某水库试验段区域地下水位动态特征与影响因素

研究某水库蓄水对区域地下水动态的影响,以期为水库后期建设以及区域水资源管理提供相关科学依据。通过建立水库试验段气象-地下水监测系统,运用M-K趋势分析法分析研究区地下水位动态特征,选用变异系数法分析地下水位的时空间变异特征,采用灰色关联度法揭示其主导影响因子。结果表明:水库试验段地下水位整体表现为上升趋势且具有明显的丰枯特征,升幅约为0.5～2.0m/a;试验段渗漏量与地下水位变化呈负相关关系,渗漏对地下水位的影响存在一定空间差异,即对东部地下水位的影响大于西部;西部地下水位的主导影响因子为降雨量,东部地下水位的主导影响因子为渗漏量和降雨量。     

华北中部平原地表水入渗试验 ——以南宫溹泸河为例

华北平原中部地区含水砂层颗粒细且薄,对地下水储蓄和地表水入渗不利。选择河道带进行地表水入渗试验,以获取最大地下储蓄空间,为该区水资源合理利用提供良策。试验区选在南宫溹泸河,人工引水1.5个月,获取大量监测数据,据此对地下水位和水量的变化特征、入渗量和地下水库调蓄能力进行研究,结果表明：干涸河道引水入渗,入渗比例可达80.54%;溹泸河上下游2个断面Ⅰ-Ⅰ′和Ⅱ-Ⅱ′河道垂向渗透速度为10.81 m/d和10.72 m/d;水平扩散速度为1.69 m/h和2.38 m/h。由于Ⅰ-Ⅰ′断面垂向渗透速度大于Ⅱ-Ⅱ′断面,而水平扩散速度小于Ⅱ-Ⅱ′断面,所以Ⅰ-Ⅰ′断面形成的水丘相比Ⅱ-Ⅱ′断面较为明显,且不易消散。计算结果显示,试验区调蓄库容为1.87亿m3。     

基于水化学和环境同位素的准格尔煤田地下水循环特征

为揭示准格尔煤田地区地下水循环特征,运用水化学技术、水汽轨迹模型和环境同位素等方法分析不同水体水化学特征、环境同位素特征、大气降水主要来源、地表水及地下水转化关系。结果表明:地表水矿化度低,呈弱碱-偏碱性,水化学类型以HCO_3·SO_4·Cl-Ca型水为主;地下水整体矿化度低,偏弱碱性,主要以HCO_3-Na·Ca型、Cl-Na型、HCO_3-Ca·Mg型、HCO_3·Cl-Na型水为主;黄河水δ(D)平均值为-79.6‰、δ(~(18)O)平均值为-10.47‰,第四系地下水δ(D)平均值为-66.25‰、δ(~(18)O)平均值为-9.1‰,白垩系地下水δ(D)值为-70.6‰、δ(~(18)O)值为-9.3‰,石炭-二叠系地下水δ(D)平均值为-77.07‰、δ(~(18)O)平均值为-9.9‰,寒武-奥陶系地下水δ(D)平均值为-75.73‰、δ(~(18)O)平均值为-10.06‰;大气降水受极地气团和季风影响,主要来源为西风带水汽、地表水和地下水水汽蒸发再循环;断层带、褶皱轴部裂隙带为不同含水层间主要导水通道,大气降水和黄河为地下水主要补给来源;高承压水头寒武-奥陶系岩溶裂隙水越流补给第四系松散孔隙水和砂岩裂隙水,第四系松散孔隙水通过地层间不整合接触面裂隙发育带向下补给石炭-二叠系砂岩裂隙水,黄河水对寒武-奥陶系地下水的补给比例受地质构造发育的影响较大。     

FastUDP: a highly scalable user-level UDP framework in multi-core systems for fast packet I/O

The Journal of Supercomputing - Nowadays, many applications, e.g., network routers, distributed data process engines, firewall, need to transfer packets at linear rate. With the increasing data...     

