施例可以在样例较少的情况下更加有效地对大规模数据进行分类预测和过滤。

待过滤邮件集合每个样本的特征向量—>2个特征子集（头和内容）2个视角—>利用NB得到两个分类器过滤

场景分类器模型分析报告

目的

利用朴素贝叶斯分类器建立故障工单范围内，区分有效和无效工单。

业务分析

模式提取分析，预处理，算法输入和参数设置，输出，解释说明

术语说明

数据采集

数据预处理

算法步骤

SPSS验证和结果解释

问题

活动多实例 篇3

多波束测深系统将传统的测深技术从原来的点、线扩展到面, 能够对所测水域进行全覆盖、高精度测量[1,2,3]。Sonic 2024多波束测深系统是目前市场上主流的测深设备, 较其他类型多波束优势在于超高分辨率和准确度, 且波束具有导向性[5]。文章结合实际工作中航道扫测的项目, 详述了多波束系统中各传感器的性能指标、多波束系统的安装与校准以及多波束数据后处理的基本流程, 最后通过CARIS HIPS生成水下地形的三维图像。

2 主要仪器性能指标

2.1 多波束测深仪

Sonic 2024是美国R2Sonic公司生产的基于第五代声呐结构的高精度多波束测深仪。工作频率为200-400k Hz (可调) , 波束宽度为1°×0.5°@400k Hz, 波束数目为256个, 扇形条带开角为10°-160°, 测深最大量程为500m, 脉冲宽度为17μS-500μS, 功率为191-2211d B, 测深分辨率为1.25cm。

2.2 光纤罗经及姿态传感器设备

法国i XSEA公司生产的OCTANS光纤罗经和运动传感器是世界上唯一经IMO认证的测量级罗经。它内置有自适应升沉预测滤波器, 在任何情况下, 均能实时提供精确可靠的运动姿态数据。OCTANS航向稳定时间小于5min, 航向精度为0.1°×Secant纬度, Roll/Pitch动态精度为0.01°, Heave精度为5cm或5%。

2.3 定位设备

Trimble SPS361型信标机是世界GPS知名公司Trimble的高精度的定位设备, 支持接收MSK信标差分信号, 可提供亚米级定位精度, 广泛应用于海洋测量、港口工程等各个领域, 水平定位精度优于1米。

3 多波束安装与校准

3.1 多波束系统安装

多波束换能器采用侧舷安装方法安装于测量船舶的左舷, 并以多波束换能器安装杆与海水面交点作为参考点建立船体坐标系, 定义船右舷方向为X轴正方向, 船头方向为Y轴正方向, 垂直向下为Z轴正方向[6], 量取各传感器相对于参考点的位置, 往返各测量一次, 取其平均值。

3.2 多波束系统校准

多波束系统的校准需要选择具有一定地形特征的合适区域做校准测量, 本次选取垂直于航道的两条测线作为多波束校准的测线。由于Sonic 2024多波束系统具有PPS功能, 能够实现GPS UTC时间和电脑时间的同步, 故时间延时 (Latency) 为0[4]。因此, 本次测量仅需进行横摇、纵摇和艏摇校准。

(1) 横摇 (Roll) 校准。通过海底平坦海区同线同速反向的条带断面测量数据测定横摇 (Roll) 偏差数据。

(2) 纵摇 (Pitch) 校准。通过水深变化大的海区同线同速反向的中央波束测量数据测定纵摇 (Pitch) 偏差数据。

(3) 艏摇 (Yaw) 校准。通过水深变化大的海区异线 (间距为覆盖宽度的2/3的两条测线) 同速同向的边缘波束测量数据测定艏摇 (Yaw) 偏差数据。

4 数据处理与比对

多波束测量结束后使用CARIS HIPS软件进行水深后处理, 后处理顺序为:定位数据检查-姿态数据检查-声速改正-线模式编辑-潮位改正-合并数据-面模式编辑数据处理等, 生成水下地形三维效果图, 如图1所示, 使用CARIS GIS软件对水深数据进行抽稀, 并按照5mm间隔生成水深文件*.txt, 最后根据项目要求绘制测区1:1000比例尺的水深图。

5 结束语

通过Sonic 2024多波束测深系统水下地形扫测的工程实例, 详述了各种传感器的性能指标、多波束系统的安装与校准和多波束数据处理的基本流程, 通过水下地形三维图的生成, 较直观地验证了高精度和高密度的多波束数据可以分辨水下地形地貌的细微结构和变化, 这为对水深测量有较高要求的水下工程以及研究海底地形地貌的变化问题等提供了有力的手段。

参考文献

[1]赵建虎, 刘经南.多波束测深及图像数据处理[M].武汉:武汉大学出版社, 2008.

[2]李家彪, 等.多波束勘测原理技术与方法[M].北京:海洋出版社, 1999.

[3]赵建虎, 等.现代海洋测绘[M].武汉:武汉大学出版社, 2007.

[4]王闰成.多波束测深系统的安装校准[J].海洋测绘, 2003, 23 (1) .

[5]周兴华, 陈永奇, 等.长江口航道疏浚的多波束监测[J].海洋测绘, 2002, 22 (6) .