基于归一化水体指数及其阈值自适应算法的水体遥感反演效果分析

归一化水体指数（NDWI）是水体遥感反演的一种重要指标，其阈值及修正直接影响反演结果的精度。基于Landsat-8与GF-1光学多光谱影像，使用归一化水体指数法阈值0（TH₀）、最大类间方差法（OTSU）自适应阈值（TH_otsu）与均值漂移聚类算法（Mean-Shift）自适应阈值（TH_MS）分别对典型正常水体、云雾覆盖水体、富营养化水体、高含泥沙水体进行水体遥感提取与效果分析，结果表明：正常水体以TH₀为阈值提取精度最高，THMS提取精度次之，TH_otsu提取精度最差；而云雾覆盖水体、富营养化水体以及含泥沙水体使用THMS提取精度最高，尤其少量云雾覆盖下的水体，TH_MS具有更明显的优势，TH₀提取精度次之，TH_otsu提取精度最差；对于不同的阈值，Land?sat-8比GF-1总体表现出更高的水体提取精度。Mean-Shift算法应用于NDWI阈值修正与水体遥感反演具有快速、水质适应性强、效果稳定的优势，对尤其是复杂条件下的水体信息遥感反演具有较好的提取效果。     

改进Elman神经网络在短期热负荷预测中的应用

热电厂的短期热负荷预测在城市集中供暖中起着至关重要的作用,直接影响热电厂的经济效益和热能利用率。电厂的短期热负荷一般采用神经网络预测模型进行预测,而BP神经网络应用最为广泛。Elman神经网络算法在BP神经网络基础上加入了承接层,作为一步延时算子,实现记忆能力,使系统具备适应时变能力,增强系统全局稳定性。但Elman神经网络算法模型的构造依然需要大量样本的支撑,而且输入层的变量多,导致预测时间依然很长,收敛速度慢。该文在Elman神经网络预测前,进行了相关系数预处理和对样本中异常值的平均化预处理,通过数据归一化运算,使Elman神经网络输入层变量大幅减少。仿真实验表明,改进的Elman神经网络算法使预测模型快速寻优,减少预测时间的同时明显提高预测精度。     

改进卷积输入的端到端普通话语音识别

主流神经网络训练的交叉熵准则是对声学数据的每个帧进行分类优化，而连续语音识别是以序列级转录准确性为性能度量。针对这个不同，构建基于序列级转录的端到端语音识别系统。针对低资源语料条件下系统性能不佳的问题，其中模型使用卷积神经网络对输入特征进行处理，选取最佳的网络结构，在时域和频域进行二维卷积，从而改善输入空间中因不同环境和说话人产生的小扰动影响。同时神经网络使用批量归一化技术来减少泛化误差，加速训练。基于大型的语言模型，优化解码过程中的超参数，提高模型建模效果。实验结果表明系统性能提升约24%，优于主流语音识别系统。     

山野小屋

该项目建于挪威南部一个陡峭的斜坡上,面对着一片小型的高山湖泊。该项目位置隐秘,远离所有可以通往湖边的小径,只有夏天乘船、冬天湖面结冰时乘滑雪板才能抵达。拥有这片土地的家庭住在湖对面一个僻静的农场,农场有一个泊位,泊位中停着一只小划艇。多年以来,这个小湖始终是家人垂钓、游泳或独自露营的首选之地。近年来,这个美丽的地方逐渐被越来越多的人发现。回归自然的渴望和拥有隐居于此、远离世俗的可能性,赋予了这个交通不便之地的价值;最偏远的一处在一块石头后面,阴影遮挡,且没有通讯和网络信号。过去被认为是不方便的元素,现在反而变得愈发奢侈难寻。     

Stratasys增加FDM和PolyJet 3D打印材料选择

FDM的ASA具有八种全新色彩可供选择Poly Jet新增20种全新数字材料明尼阿波利斯和以色列雷霍沃特2015年2月3日电/--作为全球领先的3D打印和增材制造解决方案供应商,Stratasys Ltd.(纳斯达克代码:SSYS)为其ASA热塑性材料推出了全     

涠西南凹陷断层阴影消除方法研究

断层阴影在断块油气藏中普遍存在,地震解释过程中常被忽略,或被解释为小断层、断层对地层的拖曳作用等,导致对构造产生错误的认识。北部湾盆地涠西南凹陷经历多期剧烈的构造运动,断裂非常发育,断层阴影问题严重,一直以来未找到好的解决办法。本文从井点出发,通过对断层两侧地层的正演模拟计算出断层阴影区的畸变量,将其投影到整个研究区并在阴影笼罩区域内横向内插出整个断层阴影影响区域的畸变校正网格,利用校正网格修正断层阴影区域的构造图,最终获取更加真实的构造图。经实钻井证实,该方法科学且行之有效。     

残差增强的图像描述符

针对增大视觉码书在提高图像全局描述符——局部特征聚合描述符(VLAD)精度的同时会增加VLAD存储开销的问题,提出一种基于2层结构层次视觉码书生成残差增强的图像全局描述符EVLAD.离线码书生成阶段,首先通过K-means算法生成第1层视觉码书,然后基于量化残差最小化原则非均匀地生成第2层各视觉子码书.在线EVLAD生成阶段,图像局部特征首先面向细粒度的第2层视觉子码书生成量化残差;然后面向第1层视觉码书进行聚集生成各子向量,EVLAD即为各子向量的串联结果,为了抑制特征空间爆发现象,各子向量和串联结果分别进行了L_2归一化.实验结果表明, EVLAD精度优于VLAD和其他各种改进方法.