SAR已成为漏油监测的重要手段之一。 但是，溢油和相似点的特征是SAR图像上有黑点。 它们具有相似或相同的反向散射系数和灰度值，很容易产生混淆。 针对此问题，本文提出了一种深度学习模型-深度信念网络（DBN），该模型使用DBN来区分漏油，相似物和水。 在实验中，从三个SAR溢油图像中收集了900张图像，以形成一个小的样本空间数据集。 提取了诸如Tamura和灰度梯度共生矩阵之类的两种纹理特征，并选择了具有良好区分特征的特征向量作为模型的输入数据。 最后，将分类结果与传统的机器学习方法（BP，SVM）进行比较。 实验结果表明，本文提出的DBN模型在分类精度上优于这些分类器。

基于历史数据的计算机预测分析算法研究，姚文辉，李营，本文旨在研究一种对历史数据进行分析的预测算法，通过该算法可实现对未来结果的预测。本文以福彩双色球作为应用场景建立样本空间