多特征自适应融合的粒子滤波跟踪算法

针对跟踪过程中目标形态不断变化或部分遮挡导致鲁棒性差的问题,提出一种基于多特征自适应融合的粒子滤波跟踪算法.该算法从视觉特征集中选取了描述能力强的2种特征,并将其按照与目标模型的多尺度相似度进行线性融合;为了减小跟踪漂移,通过计算当前目标模型与初始目标模型的多尺度相似度自适应地更新目标模型.大量仿真实验结果表明,文中算法可以鲁棒地跟踪到部分遮挡和形态变化的运动目标.     

海表面盐度卫星微波遥感研究进展

海表面盐度SSS(Sea Surface Salinity)是研究大洋环流和海洋对全球气候影响的重要参量、是决定海水基本性质的重要因素之一。卫星微波遥感可以满足盐度研究过程中大范围、连续观测的需要,国际上统一的认识是选择频率为1.413 GHz的L波段作为盐度遥感的首选波段。目前,国外发展的海面盐度微波遥感反演算法主要有两种:基于海表发射率估算海表盐度的算法和基于贝叶斯定理提出的反演算法。影响盐度反演精度的因素主要有太空辐射、电离层法拉第旋转、大气、海面粗糙度等。其中,海面粗糙度对盐度反演影响很大,海面粗糙度处理模型可以分为3大类:理论算法(间接发射率模型、直接发射率模型)、经验算法、半经验半理论算法(Hollinger 半经验模型、WISE半经验模型、Gabarró模型)。SMOS卫星和Aquarius/SAC\|D卫星的成功发射,将海表面盐度遥感的反演精度控制在0.2 psu以内,通过改进反演算法,有望得到更高的反演精度。     

自适应回声对消的初期迭代统计学模型及改进算法

为减少滤波器长度,提出自适应滤波算法初期迭代统计学模型及改进的回声消除算法。提出的统计学模型分析了自适应算法迭代初期滤波器各系数的均值和方差。基于该模型提出的改进算法,先检测回声路径峰值,进而确定回声路径延时,然后以延时为中心,用一个短的滤波器辨识原回声路径活跃系数部分。用实际回声路径进行仿真,理论和实验结果均表明,新算法在迭代的前75～100步已可准确检测回声路径峰值并确定延时;而减少滤波器长度,可大幅提高自适应算法收敛速度并降低算法计算复杂度。     

基于Ad Hoc网络的SMR优化算法的研究

SMR是一种基于DSR算法的多路径路由算法,这种算法的本身具有明显的局限性。第一,它可能在存在多条不相关多路径路由的情况下选择两条相关多路径路由作为最后的主路由与备份路由;第二,它在目的节点只收到一个RREQ分组的情况下只生成一条主路由,而实际可能存在多条传输线路。针对SMR算法的局限性,本文提出一种改进的SMR算法—ISMR,该算法保证了两条路由的形成,保证了在存在多条不相关多路径路由情况下,一定会生成两条不相关多路径路由。     

城市水系统关联模型研究

为了理清城市水系统中多因素间的复杂关系,对系统解决城市水问题提供帮助,基于水系统理论与城市水系统模拟相关研究,提出了城市水系统中水-经济社会-生态环境各因素之间相互作用和反馈的关联模型理论框架,建立了城市水系统演变过程中由针对经济发展的正反馈回路和针对可持续性的负反馈回路共同控制的新模式,构建了模拟城市水-经济社会-生态环境内在联系的城市水系统关联模型。以武汉市为例,应用建立的城市水系统关联模型,采用2001—2017年的历史统计数据,建立了武汉市城市水-经济社会-生态环境各要素之间互馈作用的模拟模型,预测了武汉市的城市发展轨迹,并与武汉市2030年的远期规划进行比较,验证了模型的有效性,表明城市水系统模型能够揭示城市水-经济社会-生态环境多要素的耦合驱动机制,体现了节水技术与绿色发展相关政策两大因子导向下的生态环境、经济社会协同发展的良好预期。     

500kV变压器油色谱在线监测装置故障处理

在我国的电力发展过程中,变压器对输电系统具有举足轻重的作用,因此及时发现变压器潜伏性故障对于变压器的正常运行显得尤为重要。变压器油色谱在线监测装置就可以及时发现变压器本体内部存在的潜在故障,对变压器的安全运行起到很好的监视作用。但前提是油色谱在线监测装置运行及数据正常,才能正确分析变压器存在的故障。对油色谱在线监测装置运行过程中出现的故障现象进行描述,针对出现的现象进行深入分析,有效避免主变事故的发生,最终保证变压器长期安全稳定运行。     

CoGCN: Combining co‐attention with graph convolutional network for entity linking with knowledge graphs

Entity linking is a fundamental task in natural language processing. The task of entity linking with knowledge graphs aims at linking mentions in text to their correct entities in a knowledge graph like DBpedia or YAGO2. Most of existing methods rely on hand‐designed features to model the contexts of mentions and entities, which are sparse and hard to calibrate. In this paper, we present a neural model that first combines co‐attention mechanism with graph convolutional network for entity linking with knowledge graphs, which extracts features of mentions and entities from their contexts automatically. Specifically, given the context of a mention and one of its candidate entities' context, we introduce the co‐attention mechanism to learn the relatedness between the mention context and the candidate entity context, and build the mention representation in consideration of such relatedness. Moreover, we propose a context‐aware graph convolutional network for entity representation, which takes both the graph structure of the candidate entity and its relatedness with the mention context into consideration. Experimental results show that our model consistently outperforms the baseline methods on five widely used datasets.     

SESF-Fuse: an unsupervised deep model for multi-focus image fusion

Neural Computing and Applications - Muti-focus image fusion is the extraction of focused regions from different images to create one all-in-focus fused image. The key point is that only objects...