田野考古GIS数据模型研究

以田野考古发掘中的各种三维空间对象为研究背景，进行详细的数据对象分类与描述．基于面向对象的思想，在进行田野考古三维现象剖析的基础上提出了适合考古发掘对象的矢量与栅格集成的混合数据模型，并以地层模型和地物模型分别加以描述和建模，论述了建模方法，即结合地层数据源类型，进行基于多层DEM与QTPV的地层建模，同时根据地物类别、形状和内部堆积进行基于TIN与TEN表示的三维地物建模，并提出了两者的集成方法和实施步骤．研究结果实现了田野考古GIS空间数据模型的统一表达，为田野考古GIS的开发提供了模型支持和基础．     

基于串并行卷积门阀循环神经网络的短文本特征提取与分类

针对短文本数据特征少、提供信息有限,以及传统卷积神经网络（convolutional neural network,CNN）和循环神经网络（recurrent neural network,RNN）对短文本特征表示不充分的问题,提出基于串并行卷积门阀循环神经网络的文本分类模型,处理句子特征表示与短文本分类。该网络在卷积层中去除池化操作,保留文本数据的时序结构和位置信息,以串并行的卷积结构提取词语的多元特征组合,并提取局部上下文信息作为RNN的输入;以门阀循环单元（gated recurrent unit,GRU）作为RNN的组成结构,利用文本的时序信息生成句子的向量表示,输入带有附加边缘距离的分类器中,引导网络学习出具有区分性的特征,实现短文本的分类。实验中采用TREC、MR、Subj短文本分类数据集进行测试,对网络超参数选择和卷积层结构对分类准确率的影响进行仿真分析,并与常见的文本分类模型进行了对比实验。实验结果表明：去掉池化操作、采用较小的卷积核进行串并行卷积,能够提升文本数据在多元特征表示下的分类准确率。相较于相同参数规模的GRU模型,所提出模型的分类准确率在3个数据集中分别提升了2.00%、1.23%、1.08%;相较于相同参数规模的CNN模型,所提出模型的分类准确率在3个数据集中分别提升了1.60%、1.57%、0.80%。与Text-CNN、G-Dropout、F-Dropout等常见模型相比,所提出模型的分类准确率也保持最优。因此,实验表明所提出模型可改善分类准确率,可实际应用于短文本分类场景。     

基于用户行为序列特征的位置预测模型

针对现有位置预测研究中忽略用户行为序列特性、预测精度提升受限的问题,提出了基于用户行为序列特征的位置预测模型.首先以人工提取的方式构建用户行为的序列特征,融合到位置预测模型中,构造了基于行为序列特征的循环神经网络模型（BCP-RNN）;借助RNN模型循环结构的特点,自动学习行为序列特征,并引入位置预测模型,构造了3层对称循环神经网络模型（TS-RNN）.实验结果证明,引入行为序列特征的BCP-RNN和TS-RNN模型,其预测性能均高于现有的位置预测模型,验证了行为序列特征对挖掘用户移动模式的重要性.相较于人工提取行为序列特征的BCP-RNN模型,TS-RNN不仅节省了人工特征提取的成本,还弥补了人工分析的片面性造成的偏差,具有更高的预测性能.     

基于纹理特征的高分辨率遥感影像分类方法

灰度共生矩阵能较好反映影像灰度统计规律,小波变换能较好反映影像的多尺度特性,利用两者结合进行了纹理特征提取。将灰度共生矩阵和小波变换提取纹理特征作为分类特征向量,建立基于支持向量机分类模型对高分辨率遥感影像进行分类;在支持向量机参数优化问题上,利用遗传算法进行参数寻优,有效的避免多学习和欠学习状态的发生。分类实验结果表明了本方法的有效性。     

Convolutional Neural Network Based on Spatial Pyramid for Image Classification

A novel convolutional neural network based on spatial pyramid for image classification is proposed. The network exploits image features with spatial pyramid representation. First, it extracts global features from an original image, and then different layers of grids are utilized to extract feature maps from different convolutional layers. Inspired by the spatial pyramid, the new network contains two parts, one of which is just like a standard convolutional neural network, composing of alternating convolutions and subsampling layers. But those convolution layers would be averagely pooled by the grid way to obtain feature maps, and then concatenated into a feature vector individually. Finally, those vectors are sequentially concatenated into a total feature vector as the last feature to the fully connection layer. This generated feature vector derives benefits from the classic and previous convolution layer, while the size of the grid adjusting the weight of the feature maps improves the recognition efficiency of the network. Experimental results demonstrate that this model improves the accuracy and applicability compared with the traditional model.     

