海岛遥感

本文根据作者近年来的工作实践，结合国内外的研完劝态，分别阐述了遥感技术在冲积岛、基岩岛和姗瑚礁岛资源与环境调查中的作用，并以长江河口沙岛和斯里兰卡及乌尔代夫两岛国为例，介绍了遥感技术在海岛冲淤监测、土壤养分评价、海岸工程效益分析土地利用调查、岩岛地质构造与地貌，浅海水深制图及近海初级生产力评价等方面的应用效果。     

陆地卫星遥感信息在区域地下水资源量计算中的应用

利用陆地卫星遥感信息对地下水资源量计算问题作了两方面的研究。首先，以辽宁省朝阳市为例，研究了在常规资料比较齐全的地区运用遥感技术结合常规方法计算区域地下水资源量的系统方法(简称RSNM概念性研究模型)。其次，以西藏年楚河流域为例，探讨了常规资料短缺地区运用遥感方法估算区域地下水资源量的可能性及其系统研究方法(简称DRSNM概念性研究模型)。RSNM模型和DRSNM模型可推广应用于其它地区的地下水定量研究。     

未来的航天遥感手段

综述了NOAA卫星和陆地卫星传感器的改进。介绍了综合性遥感平台-空间站的发展情况，以及90年代中期将要发射的新型空间站的基本构造。重点介绍了美、英、法、德、加、澳、意、日等国为未来空间站研制的20种传感器，列出了这也传感器的主要性能。     

南方稻区遥感水稻长势监测与估产研究

经过“七五”攻关研究，基本上找出我国南方稻区遥感水稻估产的方法、途径和问题，如用工材资料调查水稻面积、用综合方法进行水稻估产，并获得稻田光谱与水稻长势及产量结构的关系及模式等，为“八五”大区域水稻遥感估产莫定了基础。     

日本的空间遥感技术

日本从70年代后期相继成功地发射了地球同步气象卫星若GMS)，海洋监测卫星fMOS-I)以及即将发射日本地球资源卫星了石天S和ADEOS，并且还计划发射日本的极轨平台JP口尸，并和美国、欧洲联合研制空间站(Space Station)，这一切都表明我们的近邻在空间技术，运载能力和遥感仪器研制方面已达到相当高的水平。特别是在这些空间飞行器中装载的对地观测仪器，其性能是先进的。作者在日本访问期间获得的这些动态资料，对我们空间遥感技术发展将有一定的帮助。     

结合方向包围框改进的三维点云配准算法

为了提升源点云和模板点云在初始相对偏转角度过大时的配准精度,提出了一种结合方向包围框的改进 PointNetLK算法PointNetLK-OBB。该算法用三维点云的方向包围框表示源点云和模板点云的宏观特征,在最近点迭代算法的引导下,对齐源点云和模板点云的方向包围框,并在源点云和模板点云间产生镜面对称效应;根据源点云和模板点云的拟合度探测镜面对称的对称面,得到源点云自身的最佳旋转和平移,完成三维点云配准任务。为了验证算法的有效性,在公开数据集ModelNet40上进行对比实验,实验结果显示,PointNetLK-OBB与PointNetLK相比,提升了源点云和模板点云在初始相对偏转角度过大时的配准精度,对源点云和模板点云间的初始相对位置敏感度降低。创新在于,利用PointNetLK绕开传统点云配准的非凸问题,借助于方向包围框的规整性避开PointNetLK语境下出现的局部最优问题。     

航天合成孔径雷达(SAR)数据传输系统的发展和现状

本文介绍了国内外航天合成孔径雷达rSAR)数据传输系统的发展和现状，分析了我国星载合成孔径雷达数据传输系统研制的前景。     

森林火灾的气象卫星监测方法

森林火灾是造成森林资源破坏的重大灾害之一。作者根据近年来从事森林火灾卫星监刚的实践，结合国内外有关利用气象卫星监测林火的资料，介绍了林火卫星监测的原理、方法和实用效果。     

遥感图像的打印输出技术

目前国内市场流行的人了一172幸高质量点阵打印机为例，给出了一种运用24针点阵打印机输出遥感数据图像的技术。它能通过对各打印针的控制,方便地输出多灰度单色图像，且具较高的清晰度和定位精度。     

TM图像多层神经网络自动识别分类

以利用TM图像自动识别金华市婆城区土地利用为例，介绍了多层神经网络遥感模式识别方法的概念、特点及其在TM图像自动识别分类中的应用，并与最大似然法分类结果进行了比较。通过研究认为，无论在分类速度、精度、还是总体效果上看，神经网络分类都优于最大似然法分类。     

