基于多尺度特征融合的U-Net网络高分影像不透水面提取研究

不透水面作为监测城市生态环境的重要指标,其信息提取具有重要意义。由于城市地表的复杂性及细化的城市管理需要,急需提取高精度的城市不透水面。但是基于传统方法提取高精度的城市不透水面面临巨大困难。而深度学习方法因其自动化提取影像特征的特点逐渐成为遥感影像地物提取的新兴方法。基于此,采用多尺度特征融合的U-Net深度学习方法以提升语义分割精度,开展高分辨率遥感影像不透水面的精确提取研究。模型引入残差模块代替普通卷积以加深网络,提取更多影像特征;加入金字塔池化模块增强网络对复杂场景的解析能力;利用跳跃连接方式融合不同尺度特征,有利于恢复空间信息。以广州市航摄正射影像为数据源,通过卷积神经网络将遥感影像分割为背景、其他、植被、道路和房屋5种地物类型,将其与人工目视解译的地面真值进行验证,最终提取研究区域不透水面。实验证明：多尺度特征融合的U-Net模型总体精度和Kappa系数分别为87.596%和0.82。在定性与定量两个方面均优于传统的监督分类法、面向对象分类法和经典U-Net模型法。结果表明：该模型利用多维度影像特征信息,有效提升了复杂场景图像的分割精度,分割效果好,适用于高分辨率遥感影像不透...     

卷积神经网络的电力系统设备状态智能识别研究

为提升电力系统设备状态识别效果,文中提出了卷积神经网络的电力系统设备状态智能识别方法.首先采集电力系统设备状态图像,采用卷积神经网络获取图像特征,然后根据图像内状态信息修正卷积神经网络参数,更新权值公式提取修正误差后的设备状态特征,将特征输入神经网络进行学习,建立电力系统设备状态智能识别模型,最后仿真测试结果表明,该方...     

东营凹陷北部陡坡构造岩相带油气成藏模式

东营凹陷北部陡坡带是多期、多种应力方式作用下形成的复杂断裂构造带，控制辫状河三角洲、扇三角洲、洪积扇、近岸水下扇、陡坡深水浊积扇和近岸砂体前缘滑塌浊积扇等6种沉积体系发育，发育了3种构造岩相带：铲式陡坡断裂冲积扇、扇三角洲和小型辫状河三角洲构造岩相带，潜山台地陡坡断裂带洪积扇、扇三角洲构造岩相带，阶梯式陡坡断裂带小型洪积扇、滑塌浊积扇和深水浊积扇构造岩相带；有砂体上倾尖灭、差异压实背斜、断层封闭遮挡、薄泥岩封盖和浊积岩透镜体等5种成藏模式。研究陆相断陷湖盆陡坡带对沉积体系的控制作用，对预测复杂岩性油藏分布有重要意义．     

准噶尔盆地石炭系火山岩气藏形成条件分析

通过对准噶尔盆地石炭系油气成藏条件的分析,认为火山岩相、基底断裂和生烃中心是石炭系油气成藏的主要控制因素。自生自储是石炭系油气来源的重要特征,火山岩是石炭系主要储层,分布广,厚度大;孔隙和裂缝是主要储集空间类型,且物性不受埋深影响;不同的火山岩性-岩相有不同的储集性能,溢流相的流纹岩、安山岩和爆发相的火山角砾岩是好的火山岩相;火山岩风化壳孔缝发育,是最优质的储集体。断裂是油气运移的主要通道,纵向运移是油气聚集的主要方式,基底断裂控制着油气藏的分布。二叠系和中生界泥质岩类构成了石炭系主要盖层,油气保存条件好。     

Knowing others' preferences degrades the quality of group decisions.

Results from 4 experiments demonstrate that learning the other group members' preferences at the beginning of a discussion impedes the solution of hidden profiles. In Experiments 1–3, participants who were not informed about their fellow group members' preferences were more likely to solve a hidden profile than those who received bogus information about the others' preferences. The negative effect of learning the others' preferences on decision quality was mediated by participants paying less attention to the information exchanged when they had been made aware of the others' preferences. Experiments 1 and 2 further ruled out that the effect of learning the others' preferences is due to participants bolstering their position or due to an increase in informational load. Experiment 3 showed that learning the other group members' preferences impedes the solution of hidden profiles even if one of the other members favors the correct alternative. Finally, Experiment 4 replicated these results in face-to-face interacting 3-person groups. (PsycINFO Database Record (c) 2010 APA, all rights reserved)     

基于OFDMA的分布式网络架构干扰分析及资源池概念

为了评估采用正交频分多址接入技术的多小区分布式网络架构的干扰状况，以广义分布式小区架构——群小区为例，具体分析了不采用功率控制、采用信干比平衡功率控制策略以及进一步采用逐步删除算法时的群小区架构小区间干扰状况，评估了与传统蜂窝架构相比较的系统中断性能．分析与仿真表明，相对于传统蜂窝结构，群小区架构的小区间干扰并没有大幅度的提高．并且由于群小区架构的系统资源是统一进行分配与管理的，系统性能较传统蜂窝架构有更大的提高．基于此分析，进一步提出了资源池概念．     

A bi-criteria model for the inventory aggregation problem under risk pooling

Inventory aggregation, also called Risk Pooling, is one of the most efficient ways to reduce the level of safety stocks thereby reducing inventory across the supply chain. Determining the best level of aggregation is a difficult problem and needs extensive study of all the possible scenarios that can affect this decision. Minimizing costs in a supply chain is no longer the sole priority of businesses. Maintaining a high level of responsiveness is also considered equally important. The conflicting nature of these two criteria makes the solution of the problem difficult. In this paper, we develop a bi-criteria nonlinear stochastic integer programming model to determine the best supply chain distribution network to meet customer demands, where minimizing costs while maintaining high levels of responsiveness is important. We develop a two-stage optimization algorithm to solve this problem.     

用于交通图像识别的改进尺度依赖池化模型

针对交通标志在自然场景中所占的比例较小、提取的特征量不足、识别准确率低的问题,提出改进的尺度依赖池化（SDP）模型用于小尺度交通图像的识别。首先,基于神经网络深卷积层具有较好的轮廓信息与类别特征,在SDP模型只提取浅卷积层特征信息的基础上,使用深卷积层特征补足型SDP（SD-SDP）映射输出,丰富特征信息;其次,因SDP算法中的单层空间金字塔池化损失边缘信息,使用多尺度滑窗池化（MSP）将特征池化到固定维度,增强小目标的边缘信息;最后,将改进的尺度依赖池化模型应用于交通标志的识别。实验结果表明,与原SDP算法比较,提取特征量增加,小尺度交通图像的识别准确率较好地提升。     

基于改进残差网络的扬尘图像识别方法

当前利用深度学习方法进行扬尘图像识别的研究较少,一些传统的方法使得扬尘图像的识别率较低.针对这种情况,提出一种基于改进残差网络的扬尘识别方法.该方法将ResNet-50网络应用到扬尘数据集中,并对其网络结构进行了改进.加入空间金字塔池化以解决输入图像尺寸不固定的问题,并且将金字塔池的策略改为平均池化,将扩大特征图的方法应用到主干网络中,有利于提取到更加细粒度的特征,提升模型的性能,从而提高识别率.实验结果表明,该方法具有很高的精确度,为扬尘识别提供了一种有效的方案.