基于天线对打的住宅小区深度覆盖解决方案

住宅小区是在特定时段内城市人口最集中的区域之一,其网络深度覆盖问题是当前4G网络覆盖以及5G网络规划工作的重点以及难点,直接影响了用户对于运营商的网络质量和服务水平的感知.针对传统住宅小区深度覆盖方案存在的问题,提出了基于天线对打的住宅小区深度覆盖解决方案,可为解决住宅小区深度覆盖问题提供建设参考.     

一种用于红外耦合图像色彩校正的生成对抗网络

CCD/CMOS传感器在图像采集过程中,R,G,B三通道都会受到红外光线的串扰,导致所拍摄的照片呈现一种不正常的红色状态。针对这一问题,文中提出一种用于红外耦合图像色彩校正的生成对抗网络。生成网络使用编码解码结构。编码器通过卷积层提取红外耦合图像特征;解码器对提取到的特征进行逆向求解、重构,以剔除图像红、绿、蓝通道中混叠的红外信号。为了进一步缩小生成图像与源图像的差距,使其在颜色、纹理细节等方面更具一致性,文中在原有的对抗损失基础上加入了MSE损失优化网络参数,对网络模型进行约束。实验结果表明,相较于其他色彩校正算法,使用文中方法校正的图像色彩更加鲜明,纹理细节更加突出,更加符合人眼的直观感受;PSNR,SSIM,AVG指标分别比Gray World算法高8.447 1 dB,0.082 3,1.347 1,CD,NIQE指标分别比Gray World算法低6.176 8,1.064 9,具有更好的校正效果。     

3G移动数据业务深度运营的分析

本文通过引入市场细分和目标市场的选择,着重阐述了以用户需求为导向的数据业务深度运营视角,在此基础上进行了定性的分析,从而提出了对于3G数据业务深度运营的若干策略.     

TSP超前地质预报地震波反射特性研究

深埋隧道工程地质和水文地质条件复杂多变,盲目施工常会造成突水、突泥(涌砂)和塌方等安全事故,深入细致的超前地质预报工作是隧道信息化设计和施工的重要依据之一.以高风险岩溶隧道沪蓉西高速齐岳山隧道为工程背景,结合地震波传播理论和TSP超前地质预报实践,研究了岩溶隧道内断层破碎带,泥夹石充填型、软弱夹泥充填型、地下水充填型和无充填型溶洞,以及富水岩层的地震波反射特性;提出了以深度偏移为主要依据,并结合反射层图、反射事件表、纵横波速和岩体物性参数分析的预报方法,该方法可以有效提高TSP对断层破碎带、溶洞、和地下水的超前地质预报效果,对类似工程具有一定的借鉴意义.     

基于卷积神经网络的网贷违约风险模型研究

自互联网金融诞生以来,网络贷款得到了快速发展,但是借贷双方的信息不对称增加了网贷的违约风险,同时随着互联网技术的发展网贷用户数据也表现出高维化的趋势,数据处理面临更大的挑战,因此亟需应对该问题并在网贷违约风险上进行准确、稳定的预测。该文提出了卷积神经网络(CNN)和一般机器学习模型结合的预测模型,利用CNN在数据特征提取上的优势来处理高维的网贷用户信息。首先采用数值图形化思想对网贷用户数据进行处理并与CNN对接,其次调整其超参数选择合适的网络模型,然后基于三种一般机器学习模型与CNN的组合进行网贷风险预测测试,最后在真实数据集上使用最优的网贷违约风险预测模型进行预测。实验结果验证了组合模型的显著性以及CNN对一般机器学习模型性能提升的能力,为网贷风险预测提供了一种新思路。     

基于深度残差网络的脊柱疾病分类预测

脊柱退化性疾病,作为脊柱外科中最常见的疾病脊椎疾病,其发病正呈现年轻化的趋势。磁共振成像作为一种非侵入式检查手段,凭借对软组织成像好、无辐射、对肌肉骨骼疾病的特异性和敏感度较高等优点,在临床上被用于脊椎疾病的诊断。该文提出了一种基于深度残差网络的脊椎病核磁共振图像人工智能分类模型,能够帮助医生实现早期的脊柱退化性疾病筛查,帮助患者尽早得到正确有效的治疗。据实验结果表明,该模型不仅可以获得比传统神经网络深度学习算法更高的脊椎疾病识别率,还可以比传统神经网络深度学习算法提高35%到85%的计算效率并节省70%以上的内存占用。这一点使得该算法能够适应于资源有限的移动终端和对延迟要求比较高的医疗场景。     

基于近岸海面视频的浪高实时检测预测系统

针对目前国内近岸浪高监测手段有限、监测频率和精度难以保障的问题,设计和研发了近岸海面视频监控下的浪高实时检测预测系统。根据业务需求,将系统分为视频传输、视频预处理、浪高检测、浪高预测和浪高可视化五个模块,其中视频传输模块负责所有监控视频在系统中的传输;视频预处理模块负责消除视频中干扰物对浪高检测精度的影响;浪高检测模块使用多层局部感知卷积神经网络(NIN)和支持向量回归(SVR)对海浪视频进行浪高检测;浪高预测模块使用长短期记忆网络(LSTM)对未来12小时和24小时的浪高进行预测;浪高可视化模块负责将检测所得浪高值映射为伪彩色,对浪高进行可视化。该系统支持多观测站点并行检测、站点切换、自动截断保存监控视频和存储浪高数据等功能。在国家海洋局北海预报中心的应用试验表明,该系统运行稳定,能够较好地协助浪高预报人员的工作。     

基于改进LSTM神经网络的测井曲线重构方法

地球物理测井过程中,由于仪器测量或者井眼原因等经常会造成部分测井曲线失真或缺失的情况,针对失真或缺失部分测井曲线的补全与生成问题,对测井领域知识和长短期记忆神经网络(LSTM)进行了研究,提出联合领域知识与深度学习的测井曲线重构模型(DK-LSTM)。利用测井领域知识中的地层岩性特征指数筛选数据得到高质量的训练样本,并将其作为深度学习重构测井曲线的依据;构建并训练带有领域知识约束层的长短期记忆神经网络模型;基于测井曲线间的强依赖关系在重构模型中引入注意力机制,进而生成并补全测井曲线中失真或缺失的信息。实验结果表明DK-LSTM测井曲线重构模型较标准长短期记忆神经网络和串级长短期记忆神经网络具有更准确的预测效果,为测井曲线重构提供了一种新思路。     

改进ResNet18网络模型的花卉识别

花卉识别在生活中有重要的应用和研究价值。目前传统的花卉识别方法都是通过人工手动选择多个特征进行分类,存在识别准确率低、泛化能力较弱和分类时间长等问题。由于不同的花朵之间存在相似度,通过对每张图片随机变化,增强数据集,把花卉作为研究对象,提出了一种基于ResNet18网络模型优化的花卉识别方法。将ResNet18网络模型中残差块的基础卷积替换为空洞卷积,提取花卉图片更多的细节特征来实现高精度,接着在每个残差块后分别加入经过改进的通道注意力机制优化网络权重,构造改进的ResNet18网络模型,在Oxford 102 Flowers牛津花卉数据集上的实验进行了仿真。实验结果显示,在Oxford 102 Flowers牛津花卉数据集上ResNet网络模型相较于基础AlexNet、VGG-16网络模型准确率高。改进的ResNet网络模型识别精度可以高达97.78%,比仅使用空洞卷积的模型提高了3.11个百分点,比原模型提高了4.45个百分点。改进的ResNet18网络模型在花卉识别的泛化和拟合能力有显著的提高。