基于3S技术的山东省森林调节温度的生态服务功能研究

森林生态服务的量化研究是森林生态服务评估的关键之一。本文以山东省的森林资源为研究对象,利用MODIS温度产品、植被指数产品、实际采集的外业数据、山东省气象数据等资料,结合GIS技术,对2000-2006年山东省森林不同时间的温度数据进行了量化分析,是对大范围的森林调节温度的生态服务功能进行量化的尝试,得出了森林调节温度的相关规律：（1）森林夏季具有降温作用,冬季具有保温作用;（2）森林温度变化的振幅此农田、城镇都小;（3）农田降温和保温的效果都不如森林显著;（4）在夏季,白天森林地表温度（LST）和归一化植被指数（NDVI）是负相关的关系,冬季是正相关的关系;无论冬夏,夜间森林的LST与NDVI几乎不存在相关性;（5）LST变化与NDVI变化的相关性比LST变化于降水变化的相关性强。     

基于多层注意力机制的4DC-BGRU脑电情感识别

为了提高脑电情感识别的准确率，提取更丰富的特征信息，提升网络模型稳定性，提出一种改进的基于多层注意力机制的脑电情感识别模型。在特征提取方面，将原始脑电信号转换成四维空间 频谱 时间结构，提取丰富的脑电信息。在网络模型方面，构建双路卷积神经网络学习空间及频率信息，有效提取多尺度特征，增加网络宽度来学习更丰富的特征信息；在卷积层及池化层后融入批量归一化层，防止过拟合。最后，构建多层注意力机制 双向门控循环单元模块处理时间特征并配合Softmax分类。采用双向门控循环单元学习更全面的上下级特征信息。利用多层注意力机制使四维特征中不同时间切片与整体时间切片之间产生关联。该文在DEAP数据集唤醒度和效价两个维度进行了评估实验，二分类平均准确率分别为96.38%和96.73%，四分类平均准确率为93.78%。实验结果显示，与单路卷积神经网络及其他文献算法相比，该文算法的平均准确率有所提高，表明该算法可以有效提升脑电情感识别性能。     

基于改进VGG-16和通道注意力机制的脑电图抑郁症辅助检测

利用脑电图信号,结合深度学习方法进行抑郁症辅助诊断目前仍存在特征提取不足及模型诊断准确率不高的问题。为了提取更具表征抑郁症的特征,提高抑郁症辅助诊断的准确率,本文从特征提取和网络框架两个方面进行改进,提出一种结合改进VGG-16和基于压缩激励网络的通道注意力机制（SEMod-VGG）的抑郁症辅助检测模型。首先,提取脑电图信号中α（Alpha）、θ（Theta）和β（Beta）频段的微分熵特征,与对应通道的功率谱密度特征相融合,构成一种同时具有时频属性和能量属性的四维融合特征;其次,针对该四维特征,改进现有的VGG-16模型,同时采用5*5和7*7两种不同尺度的卷积核,在提取脑电信号的时频信息和功率信息的同时,提高特征的泛化表征能力;再将基于压缩激励网络的通道注意力与改进的检测模型相结合,对电极通道的权重进行二次标定;最后采用十折交叉验证优化最小二乘支持向量机,改善传统支持向量机的局限性。本文所提模型在准确率,召回率以及网络性能这三个方面进行实验评估,在MODMA数据集上的结果表明：当使用四维融合特征作为输入时,SEMod-VGG可得到最佳的分类精度,分别为3通道92.21%,16通道93.47%以及128通道95.76%;同时模型的检测召回率也达到较高水平,分别为3通道91.57%,16通道92.46%以及128通道96.80%。相较于现有的抑郁症辅助检测模型,本文所提出的融合特征对抑郁症的表征性更强,且所提出的模型在检测准确率,召回率以及模型效率上均取得明显提升。