基于马尔科夫专家场的泊松噪声图像去噪方法

提出一种基于贝叶斯概率模型的泊松噪声图像去噪方法. 该方法基于贝叶斯最大后验概率模型框架,结合泊松概率分布,构建图像去噪模型. 考虑到马尔科夫随机场不能对复杂自然图像有效表征,引入高阶的马尔科夫专家场作为模型先验正则项,以表征图像自身概率分布. 利用二次惩罚函数,优化求解去噪模型,还原清晰图像. 将所提方法与其他去噪算法进行仿真实验对比,并采用峰值信噪比和结构相似性2种评价指标对去噪效果进行客观评价. 实验结果表明：与传统去噪方法相比,该方法的峰值信噪比至少提升了0.18 dB,去噪性能显著优于其他方法,能更好地保留图像的细节信息.     

重力异常变密度界面深度反演方法对比

界面深度反演是重力异常定量地质解释的常用方法,学者们针对界面反演问题提出了多种经典算法。以密度随深度变化的直立长方体为基本单元搭建了合成模型,在此基础之上对比了经典的Bott法与非线性反演方法,分析了它们各自的特点和适用环境。模型试验表明:1)Bott法所需要的迭代次数比非线性反演多;2)界面节点个数较少时,非线性反演与Bott法所需计算时间接近,界面节点较多时,Eott法所需计算时间明显小于非线性反演;3)二者反演效果接近。在实际勘探中,需要根据不同客观条件选择具体的界面深度反演方法。     

BGRU:中文文本情感分析的新方法

社交网络作为社会生活不可或缺的一部分,针对其产生的文本数据进行情感分析已成为自然语言处理领域的一个研究热点。鉴于深度学习技术能够自动构建文本特征,人们已提出CNN(convolutional neural network)、BLSTM(bidirectional long short-term memory)等模型来解决文本情感分析问题,但还存在结构较为复杂或训练时间较长等问题,而BGRU(bidirectional gated recurrent unit)能记忆序列的上下文信息,并且结构较为简单,训练速度较快。提出一种基于BGRU的中文文本情感分析方法,首先将文本转换为词向量序列,然后利用BGRU获得文本的上下文情感特征,最后由分类器给出文本的情感倾向。在ChnSentiCorp语料上进行实验,该方法取得了90.61%的F1值,效果优于CNN和BLSTM等模型,并且训练速度是BLSTM的1.36倍。     

南屯煤矿选煤厂跳汰机系统综合改造

介绍了南屯选煤厂对跳汰机供煤、供风、供水、排料、除杂及电控系统等方面的改造及改造后的使用效果.     

Windows98系统下的远程维护方法

指出在Windos98操作系统下远程维护的必要性,并从理论上分析了实现远程维护的可能性,最后给出实现远程维护的两种方法。     

数字水准仪室内外检定方法的分析与比较

正一、室内外方法的比较及数据分析1.差异性比较选用相同的被测对象与不同的测量方法,来评估分析光管模拟外业与实际室外法的检定结果的差异性。选用5台被检数字水准仪DiNi03,针对我院数字水准仪检定装置进行室内法检测。检定之前,需将被检的数字水准仪光学i角调校准确,或与基准水平线符合,以保证其光学i角相同,从而保证光     

前驱体反应物浓度对NTC纳米粉体及其热敏电阻特性的影响

重点研究共沉淀法制备CoMnNiO系NTC纳米粉体时前驱体反应物浓度对粉体及材料性能的影响,获得了NTC热敏材料制备的优化条件.采用DTA/TG、TEM等方法,对粉体性能进行了研究,测量了不同反应物浓度对粉料烧结致密度及材料B值和阻值的影响.研究发现随着反应物浓度的增加,粉体颗粒尺寸减小,但胶粒聚合程度增加,网状结构变密实.当浓度控制在0.9～1.2mol/L时,粉体粒度分散、均匀性较好,平均颗粒尺寸为20nm左右,反应物浓度太高或太低,都不利于粉料的烧结.综合分析DTA/TG、TEM得出,将煅烧温度控制在(700±20)℃为宜.浓度对材料的B值和阻值的大小影响很小,但对它们的一致性仍有较大影响.浓度为0.9～1.2mol/L时,粉体的烧结性能较好,材料的B值和阻值的一致性较好.     

元搜索引擎排序方法建模与算法研究

元搜索引擎的核心技术是排序算法.在研究元搜索引擎排序算法的基础上,通过合理简化等一系列措施建立数学模型,抽象出元搜索引擎排序算法的基本框架.随后结合各成员搜索引擎的市场份额及各成员搜索引擎的搜索结果,给出了一种新的元搜素引擎排序算法.该算法简单且易于实现.     

基于多特征嵌入的中文医学命名实体识别

针对基于字符表示的中文医学命名实体识别模型嵌入信息单一、缺失词边界和结构信息的问题,文中提出了一种融合多特征嵌入的医学命名实体识别模型。首先,将字符映射为固定长度的嵌入表示;其次,引入外部资源构建词汇特征,该特征能够补充字符的潜在词组信息;然后,根据中文的象形文字特点和文本序列特点,分别引入字符结构特征和序列结构特征,使用卷积神经网络对两种结构特征进行编码,得到radical-level词嵌入和sentence-level词嵌入;最后,将得到的多种特征嵌入进行拼接,输入长短期记忆网络编码,并使用条件随机场输出实体预测结果。将自建中文医疗数据和CHIP＿2020任务提供的医疗数据作为数据集进行实验,实验结果表明,与基准模型相比,所提模型同时融合了词汇特征和文本结构特征,能够有效识别医学命名实体。