遥感卫星随遇接入互联网星座和在轨智能处理

低轨互联网星座是当前全球研究和发展的热点,互联网星座支持随遇接入遥感卫星和信息在轨直接处理的应用前景备受期待,但由于轨道高度不同会产生双向高动态异构星座的接入互联问题。首先,通过设定低轨卫星互联网星座在不同轨道特性、不同卫星数量情况下的随遇接入仿真场景,重点探讨了时空非连续可视性和多普勒频移问题对遥感卫星接入性能的影响;其次,基于遥感卫星随遇接入互联网星座场景的特点,分析了不同时延性在轨处理任务的流程及其星地功能分配;最后,对当前在轨智能处理算法存在的问题和未来研究重点进行阐述,为未来低轨互联网星座及遥感卫星的发展和联合组网应用提供可靠的理论支撑。     

个性化学习路径推荐综述

近年来，伴随着现代信息技术的迅猛发展，以人工智能为代表的新兴技术在教育领域得到了广泛应用，引发了学习理念和方式的深刻变革.在这种大背景下，在线学习超越了时空的限制，为学习者“随时随地”学习提供了更多的可能性，从而得到了蓬勃发展.然而，在线学习中师生时间、空间分离的特征，导致教师无法及时掌握学生的学习状态，一定程度上制约了在线学习中教学质量的提升.面对多元化的学习需求及海量学习资源，如何迅速完成学习目标、降低学习成本、合理分配学习资源等问题成为限制个人和时代发展的重大问题.然而，传统的“一刀切”的教育模式已经不能满足人们获取知识的需求了，需要一个更高效、更科学的个性化教育模式，以帮助学习者以最小的学习成本最大限度地完成学习目标.基于以上背景，如何自动高效识别学习者特征，高效地组织和分配学习资源，为每一位学习者规划个性化路径，成为面向个体的精准化教育资源匹配机制研究中亟待解决的问题.系统地综述并分析了当前个性化学习路径推荐的研究现状，并从多学科领域的角度分析了对于同一问题的不同研究思路，同时也归纳总结了当前研究中最为主流的核心推荐算法.最后，强调当前研究存在的主要不足之处.     

气候变化背景下滇中引水工程水源区与受水区 降水丰枯遭遇分析

基于历史实测降水数据与全球气候模型预估数据，使用 Morlet 小波方法分析滇中引水工程水源区与受水区 降水序列的周期变化和未来的降水趋势。同时，采用 Copula 函数计算历史时期（1960—2021 年）与未来时期 （2022—2100 年）水源区与受水区降水丰枯异步或丰枯同步的概率。结果表明：1960—2021 年降水序列存在 26~39?a、18~25?a、4~7?a 的 3 类时间尺度的周期变化，2022—2100 年降水序列存在 38~55?a、18~30?a、5~12?a 的 3 类时间尺度的周期变化，降水量呈现“多—少—多”的循环交替，预计未来 10~20?a 将持续处于降水较多的时期； 过去 62?a，水源区和受水区降水丰枯异步频率 36.4%，同期丰水年频率为 25.3%，同期枯水年频率小于 30%，水源区 和受水区具有水量互补的引水条件，两区域之间存在着水量补偿特征；与历史丰枯遭遇对比，未来降水量丰枯同 步频率均呈现减小的趋势，丰枯异步呈现增加的趋势，同枯和源枯受丰的频率减少，未来有利于调水的降水丰枯 组合概率平均增加 3.75%；在近、中、远期预估中，从 SSP1-2.6 情景过渡到 SSP5-8.5 情景，SSP5-8.5 情景下降水量 丰枯异步频率比 SSP1-2.6 情景大，说明水源区与受水区的降水区域差异变大，降水时空差异更加显著。通过对滇 中引水工程水源区与受水区降水量丰枯遭遇的综合分析、定量评估和模拟预测，为滇中引水工程水资源调度协同 一体化提供数据支撑及参考依据。     

快速近似计算Shapley值的归因解释方法

Shapley值归因解释方法虽然能更准确量化解释结果, 但过高的计算复杂度严重影响了该方法的实用性. 本文引入KD树重新整理待解释模型的预测数据, 通过在KD树上插入虚节点, 使之满足TreeSHAP算法的使用条件, 在此基础上提出了KDSHAP方法. 该方法解除了TreeSHAP算法仅能解释树结构模型的限制, 将该算法计算Shapley值的高效性放宽到对所有的黑盒模型的解释中, 同时保证了计算准确度. 通过实验对比分析, KDSHAP方法的可靠性, 以及在解释高维输入模型时的适用性.     

基于SSD的眨眼与打哈欠检测

提出了一种新的基于SSD网络的眨眼与打哈欠检测。首先,对原SSD架构进行四个方面的修改。第一,主干网用MobileNetV3替换了VGG,使得架构尺寸缩减三分之一。第二,重新设计了输出检测器,实现了目标检测与分类、目标定位与高宽比回归多任务的融合。第三,网络直接回归高宽比,比传统的从关键点离线计算高宽比的方法鲁棒性要高。第四,省去了非最大抑制层(NMS)中的重叠度(IOU)计算和阈值设定,使得单目标检测速度提高了40%。另外,在数据集YawDD上验证了所提出方法的有效性,眨眼与打哈欠的测全率为95.1%与100.0%,在单卡2080Ti上实现了41fps的高检测速度。