基于神经网络的多类别目标识别

随着智能化时代的到来,深度学习在图像处理领域的应用越来越广泛,为复杂的图像处理带来了新的解决方法.但是,深度学习在带来高准确推理结果的同时,往往会造成运算量、推理时间以及处理器内存的增加,受限于数据的缺失以及对高性能处理器的依赖.目前市场上有关深度学习技术的相关产品还未被广泛的应用.基于上述问题,提出一种具有广泛应用前景的基于深度学习的多类别目标识别方案,并在国产龙芯派平台下进行测试验证.首先,获取待处理图像数据集,进而在计算机平台下搭建并训练神经网络模型,利用得到的训练参数在龙芯派平台下建立优化后的神经网络结构,并对目标图像进行处理及识别,最后在用户界面显示目标图像所属类别.本系统利用深度学习能够自动从大数据中学习特征的优势,在龙芯派平台下实现上千类生活中常见对象的自动分类,识别准确率高达$96%$以上,识别速度在3s以内,且该方案具有优秀的可扩展性.     

一种基于动态背景的运动目标提取方法

为了实现旋转摄像头下运动目标的监控,提出了一种动态背景下提取运动目标的方法．在全局运动估计过程中,首先提取当前帧的特征点并将其离散化,然后以特征点为中心在当前帧和前一帧之间进行块匹配,其后用3σ准则除去误差块,从而得到全局运动估计量,并且在VC平台上实现了该算法．     

基于支持向量机的多种人体姿态识别

为了实现对边防哨所等场合中无人监控的车辆、人体直立、哈腰、匍匐几种姿态的识别,提出了一种基于支持向量机的多种人体姿态识别方法.在对各种目标建立了样本库之后,提取了形状复杂性、矩形度、宽高比、头部矩形度等特征,利用支持向量机具有全局最优性和较好泛化能力的特点,进行了小样本的2类及多类目标分类识别,并和RBF神经网络的分类效果进行对比.实验结果表明,SVM不需进行网络迭代训练,求解速度明显高于RBF神经网络,且识别性能也优于RBF神经网络,并且采用径向基核的SVM性能最好.该方法识别率高,平均可达到96%,快速性好,识别速度平均为0.0172S,为小样本下的多目标分类及识别提供了理论和技术基础.     

日本大学营运的经济学思考

介绍日本大学运营的社会经济背景,以及日本大学改革及运营的举措,用经济学的供求理论、价格理论、非赢利组织理论等对其进行分析并得出启示：高校管理体制和价格机制是实现“教育公平”的基础,高等教育的发展规模应适度,高等教育的发展方向是建立优势学科和特色专业,高等教育应形成多层次、全方位、责权利相统一的办学格局。     

浮动汇率制度下企业外汇风险度量研究

浮动汇率给企业带来越来越多的外汇风险,而如何规避外汇风险首先要是确定其风险大小。应用VaR的度量方法对企业的外汇风险进行度量,通过实例研究和检验分析,说明了VaR法可以对企业的外汇风险进行度量,为定量分析企业的外汇风险找到了一个突破点。     

基于无迹卡尔曼航空锂电池的SOC估算系统

针对放电条件下,航空锂电池的放电情况,考虑了电流及温度对极化参数的影响的电池模型。电池电荷状态(State of Charge,SOC)对于电池是十分重要的性能,为了精准估计航空锂电池的电池电荷状态(State of Charge,SOC),尝试使用无迹卡尔曼滤波(UKF)对航空锂电池的SOC进行估算,无迹卡尔曼滤波是一种新型的滤波估计算法。UKF以无损变换变换为基础,摒弃了对非线性函数进行线性化的传统做法,采用卡尔曼线性滤波框架,对于一步预测方程,使用无迹(UT)变换来处理均值和协方差的非线性传递,就成为UKF算法。UKF是对非线性函数的概率密度分布进行近似,用一系列确定样本来逼近状态的后验概率密度,而不是对非线性函数进行近似,不需要求导计算Jacobian矩阵。UKF没有线性化忽略高阶项,因此非线性分布统计量的计算精度较高。在simulink上建立航空锂电池的等效电路模型,进行仿真实验。仿真实验表明该算法SOC估算精度误差稳定在百分之五左右。     

不同孔隙率生态混凝土水质净化及室外植生试验研究

采用孔隙率分别为20%、25%、30%的火山石生态混凝土对生活污水中的氨氮、TN、TP、CODcr进行净化研究,并在实际水塘工程中将3组不同孔隙率火山石混凝土制成现浇生态混凝土和预制方形砌块进行室外植生研究。结果表明:720 h后,孔隙率为30%的生态混凝土对污水中的氨氮、TN、TP、CODcr的去除率分别为77.6%、58.1%、79.8%、85.7%。植生试验中,孔隙率为30%的火山石生态混凝土植生效果最好,60 d植物生长高度达到38.5 cm;孔隙率为25%、20%的火山石生态混凝土60 d植物生长高度分别为29.0、25.2 cm,预制方形砌块60 d植物生长高度最高为37 cm。火山石生态混凝土适用于强度要求不高的水塘工程或河岸边坡,在有一定强度的同时对水质净化有一定效果。     

基于Mask Scoring R-CNN的高质量数据集快速自动标定方法

针对计算机视觉领域人工标定多目标数据集时间冗长的问题,提出一种基于Mask Scoring R-CNN的高质量数据集快速自动标定方法;首先,设计了高质量数据集快速自动标定架构,训练数据自动标定模型并搭建目标分类与标定系统;其次,在对比不同残差网络及引入迁移学习基础上,进一步研究了基于MaskIoU Head的多目标掩膜标定质量评价方法,完成基于Mask Scoring R-CNN的多目标高质量数据集快速自动标定方法设计;最后,以车辆数据为例进行数据集快速自动标定方法验证,实验结果表明,相较于Mask R-CNN和Faster R-CNN方法,Mask Scoring R-CNN方法具有目标数据分类效果好及掩膜分割精度高的优点,检测准确率达到93.4%,且标定速度相较于人工标定速度提升了95.77%。     

鄂尔多斯盆地西缘北段奥陶系天然气成藏模式

为助推天然气高效勘探,本文针对鄂尔多斯盆地西缘北段奥陶系成藏地质条件开展研究。在揭示了地层构造、沉积演化等基础地质特征的基础上,利用烃源岩地球化学测试等资料梳理了成藏地质条件,并根据生、储、盖配置关系提出了相应的成藏模式。奥陶系烃源岩以泥质岩型为主,白云岩、石灰岩、页岩均可作为储集层。天然气成藏模式主要可划分为：深海平原页岩源内自生自储式、大陆斜坡浊积灰岩源内自生自储式、碳酸盐台地灰岩近源上生下储式、碳酸盐台地白云岩远源上生下储式。根据完钻井资料,研究区内成藏模式以深海平原页岩源内自生自储式为主,是下步天然气勘探的重点目标。