基于改进MobileFaceNet的人脸识别方法北大核心

针对目前大多数人脸识别算法参数多、计算量大,难以部署到移动端和嵌入式设备中的问题,提出了一种基于改进MobileFaceNet的人脸识别方法。通过对MobileFaceNet模型结构的调整,将bottleneck模块优化为sandglass模块,改良深度卷积和逐点卷积的相对位置,适当增大sandglass模块的输出通道数,从而减少特征压缩时的信息丢失,增强人脸空间特征的提取。实验结果表明:改进后的方法在LFW测试数据集上准确率达99.15%,模型大小和计算量分别仅为原算法的61%和45%,验证了所提方法的有效性。     

高面板坝全寿命周期变形控制方法及应用

高面板坝的变形对面板的安全运行有着特别重要的影响，国内外已建的高面板坝工程中，因坝体变形大导致防渗面板挤压破损，坝体渗漏量大的实例较多，不得不降低水库水位进行修复处理，造成较大的经济损失乃至给大坝的长期运行留下安全隐患。通过发生挤压破损的实例分析，发现变形控制缺乏系统性是发生面板挤压破损的主要因素，为预防面板破损，系统提出了“控制坝体总变形，转化有害变形，适应纵向变形”的坝体变形控制方法，并在使用软硬岩混合料筑坝的董箐面板堆石坝中得到的应用，取得了良好效果，该工程运行至今达十余年，未见面板有挤压破损迹象，该方法对建设200 m以上乃至300 m级超高面板坝具有重要借鉴意义。     

基于SOI衬底的宽带低损耗声表面波滤波器研究

使用结构为42°Y-X LiTaO₃(600 nm)/SiO₂(500 nm)/Si的SOI衬底，通过抑制横向模式等优化设计，研制了单端谐振器和声表面波滤波器。经测试，谐振器的谐振频率为1.5 GHz，品质因数(Q)值高达4 000；滤波器的中心频率为1 370 MHz，插入损耗为-1.2 dB，1 dB带宽为74 MHz，相对带宽达到5.4%，阻带抑制大于40 dB，且温度系数在-55~+85 ℃时优于-9×10^-6/℃。该产品具有高频、宽带、低损耗、低温漂、高阻带抑制的特点，其性能指标优异，具有很好的实用性。     

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。     

基于移动窗口法的城市遥感生态质量评价研究

为进一步提高城市生态监测的精确度，在前人开展的城市生态遥感监测研究的基础上引入“区域尺度”的概念，充分考虑小区域范围内不同地物间的交互作用，并利用移动窗口模型(Moving Window-Remote Sensing Ecology Index, MW-RSEI)对沈阳市浑南区的遥感影像进行逐像元分析。实验结果表明，MW-RSEI模型和生态遥感监测模型（Remote Sensing Ecology Index, RSEI)在整体生态评价趋势上表现出一致性。但MW-RSEI模型对城市生态中的细节区域表征更明显。考虑到建筑及裸地周围植被的影响，其较差生态区域的占比仅为6%，生态评价为优的区域占比为11%。研究区生态评价结果表现得较为连续，并未出现明显的断层现象。该结果具有现实意义且与实际生态分布更为符合。MW-RSEI模型在城市生态监测中更为适用，可为相关部门提供一定的技术参考。     

有关传感器最小可使用范围

传感器的技术参数Vmin和Y是使用衡器的重要参数。它不仅决定了传感器最大分度数(最高分辨率)，同时也决定了传感器的最小使用分度数(即最小量程范围)。     

基于图像处理研究铁尾矿的熔化行为

作为主要成分的SiO2是铁尾矿中最难熔化的部分.通过一组SiO2的熔化时序图像来探究铁尾矿的熔化情况.首先,进行图像预处理,建立质心位置追踪模型和体积估算模型.将灰度图转化为二值图,利用卡尔曼滤波器进行质心追踪和对质心运动轨迹的描述.通过计算二值图中0像素的数量得到面积随时间变化的图像,拟合出熔化过程函数.结合二值图中目标物体的边界信息得到的参数量建立多元线性回归模型.估算颗粒扁平度和物体的体积,熔融速率通过颗粒集合的质量变化函数得出.     

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.