基于深度学习的文本自动摘要方案

针对自然语言处理（NLP）生成式自动摘要领域的语义理解不充分、摘要语句不通顺和摘要准确度不够高的问题，提出了一种新的生成式自动摘要解决方案，包括一种改进的词向量生成技术和一个生成式自动摘要模型。改进的词向量生成技术以Skip-Gram方法生成的词向量为基础，结合摘要的特点，引入词性、词频和逆文本频率三个词特征，有效地提高了词语的理解；而提出的Bi-MulRnn+生成式自动摘要模型以序列映射（seq2seq）与自编码器结构为基础，引入注意力机制、门控循环单元（GRU）结构、双向循环神经网络（BiRnn）、多层循环神经网络（MultiRnn）和集束搜索，提高了生成式摘要准确性与语句流畅度。基于大规模中文短文本摘要（LCSTS）数据集的实验结果表明，该方案能够有效地解决短文本生成式摘要问题，并在Rouge标准评价体系中表现良好，提高了摘要准确性与语句流畅度。     

卷积自注意力编码过滤的强化自动摘要模型

技术是一种能从海量文本中获取重要信息的方法,它可以缓解大数据时代信息过载的问题.传统基于编码-解码自动摘要模型生成的摘要易出现句内重复、语义无关等现象,不利于读者理解文本的核心思想.受人工摘要书写方式的启发,即先理解文本局部信息,再从全局层面归纳信息、书写摘要,提出一种基于卷积自注意力编码过滤的自动摘要模型(CSAG).模型由编码器、卷积自注意力门控单元、解码器组成,结合卷积神经网络可以提取局部特征,多端自注意力机制可以学习长期依赖关系,模型可以根据上下文的局部和全局特征,从不同角度和不同层面提取文本潜在信息,确保模型生成正确流畅的摘要.然后通过策略梯度强化学习可直接利用不可微的度量指标ROUGE对模型进行优化,避免推理过程中出现曝光偏差问题.在Gigaword数据集上的多组对比实验结果表明,该文提出的模型在自动摘要任务上具有一定的优势.     

结合自注意力机制的神经网络文本分类算法研究

在长文本数据中存在很多与主题不相关词汇,导致这些文本数据具有信息容量大、特征表征不突出等特点。增加这些文本中关键词汇的特征影响,是提高文本分类器性能需要解决的问题。提出一种结合自注意力机制的循环卷积神经网络文本分类模型RCNN_A。注意力机制对文本词向量计算其对正确分类类别的贡献度,得到注意力矩阵,将注意力矩阵和词向量矩阵相结合作为后续结构的输入。实验结果表明,RCNN_A在10类搜狗新闻数据集上,得到了97.35%的分类正确率,比Bi-LSTM(94.75%)、Bi-GRU(94.25%)、TextCNN(93.31%)、RCNN(95.75%)具有更好的文本分类表现。通过在深度神经网络模型中引入注意力机制,能够有效提升文本分类器性能。     

基于BERT-PGN模型的中文新闻文本自动摘要生成

针对文本自动摘要任务中生成式摘要模型对句子的上下文理解不够充分、生成内容重复的问题,基于BERT和指针生成网络（PGN）,提出了一种面向中文新闻文本的生成式摘要模型——BERT-指针生成网络（BERT-PGN）。首先,利用BERT预训练语言模型结合多维语义特征获取词向量,从而得到更细粒度的文本上下文表示;然后,通过PGN模型,从词表或原文中抽取单词组成摘要;最后,结合coverage机制来减少重复内容的生成并获取最终的摘要结果。在2017年CCF国际自然语言处理与中文计算会议（NLPCC2017）单文档中文新闻摘要评测数据集上的实验结果表明,与PGN、伴随注意力机制的长短时记忆神经网络（LSTM-attention）等模型相比,结合多维语义特征的BERT-PGN模型对摘要原文的理解更加充分,生成的摘要内容更加丰富,全面且有效地减少重复、冗余内容的生成,Rouge-2和Rouge-4指标分别提升了1.5%和1.2%。     

结合注意力与卷积神经网络的中文摘要研究

目前深度学习已经广泛应用于英文文本摘要领域，但是在中文文本摘要领域极少使用该方法进行研究。另外，在文本摘要领域主要使用的模型是编码-解码模型，在编码时输入的是原始的文本信息，缺乏对文本高层次特征的利用，导致编码的信息不够充分，生成的摘要存在词语重复、语序混乱等问题。因此，提出一种局部注意力与卷积神经网络结合的具备高层次特征提取能力的编码-解码模型。模型通过局部注意力机制与卷积神经网络结合的方式提取文本的高层次的特征，将其作为编码器输入，此后通过基于全局注意力机制的解码器生成摘要。实验结果证明，在中文文本数据集上该模型相对于其他模型有着较好的摘要效果。     