基于Intranet空间信息网格体系结构设计

在分析了空间信息的多尺度、不确定性、分形和领域背景特征的基础上,讨论了空间信息特征对网格结果的影响,提出了具有空间信息特点的信息网格的体系结构;为了解决空间信息基于语义的共享问题,提出了一种基于空间信息特征的网格语义转换和推理模式的设计方案.在一定程度上解决了空间信息基于网格服务的集成和互操作,推动了空间信息的社会化进程.     

船舶行为的语义建模与表达

船舶行为的语义表达是实现水上交通态势智能认知与知识推理的基础。为实现对船舶时空运动特征的语义表达和抽象,完善船舶轨迹的语义转换方法,提出了一种船舶行为语义的认知计算模型。通过融合船舶的时空轨迹数据及航行环境信息,以船舶时空轨迹单元为基础,根据船舶的运动状态、轨迹的空间拓扑特征以及行为的语义特征,依据空间拓扑学理论,将船舶时空行为抽象为原子行为、拓扑行为和交通行为,从船舶的时空轨迹到语义行为进行了不同层次的概念建模、语义描述和形式化表达;最后,基于该语义模型对船舶在港口水域中不同类型的航行行为进行实例验证。结果表明,该模型能够对港口水域中不同运动特征、不同空间拓扑特征的船舶行为进行语义建模与形式化表达,将其提取为5种典型的交通行为,表明该语义模型对船舶行为认知具有一定的合理性和良好的适用性。研究成果能够为船舶行为的语义认知、知识计算提供理论方法基础,实现对高级船舶行为的语义计算和认知推理。     

Sonar Image Detection Algorithm Based on Two-Phase Manifold Partner Clustering

According to the characteristics of sonar image data with manifold feature, the sonar image detection method based on two-phase manifold partner clustering algorithm is proposed. Firstly, K-means block clustering based on euclidean distance is proposed to reduce the data set. Mean value, standard deviation, and gray minimum value are considered as three features based on the relatinship between clustering model and data structure. Then K-means clustering algorithm based on manifold distance is utilized clustering again on the reduced data set to improve the detection efficiency. In K-means clustering algorithm based on manifold distance, line segment length on the manifold is analyzed, and a new power function line segment length is proposed to decrease the computational complexity. In order to quickly calculate the manifold distance, new all-source shortest path as the pretreatment of efficient algorithm is proposed. Based on this, the spatial feature of the image block is added in the three features to get the final precise partner clustering algorithm. The comparison with the other typical clustering algorithms demonstrates that the proposed algorithm gets good detection result. And it has better adaptability by experiments of the different real sonar images.     

Feature Extraction of Sectorial Scan Image of Thick-Walled Electron Beam Welding Seam Based on Principal Component Analysis

基于主成分分析的厚板电子束焊缝超声相控阵

扇形扫描图像特征提取

刚铁¹,栾亦琳²,张弛¹

(1.哈尔滨工业大学 先进焊接与连接国家重点实验室,哈尔滨 150001;

2.黑龙江科技大学 材料科学与工程学院,哈尔滨 150022)

摘 要：

为解决缺陷识别模型训练时高维数据引起的耗时巨大问题,提出一种基于主成分分析的特征提取算法。从Ti-6Al-4V厚板电子束焊缝超声相控阵扇形扫描图像中提取出7个特征值,代表了原始数据87.3%的信息量。将提取的特征值和原始数据均用于训练支持向量机缺陷识别模型,从缺陷识别准确性和训练时间两个方面评价特征提取算法的有效性。结果表明,采用特征值训练的缺陷识别模型,气孔、裂纹、未熔合和未焊透的识别率分别为93%、 90.7%、94.7% 和 89.3%,略高于采用原始数据训练的模型。采用特征值的模型训练时间相比于采用原始数据的模型训练时间大大降低了。

关键词：电子束焊缝;超声相控阵;扇形扫描图像;特征提取;主成分分析

     