基于物联网技术的智能家居椅控制系统设计

针对国内外智能家居椅控制系统二次开发难度大、接口兼容性差等问题,基于物联网技术,对现有智能家居椅控制系统进行了二次开发。采用STM32控制器对智能家居椅控制系统的输入输出接口进行扩展,引入压力传感器、S型称重传感器、光电探测器对家居椅各个执行机构进行监测,开发了基于Java语言的微信客户端应用(APP)程序,实现了智能家居椅捶背力度调节、复合机构助起、阅读灯亮度调节等远程智能操控。智能家居椅捶背控制试验表明,捶背次数控制成功率约85.49%,捶背力度控制成功率约86.50%。复合机构助起试验表明,助起控制成功率约90%。阅读灯亮度调节试验表明,亮度调节成功率可达88.46%,系统可控性较高。采用物联网技术对智能家居椅控制系统进行了创新性设计,二次开发的控制系统可为互联网+智能家居的设计提供参考。     

基于YOLOv3的安全帽佩戴检测方法研究

在大型锅炉、钢铁和其他制造业工厂中,正确佩戴安全帽是进入现场的前提。但是在现实场景中,由于各种原因,工人伤亡事故中没有正确佩戴安全帽而导致的事故占比一直较高。为了减少该类事故的发生,对深度学习、人工智能展开了研究,采用了卷积神经网络的方法。首先,对相关数据集标定,将数据集总体分为三种类别,针对标定好的数据,使用迁移学习的训练方式训练YOLOv3网络。接着,使用该参数和模型对监控视频数据检测人形和安全帽的类别和位置。最后,对检测的三种类别计算相关交并比,并以此判断工人是否正确佩戴安全帽。该算法创新性地将YOLOv3网络模型和交并比算法结合,对网络输出的类别和位置信息再细化处理,提高了检出的准确性,降低了误识别率。试验结果表明,该算法可以满足安全帽佩戴检测中的实时性要求,同时能够准确检出未佩戴安全帽的人员并通知有关人员。     

一种自适应运动目标检测算法及其应用

针对ViBe算法在动态背景下存在鬼影消除时间长、算法适应性差、前景检测噪声多的问题,本文提出一种基于ViBe算法框架的改进算法.该算法采用鬼影检测法标记第1帧中的鬼影区域,并向位于鬼影区域的背景模型中强制引入背景样本,从而快速抑制鬼影;在像素分类过程中,引入自适应分类阈值,解决全局阈值易受动态噪声干扰的问题;在背景模型更新中,根据像素分类的匹配值来动态决定更新因子,提高算法适应场景变化的能力.定性与定量的对比实验结果表明,本文算法相较于ViBe算法能够有效地检测动态背景下的运动目标,应用于河流漂浮物检测场景中也有较好的效果.     

一种鲁棒性的少样本学习方法

少样本学习是目前机器学习研究领域的一个热点,它能在少量的标记样本中学习到较好的分类模型.但是,在噪声的不确定环境中,传统的少样本学习模型泛化能力弱.针对这一问题,提出一种鲁棒性的少样本学习方法RFSL(Robust Few-Shot Learning).首先,使用核密度估计(Kernel Density Estimation,KDE)和图像滤波(Image Filtering)方法在训练集中加入不同的随机噪声,形成多个不同噪声下的训练集,并分别生成支持集和查询集.其次,利用关系网络的关系模块通过训练集端到端地学习多个基分类器.最后,采用投票的方式对各基分类器的最末Sigmoid层非线性分类结果进行融合.实验结果表明,RFSL模型可促进小样本学习快速收敛,同时,与R-Net以及其他主流少样本学习方法相比,RFSL具有更高的分类准确率,更强的鲁棒性.     

CNN-XGBoost混合模型在音频场景分类中的应用

在拥有海量数据和强大计算能力的人工智能时代,音频场景分类成为了场景理解的重要研究内容之一.针对音频场景分类建模困难和精确率不高的问题,本文提出一种基于卷积神经网络和极端梯度提升算法相结合的系统模型.首先,将预处理后的音频信号转换成梅尔声谱图,然后输入到卷积神经网络中完成抽象特征提取,最后利用极端梯度提升算法进行分类.为了评估模型的有效性,在城市音频场景UrbanSound8K数据集上进行分类性能测试,结果表明,该混合算法模型对音频场景的分类精确率可以达到89%,优于传统的神经网络算法模型,说明该混合模型对音频场景分类问题的有效性.     

Windows Bootkit实现及其检测系统设计

作为新型的劫持系统内核技术,Windows Bootkit具有较强的隐蔽性和免杀能力,引发了严峻的计算机安全问题。通过分析研究Windows Bootkit的实现方式,并结合可信计算检测原理,设计了一种基于可信计算技术的Windows Bootkit检测系统,应用结果表明,该系统能检测出各种形式的Windows Bootkit,可有效增强Windows操作系统下计算机的安全性。