基于体验式购物下的商业建筑人流动线研究——以昆明同德广场为例

在信息时代下,互联网越来越普及,网上购物逐渐成为了主流的消费方式,这对传统的实体商业模式造成了前所未有的巨大的冲击。规模庞大、功能丰富多元化的大型体验式商业建筑成为了实体商业发展的必然趋势。当商业建筑的区位与出入口等条件确定后,内部人流动线就成为了商业建筑能否运营成功的关键性因素。所以设计出合理的人流动线对商业建筑的运营发展具有十分重要的意义。文章将采用实地调研的方法,并结合昆明同德广场实例分析,对商业人流动线的设计进行探索和研究。     

吴良镛:凝固音乐的指挥大师

自古江南多才子.浪漫而多情的秦淮河不仅有让人流连忘返的浆声灯影、画船萧鼓,还哺育出了众多的文人雅士.两院院士吴良镛先生就是从这块人杰地灵之地走出的才俊.     

对城市道路交通的思考

本文通过对目前我国城市道路现状及存在问题进行分析,针对随着人们生活水平提高而使车辆增多对道路有更高要求的现状,提出了几种缓解道路交通压力的措施.     

一种基于视频的车站人群密度估计算法

提出了一种基于视频的车站人群密度检测算法。该算法能标记出无人活动区域和有人活动区域,在检测人群密度方面只计算有人活动区域,可降低计算复杂度,为人群密度检测的实时性奠定了基础;在计算人流密度时,考虑到了摄像头画面出现黑屏、雪花和移位的现象,从整体上提高了人群密度检测的准确率;通过对有人运动区域的连通域内像素数与有人区域的像素点数的比值计算人群整体密度值,计算复杂度低且衡量人群整体密度的精确度较高。此方法尤其适用于机场、地铁、车站等场景模型下人群密度的实时场景监测。     

基于多尺度残差视觉信息融合的牧场牛只数量估计方法

由于牧场牛只分布不均以及尺度变化大,传统的目标计数算法在畜牧领域计数精度不高,且用于研究的牛只数据集较少。针对这些问题创建了一个用于牛只密度估计的数据集,并提出了一种基于多尺度残差视觉信息融合的牧场牛只数量估计方法。该方法利用多个并列且空洞率不同的空洞卷积提取牛只目标的多尺度特征,并将残差结构与小空洞率卷积相结合,设计出更适合牛只活体计数的深度神经网络,从而缓解了由空洞卷积带来的“网格效应”的影响,同时能更好地适应牛只的多尺度变化。在牛只密度数据集中,该方法取得了最低的平均绝对误差（MAE）和均方根误差（RMSE）。此外,在密集人群数据集中,该方法的MAE和RMSE也属于最优或次优结果。实验结果表明,该方法不仅适用于牛只场景的数量估计,在人群密度估计中也有较高的准确性和鲁棒性。     

基于概率密度逼近的无监督特征排序*

依据概率密度逼近提出了一种新的无监督特征排序,应用于特征选择降维.实验证明,这种方法与一些现有的方法相比,更为有效.     

基于阈值分割的松材线虫病树计数与定位

松材病虫病是最紧迫的威胁之一,最近对中国针叶林造成了严重破坏,为了阻止松材病虫病的快速传播,必须在早期准确检测和计数受感染的树木。提出了一种基于密度图的方法,用于从高分辨率航拍图像中估计具有松材病虫病的树木数量,方法引入了阈值分割、形态处理和超像素技术,以最大限度地减少由于建筑物和岩石等相似背景物体引起的误差。实验表明,所提出的方法优于密度学习 算法,平均绝对误差、均方根误差和绝对误差方差分别从21.3、22.2和127.2减少到8.0、11.7和59.6,计数准确率从54.7%提高到81.3%。     

MMCKDE:基于数据流的m-混合聚类核概率密度估计

数据流挖掘应用对时间、空间有着较高的要求,因而传统的密度估计方法,如核密度估计法、压缩集密度估计法等并不适用于数据流密度估计.提出一种新颖的面向在线数据流的m-混合聚类核密度估计(m-mixed clustering kernel density estimation,MMCKDE)方法,该方法通过创建MMCKDE节点,用固定个数的混合聚类核获得聚类信息,以代替其他密度估计方法中的所有核.针对数据量不断增加的情况,通过计算Kullback Leibler(KL)距离进行核合并,可进一步以更紧凑的形式表示概率密度估计信息.较之于其他一些方法只能估计整段数据流的密度,MMCKDE方法最终获得的模型不仅适用于整段数据流,还适用于任意时间段上的密度估计.MMCKDE算法同SOMKE算法在不同基准数据集及真实数据集上进行密度估计精度和运行时间的比较.实验结果表明,MMCKDE算法具有更好的性能.     

道路网约束下的城市事件空间点模式分析

为对城市管理的资源分配提供有效的决策支持, 基于道路网约束下的核密度估计和K函数方法, 对城市事件的一阶和二阶空间分布特性进行分析, 并与平面空间点模式分析结果进行对比。实验结果表明, 相比平面空间点模式分析方法, 道路网约束下的核密度估计提取的“热点”路段可直观地体现事件沿道路网的分布情况, 而道路网约束下的K函数能真实地反映出事件在不同空间尺度下的聚集程度。     

基于概率神经网络的人群密度估计

研究图像在频域中的纹理特性,实现了在频域中的人群密度估计.首先,对视频的每一帧进行离散余弦变换(DCT),将视频图像的空域性质转化到频域中;其次,统计分析视频图像DCT变换矩阵的纹理特性,提取能描述不同密度等级的纹理描述子作为特征向量;最后,用提取出的特征向量训练概率神经网络,并进行人群密度等级估计.实验表明,该方法可以很好地进行密度估计,获得了较高识别效率.