消除WSN目标功率影响的信号强度差LSSVR定位法

针对目标发射功率变化下的无线传感器网络(WSN)目标定位问题,分析了无线信道衰减特性,探讨目标功率无关的信号强度差特征提取方法,结合WSN信息交换与处理过程,提出能消除WSN目标功率变化影响的信号强度差LSSVR建模定位方法(TL-LMSD),该方法利用不同探测节点平均信号强度差构造特征向量,通过LSSVR回归建模获得表征特征向量与目标坐标映射关系的LSSVR模型,将各节点目标信号强度测量值的差值所构造特征向量输入LSSVR模型可实现目标定位.基于CC2430无线传感网络实验平台证明TL-LMSD方法目标定位均方根误差RMSE比MLE方法可减小29%～37%;TL-LMSD方法在LSSVR建模、无需重新建模2种情况下的目标定位耗时分别约为0.4s、0.04s.这表明TL-LMSD方法能显著减小信号强度值变化对目标定位结果的影响,提高目标定位准确度,并具有较好的实时性能. 号强度差构造特征向量,通过LSSVR回归建模获得表征特征向量与目标坐标映射关系的LSSVR模型,将各节点目标信号强度测量值的差值所构造特征向量输入LSSVR模型可实现目标定位.基于CC2430无线传感网络实验平台证明TL-LMSD方法目标定 均方根误差RMSE比MLE方法可减小29%~37%;TL-LMSD方法在LSSVR建模、无需重新建模2种情况下的目标定位耗时分别约为0.4s、0.04s.这表明TL-LMSD方法能显著减小信号强度值变化对目标定位结果的影响,提高目标定位准确度,并具有较好的实时性能. 号强度差构造特征向量,通过LSSVR回归建模获得     

一种集成卷积神经网络和深信网的步态识别与模拟方法

针对高斯过程的条件受限玻尔兹曼机(Gaussian-based conditional restricted Boltzmann machine, GCRBM)时序模型可以对单一种类的步态时序数据进行很好的预测,但对多类步态时序数据难以识别和预测的问题,提出一种集成卷积神经网络(convolutional neural network, CNN)和深信网(deep belief network, DBN)的步态识别与模拟方法。利用所有类步态数据训练多个不同结构的CNNs模型,利用多类数据训练多个DBNs模型学习低维特征,并通过低维特征训练多个GCRBMs模型。在步态识别与模拟时,CNNs分类器通过投票法确定步态数据的类别;通过识别到的类所对应的DBNs模型低维特征作为对应GCRBMs模型的输入预测目标数据的后期时序低维特征;利用DBNs重构阶段将后期时序低维特征模拟出步态图像。在CASIA系列步态数据集上的试验结果表明:与支持向量机(support vector machine, SVM)、集成DBN和CNN等方法相比,本研究方法的识别率有一定的提高,提出的模型能够根据步态时序预测结果模拟出真实的步态序列图像,证实了模型的有效性。     

China's lakes at present:Number,area and spatial distribution

Based on 11004 satellite images from CBERS CCD and Landsat TM/ETM,changes in the spatial characteristics of all lakes in China were determined following pre-established interpretation rules.This dataset was supported by 6843 digital raster images(1:100000 and 1:50000),a countrywide digital vector dataset(1:250000),and historical literature.Comparative data were corrected for seasonal variations using precipitation data.There are presently 2693 natural lakes in China with an area greater than 1.0 km2,excludi...     

Blind steganalysis algorithm based new calibration for JPEG images

To improve the embedding sensibility of calibrated feature in steganalysis, by studying the relationship between calibration technique and feature, a mathematical model for calibration based on the calibration classification is established, and a blind JPEG steganalysis algorithm based on the new calibration is presented. First we crop 4 pixels in the image and put forward a modified form of calibration, then the histogram characteristic is obtained according to the spatial distribution of the image features before and after calibration, and the Markov transfer probability matrix of the new calibration is calculated on the basis of redundancy. Finally, we fuse these features with the blocks feature and obtain the feature vector.Through the detection experiment of nsF5, Jsteg and MB1 algorithms with low embedding rates and among the feature vector, it is shown that this method has a better detection performance compared with those existing calibration methods. Its correctrate is more than 90％. The feature sets also show some complementary characteristics. It can be more stable and reliable in the different quality factors experiment.     

