路基施工优化设计的实践

对施工中遇到的避让地下光缆、桥梁扩孔、局部挖方路段边沟处置和地下涌泉等问题进行了分析，提出了解决以上问题的方案，总结归纳了影响施工的因素，指出应综合考虑各种影响因素，合理进行变更和优化设计，以达到确保工程质量、控制工程成本的目的。     

杭甬运河大桥预应力施工

介绍了杭甬运河大桥下承式预应力混凝土系杆钢管混凝土拱桥的施工方法,针对施工中的各控制环节进行了详细的阐述,并得出了该施工工艺效果较好的结论,可供同类工程参考借鉴。     

一种基于背景自学习的高光谱图像生物信息提取方法

为了提取指纹、癌变区域等重要的生物信息,传统方法一般是使用物理、化学手段直接作用在信息载体上,这不仅需要较长时间,容易对原有信息及载体造成破坏,而且提取过程不可重现、精度较低.高光谱成像技术避免了获取信息时物理接触造成的破坏,能多次稳定获取图像,成为了一种优秀的生物信息采集途径.在此介绍一种基于背景自学习的高光谱图像信息提取方法,它解决了传统非结构化背景模型适应性不强的问题,利用空间光谱信息进一步提升了信息提取精度.实验证明,该方法能有效对背景信息进行估计,提取完整的生物目标信息,精度优于传统目标信息提取方法.     

基于小波变换的音频扩频掩密分析算法

提出一种基于小波去噪技术和小波突变点检测技术的音频扩频掩密分析算法。该算法利用小波去噪算法分离含密音频上的噪声信号,循环截取不同长度的噪声信号与剩余的噪声信号进行滑动相关计算,利用小波突变点检测技术检测计算得出的滑动相关值中的突变点,提取这些突变点特征对待检测的音频进行掩密分析。实验结果表明,在PN序列嵌入强度大于0.002时,算法的检测正确率达80%以上。     

基于xPC实时控制的中空液压马达伺服系统的研究

文章介绍了xPC实时系统以及快速原型设计方法,并利用xPC构造了中空液压伺服摆动马达实时控制系统并进行了马达动态特性方面的实验研究。实验结果证明了该系统及方法的有效性。     

基于类别可分性的高光谱图像波段选择

高光谱遥感数据具有丰富的光谱信息,应用十分广泛,但其冗余的光谱信息有时会限制高光谱图像的分类等的精度以及计算复杂度.为了提高解译效率,高光谱图像降维不可或缺,这也是高光谱图像处理的研究热点之一.提出了一种基于类别可分性的高光谱图像波段选择方法(Endmember Separability Based band Selection,ESBB),该方法通过Mahalanobis距离最大化图像中各类地物的可分性来确定最优的波段组合.相较于其他监督波段选择算法,该方法不需要大量训练样本,不用对每个组合做分类处理.对波段选择后的结果进行分类的实验结果证明,该方法是一个快速有效的波段选择方法,可以得到一个较好的分类精度.     

一种结合波段分组特征和形态学特征的高光谱图像分类方法

如何准确识别图像中的类别信息,是计算机视觉和模式识别领域的重要研究问题。遥感卫星图像数据,尤其是高光谱等遥感图像数据的出现,将空间信息与光谱信息集成于同一数据集中,丰富了图像信息来源。如何准确地识别高光谱图像中的地物类别,已经成为了图像处理和模式识别领域的热点问题。面向高光谱图像数据提出了一种基于波段分组特征和形态学特征的高光谱图像分类方法,结合空间和光谱特征提高分类精度。通过真实的高光谱数据实验证明:利用波段分组可以有效地保持光谱特征,降低数据冗余;在波段分组基础上结合形态学特征进行分类,比传统分类方法的分类精度明显提高。     

轻量级图像超分辨率的蓝图可分离卷积Transformer网络

目的 图像超分辨率重建的目的是将低分辨率图像复原出具有更丰富细节信息的高分辨率图像。近年来,基于Transformer的深度神经网络在图像超分辨率重建领域取得了令人瞩目的性能,然而,这些网络往往参数量巨大、计算成本较高。针对该问题,设计了一种轻量级图像超分辨率重建网络。方法 提出了一种轻量级图像超分辨率的蓝图可分离卷积Transformer网络（blueprint separable convolution Transformer network,BSTN）。基于蓝图可分离卷积（blueprint separable convolution,BSConv）设计了蓝图前馈神经网络和蓝图多头自注意力模块。然后设计了移动通道注意力模块（shift channel attention block,SCAB）对通道重点信息进行加强,包括移动卷积、对比度感知通道注意力和蓝图前馈神经网络。最后设计了蓝图多头自注意力模块（blueprint multi-head self-attention block,BMSAB）,通过蓝图多头自注意力与蓝图前馈神经网络以较低的计算量实现了自注意力过程。结果 本文方法在4个数据集上与10种先进的轻量级超分辨率方法进行比较。客观上,本文方法在不同数据集上取得了不同程度的领先,并且参数量和浮点运算量都处于较低水平。当放大倍数分别为2、3和4时,在Set5数据集上相比SOTA（state-of-theart）方法,峰值信噪比（peak signal to noise ratio,PSNR）分别提升了0.11dB、0.16dB和0.17dB。主观上,本文方法重建图像清晰,模糊区域小,具有丰富的细节。结论 本文所提出的蓝图可分离卷积Transformer网络BSTN以较少的参数量和浮点运算量达到了先进水平,能获得高质量的超分辨率重建结果。