结合语义扩展和卷积神经网络的中文短文本分类方法

中文新闻标题通常包含一个或几十个词,由于字符数少、特征稀疏,在分类问题中难以提升正确率。为解决此问题,提出了基于Word Embedding的文本语义扩展方法。首先,将新闻标题扩展为（标题、副标题、主题词）构成的三元组,用标题的同义词结合词性过滤方法构造副标题,对多尺度滑动窗口内的词进行语义组合,提取主题词;然后,针对扩展文本构造卷积神经网络（CNN）分类模型,该模型通过max pooling及随机dropout进行特征过滤及防止过拟合;最后,将标题、副标题拼接为双词表示,与多主题词集分别作为模型的输入。在2017自然语言处理与中文计算评测（NLP&CC2017）的新闻标题分类数据集上进行实验。实验结果表明,用三元组扩展结合相应的CNN模型在18个类别新闻标题上分类的正确率为79.42%,比未经扩展的CNN模型提高了9.5%,且主题词扩展加快了模型的收敛速度,验证了三元组扩展方法及所构建CNN分类模型的有效性。     

基于词共现与图卷积的文本分类方法

针对文本分类任务中标注数量少的问题,提出了一种基于词共现与图卷积相结合的半监督文本分类方法。模型使用词共现方法统计语料库中单词的词共现信息,过滤词共现信息建立一个包含单词节点和文档节点的大型图结构的文本图,将文本图中邻接矩阵和关于节点的特征矩阵输入到结合注意力机制的图卷积神经网络中实现了对文本的分类。实验结果表明,与目前多种文本分类算法相比,该方法在经典数据集20NG、Ohsumed和MR上均取得了更好的效果。     

指针生成网络和覆盖损失优化的Transformer在生成式文本摘要领域的应用

针对生成式文本摘要应用场景,提出了以Transformer为基础的摘要模型,并在Transformer模型中加入了指针生成（Pointer Generator）网络和覆盖损失（Coverage Loss）进行优化。首先,提出了基于Transformer模型作为基础结构的方法,利用其注意力机制更好地捕捉上下文的语意信息。然后,在模型的损失函数中引入Coverage Loss来惩罚不断出现的重复的词的分布和覆盖范围,从而解决Transformer模型中的注意力机制在生成式任务中出现不断生成同一个词的问题。最后,在模型中加入了Pointer Generator网络,从而允许模型从源文本中复制词用作生成词来解决词表无法覆盖（OOV）的问题。探索了改进后的模型是否减少了不准确的表达以及重复出现相同词的现象是否得以解决。该模型相较于原始的Transformer模型在ROUGE-1评测函数上得分提升了1.98个百分点、ROUGE-2评测函数上得分提升0.95个百分点,在ROUGE-L评测函数上得分提升了2.27个百分点,并提升了摘要结果的可读性及准确性。实验结果表明,Transformer在加入Coverage Loss和Pointer Generator网络后可应用于生成式文本摘要领域。     

融合BERT和卷积门控的生成式文本摘要方法

结合注意力机制的循环神经网络(RNN)模型是目前主流的生成式文本摘要方法,采用基于深度学习的序列到序列框架,但存在并行能力不足或效率低的缺陷,并且在生成摘要的过程中存在准确率低和重复率高的问题.为解决上述问题,提出一种融合BERT预训练模型和卷积门控单元的生成式摘要方法.该方法基于改进Transformer模型,在编码器阶段充分利用BERT预先训练的大规模语料,代替RNN提取文本的上下文表征,结合卷积门控单元对编码器输出进行信息筛选,筛选出源文本的关键内容;在解码器阶段,设计3种不同的Transformer,旨在探讨BERT预训练模型和卷积门控单元更为有效的融合方式,以此提升文本摘要生成性能.实验采用ROUGE值作为评价指标,在LCSTS中文数据集和CNN/Daily Mail英文数据集上与目前主流的生成式摘要方法进行对比的实验,结果表明所提出方法能够提高摘要的准确性和可读性.     

基于局部和全局语义融合的跨语言句子语义相似度计算模型

跨语言句子语义相似度计算旨在计算不同语言句子之间的语义相似程度。近年来,前人提出了基于神经网络的跨语言句子语义相似度模型,这些模型多数使用卷积神经网络来捕获文本的局部语义信息,缺少对句子中远距离单词之间语义相关信息的获取。该文提出一种融合门控卷积神经网络和自注意力机制的神经网络结构,用于获取跨语言文本句子中的局部和全局语义相关关系,从而得到文本的综合语义表示。在SemEval-2017多个数据集上的实验结果表明,该文提出的模型能够从多个方面捕捉句子间的语义相似性,结果优于基准方法中基于纯神经网络的模型方法。