融合谱-空域信息的DBM高光谱图像分类方法

在高光谱图像分类问题中,提取能够有效表达地物特征的信息是分类方法中的关键问题。为了提高高光谱图像分类精度,提出一种基于深度玻尔兹曼机的高光谱图像分类方法。该方法首先对高光谱图像数据进行主成分分析法白化处理,并提取像元的空域信息,与像元光谱信息组成综合的谱-空域信息;然后通过多层深度玻尔兹曼机模型从像元的谱-空域信息中提取深层次类别特征;最后通过逻辑回归模型对所提取特征进行分类。这种深度玻尔兹曼机模型能够利用数据的先验知识对高维数据进行特征提取,并且所提取的特征内在地表示了地物的空间结构和光谱特征。实验结果表明,这种方法能够有效地提高高光谱图像的分类精度。     

融合整体和局部信息的三维模型检索方法

基于特征融合的三维模型检索方法能有效提高检索效率,提出一种融合整体和局部信息的三维模型检索方法。分别通过Canny算子提取边缘特征和基于尺度不变特征变换特征的词袋模型提取词频向量特征,边缘特征用于描述三维模型的整体信息,词频向量特征用于描述三维模型的局部信息,将这两种特征融合成为新的特征用于描述三维模型。试验表明,融合整体和局部信息的三维模型检索方法能够有效地提高检索结果的准确率。     

基于四叉树的海量空间数据模型研究

地理信息系统的发展与应用，导致空间数据不断增长。数据量大、信息量多，内容丰富是空间数据的特点。针对全球海量空间数据的特点，提出了一种基于四叉树的空间数据模型，合理地对空间数据存储空间进行分配，很好地解决了海量空间数据的高效存取问题。     

基于多层次语义特征的建筑立面点云提取方法

建筑立面信息是指建筑物与外部空间接触面的空间分布及属性信息,如何从点云数据中提取建筑立面信息是点云数据处理中的热点和难点。为解决传统格网密度算法在建筑立面点云提取时评价标准单一、适应性不强的问题,综合分析建筑区各类典型地物点云的高程分布、投影密度、法向量分布等局部及整体空间特征,构建由点云单点语义、格网语义及区域语义组成的多层次语义特征描述子,在此基础上提出一种建筑立面点云提取方法,针对建筑立面点云在不同层次语义上的特点设置合理阈值,通过逐层筛选实现建筑立面点云的精确提取。试验结果表明：该算法能在低层、高层以及超高层建筑区等不同场景海量点云中快速准确地实现建筑立面点云提取,算法精度、效率、适应性良好。     

基于SVM分类的云集群失败作业主动预测方法

提出了一种使用支持向量机（SVM）模型预测作业终止状态的方法.以Google数据集为研究对象,首先分析作业终止状态的影响因素,提出使用作业的静态特征和动态特征作为终止状态分类的特征向量,选择SVM模型主动预测终止状态;然后从特征向量和分类模型2个层面对准确率、假负率、精确度指标进行验证.特征向量实验结果表明,基于静态和动态特征的SVM预测模型比单独使用静态特征和动态特征,分别提高0.94%、-0.01%、1.35%和9.08%、-1.36%、10.91%.分类模型的比较结果显示,SVM分类预测方法比传统的神经网络模型、朴素贝叶斯模型、逻辑回归模型的预测效果好.     

基于BERT的复合网络模型的中文文本分类

针对自然语言在语句结构上有着较强的前后依赖关系,提出一种基于BERT的复合网络模型进行中文新闻分类。首先利用BERT的基于注意力机制的多层双向transformer特征提取器获得字词以及句子之间更加全局的特征关系表达。然后将所得数据输入门结构更加简单的双向门控循环神经网络层将特征增强的同时减少时间代价,加强数据特征的选取精确度。最后将不同权重的文本特征信息输入softmax函数层进行新闻分类。通过在cnews新浪新闻数据集上进行实验,获得97.21%的F1值,结果表明所提特征融合模型较其他模型分类效果更好。     

基于SolidWorks特征模型的导入式CAPP系统

提出了一种以SolidWorks为平台、特征技术为基础的导入式CAPP系统，该系统使设计人员在建立零件的实体模型过程中，按照加工特点一步一步形成特征的同时完成工艺的自动生成和优化。也可以将已经建立的特征模型通过逐步导入的方式完成工艺的自动生成和优化．系统的主要特点是尽量将设计过程和加工过程贯通，从工厂实际的工作过程考虑，避免一般CAPP系统抽象的缺点，具有操作简单、容易理解的优点．