西藏燕麦主要种植区灌溉定额空间分布及影响因素

燕麦为西藏自治区典型牧草之一,由于种植区地域辽阔,灌溉试验结果受限,西藏燕麦主要种植区的灌溉定额尚不明确。本文在西藏燕麦主要种植区内选取28个典型站点进行资料收集,遵循农业气候相似原则进行区域划分,基于水量平衡法揭示了西藏燕麦主要种植区灌溉定额的空间分布特征,并根据统计学原理分析了其影响因素。研究表明:燕麦主要种植区的灌溉定额呈由西藏中部至东部呈现先递增后递减的趋势,50%水文年下的燕麦灌溉定额在56~265 mm之间变化。降雨量是影响研究区内燕麦灌溉定额的主要因素(R²为0.515),ET₀次之(R²为0.152);其它气象因素中,日照时数对研究区燕麦灌溉定额影响较大(R²为0.462),且呈正相关关系;相对湿度对燕麦灌溉定额影响较小。西藏燕麦主要种植区的灌溉定额及其空间分布可为西藏自治区灌溉用水管理提供支撑。     

结合结构学习的多头密集连接图池化模型

目的:利用图神经网络，构建带有结构学习的多头密集连接图池化模型并用于图分类任务。方法:首先，用图卷积神经网络提取节点的初始特征。其次，用多头密集连接网络学习节点重要性得分，并根据得分进行节点采样得到池化图。之后，对池化图中的节点进行结构学习，以保证图结构的完整性。最后，将学到的图表示放到分类器中，完成图分类任务。结果:与其他图分类模型在七个广泛使用的数据集上进行实验对比，我们构建的模型在五个数据集上的分类结果达到最优。结论:结合结构学习的多头密集连接图池化模型在图分类任务中具有先进性。     

GOS+MU:一种查询对象选择新方法

在分析单一MU(Most Uncertainty)采样缺陷的基础上,提出一种"全局最优搜寻"方法 GOS(Global Optimal Search),并结合MU共同完成查询选择。GOS+MU方法中,GOS着眼全局寻找目标,在应用环境能提供的训练样本数量有限、分类器受训不充分时,该方法选择的对象学习价值高,能快速推进分类器学习进程;MU则能够在GOS采样失效情形下,利用分类器当前训练成果,选择查询不确定性最强的样本补充训练集。通过对网络商品的用户评论进行分类仿真,并比较其他采样学习方法的效果,证明了GOS+MU方法在压缩学习成本、提高训练效率方面的有效性。     

采用八叉树和OSG分页结点的海量点云三维可视化

针对现有海量点云可视化方法存在索引构建时间长、内存占用大等问题，研究一种八叉树索引结合OSG分页结点的快速可视化方法，可在占用较小内存的基础上快速建立点云索引并实时调度。采用八叉树索引结构对海量点云进行数据组织，建立各层级的八叉树结点并以文件映射的方式分块保存，对结点文件重组织转换为支持OSG渲染引擎的多分辨率点云数据。采用基于OSG分页结点的实时调度技术，对海量点云进行高质量可视化。与目前两款主流的点云数据处理商业软件进行实验对比分析，结果表明所提方法具有索引建立速度快、内存占用小等优点，同时可视化交互更加流畅，适用于各种配置计算机下海量点云数据的调度管理与实时可视化。     

清单与定额计价在招投标和预结算的应用探析

清单与定额计价是我国现阶段建设工程在其招投标及预结算中使用较多的方式。但在其相关过程中,无论是招投标还是预结算都以当地政府管理部门采用的定额编制方式为主,进而通过科学、合理的应用实现两种模式的内在价值。     

一种基于非下采样Contourlet变换的去噪算法

文章提出了一种新的去噪算法,算法是基于非下采样Contourlet变换(NSCT)的自适应阈值。首先需要对含噪图像进行非下采样Contourlet变换,然后得到各个尺度各个方向子带的系数。为了克服软、硬阈值函数的缺点,提出了一种自适应的新阈值函数。仿真实验表明,文章方法在峰值信噪比(PSNR)、信噪比(SNR)、均方误差(MSE)与视觉效果上均优于其他去噪算法。     

宽带DRFM干扰机信号处理模块设计

目的:提高数字射频存储器(DRFM)干扰机的瞬时带宽、处理能力和灵活性等性能。方法:结合DRFM原理与信道化接收技术,提出了高性能宽带DRFM干扰机信号处理模块的设计方案,并据此采用先进的信号处理器件和高性能ADC、DAC设计硬件平台,完成相应的软件设计。结果:对硬件平台的性能参数进行测试,实验表明其瞬时带宽可达4 GHz,信号最大存储深度约为200 ms,最小转发延迟约为600 ns。结论:该原型机可实现对新体制雷达的有效干扰。     

组合降采样极限学习机

设计了一种针对不平衡数据集的学习机,即组合降采样极限学习机(EUS ELMs)。当训练数据集不平衡时,普通分类器对少数样本的分类敏感性较低,而给予多数样本过度关注。针对这种问题,将组合降采样结构与极限学习机(ELM)结合起来,形成一种新的组合学习机。该学习机继承了组合降采样结构对样本选择的依赖性小的优点,和极限学习机分类效率高、耗时短的优势,而且可以通过不同的参数设置控制对少数样本的关注度,根据使用者需求获得不同分类效果。