Sentinel-2卫星的多光谱轻量级船舶目标检测算法

近年来深度卷积神经网络在可见光船舶检测方面取得了显著的进展，然而，大多数相关研究是通过改进大型的网络结构来提高检测性能，因此加大了对更高计算机性能的需求。此外，可见光图像难以在云、雾、海杂波、黑夜等复杂场景检测到船舶。针对以上问题，提出了一种融合红（red, R）、绿（green, G）、蓝（blue, B）和近红外（NIR）4个波段光谱信息的由粗到精细的轻量型船舶检测算法。与现有的方法中根据光谱特性利用水体检测算法提取水体区域不同之处是该算法是利用改进的水体检测算法来提取船舶候选区域。为获取更准确的候选区域，对船舶、厚云、薄云、平静海面、杂波海面5种场景中4个波段的像素值进行了统计分析，选取近红外大于阈值作为辅助判断，并以其中心点获取候选区域32×32大小的切片，并对切片进行非极大值抑制，由此获得了船舶粗检测结果。随后构建了轻量级LSGFNet网络对船舶候选区域切片进行精细识别。构建的网络融合了1×1卷积提取的波谱特征与3×3的提取几何特征，为防止光谱特征与几何特征的信息在融合时“信息不流通”，在LSGFNet网络中引入了ShuffleNet中的通道打乱机制，并减小了模型结构，与典型的轻量级网络相比具有更好的效果且模型较小。最后，利用Sentinel-2卫星多光谱10 m分辨率数据构建了512×512大小的1 120组数据进行粗检测，以及32×32大小的6 014组数据进行精细网络训练，其中候选区域粗提取的查全率为98.99%，精细识别网络精确度为96.04%，不同场景下的平均精确度为92.98%。实验表明该算法在抑制云层、海浪杂波等干扰的复杂背景下具有较高的检测效率，且训练时间短、计算机性能需求低。     

熵的一种通俗教法

熵如力、能量和动量一样是物理学中一个重要概念,若能用一种通俗易懂的方法设计熵的教学,对文科物理的教学有重要意义.为此本文提出了一种通俗的熵的教法,这一教法不需要学生学习热力学第二定律也可以建立熵的概念.具体教学设计如下:通过日常生活例子引入熵的概念(也就是玻尔兹曼熵),设计两个例子让学生会计算熵,通过具体问题的讨论让学生充分理解熵的意义,通过一个实例由玻尔兹曼熵引入克劳修斯熵公式,设计一个演示实验强化教学效果,将熵与环境保护联系起来融入人文情怀,最后还强调了熵计算的不同层次.教学设计完全采用基于问题学习(PBL)的教学模式.     

高雷诺数下非混相Rayleigh-Taylor不稳定性的格子Boltzmann方法模拟

本文采用相场格子Boltzmann方法研究了竖直微通道内中等Atwoods数流体的单模Rayleigh-Taylor不稳定性问题,系统分析了雷诺数对相界面动力学行为以及扰动在各发展阶段演化规律的影响.数值结果表明高雷诺数条件下,不稳定性界面扰动的增长经历了四个不同的发展阶段,包括线性增长阶段、饱和速度阶段、重加速阶段及混沌混合阶段.在线性增长阶段,我们计算获得的气泡与尖钉振幅符合线性稳定性理论,并且线性增长率随着雷诺数的增加而增大.在第二个阶段,我们观察到气泡与尖钉将以恒定的速度增长,获得的尖钉饱和速度略高于Goncharov经典势能模型的解析解[Phys.Rev.Lett.200288134502],这归因于系统中产生了多个尺度的旋涡,而涡之间的相互作用促进了尖钉的增长.随着横向速度和纵向速度的差异扩大,气泡和尖钉界面演化诱导产生的Kelvin–Helmholtz不稳定性逐渐增强,从而流体混合区域出现许多不同层次的涡结构,加速了气泡与尖钉振幅的演化速度,并在演化后期阶段,导致界面发生多层次卷起、剧烈变形、混沌破裂等行为,最终形成了非常复杂的拓扑结构.此外,我们还统计了演化后期气泡与尖钉的无量纲加速度,发现气泡和尖钉的振幅在后期呈现二次增长规律,其增长率系数分别为0.045与0.233.而在低雷诺条件下,重流体在不稳定性后期以尖钉的形式向下运动而轻流体以气泡的形式向上升起.在整个演化过程中,界面变得足够光滑,气泡与尖钉在后期的演化速度接近于常数,未观察到后期的重加速与混沌混合阶段.     

对流扩散方程的缩减基有限元法的后验误差

将缩减基(RB)方法和有限元方法相结合,在保证偏微分方程的有限元离散格式具有足够高精确度前提下,能够大幅度地降低有限元离散格式的维数,从而大大降低计算中内存容量和计算时间的消耗.针对对流扩散方程建立基于RB方法的Crank-Nicolson有限元离散格式,并给出后验误差估计结果.     

基于化学学科认知障碍突破的中考复习教学实践* ——以“二氧化碳的性质”为例

分析学生对二氧化碳的3个典型学科认知障碍,以“二氧化碳的捕捉”为情境,通过“尝试捕捉二氧化碳”“谁在捕捉二氧化碳”“捕捉背后的原理”等3个主要环节,实现对学科认知障碍的突破,展示了一种新的中考复习教学思路。     

基于深度学习的ELM实时识别研究

基于深度学习的方法，在HL-2A装置上开发出了一套边缘局域模(ELM)实时识别算法。算法使用5200次放电数据(约24.19万数据切片)进行学习，得到一个深度为22层的卷积神经网络。为衡量算法的识别能力，识别了HL-2A装置自2009年实现稳定ELMy H模放电以来所有历史数据(约26000次放电数据)，共识别出1665次H模放电，其中误识别35次，误报率为2.10%。在实际的1634次H模放电中，漏识别4次，漏识别率为0.24%。该误报率和漏报率可以满足ELM实时识别的精度要求。识别算法在实时控制环境下，对单个时间点的平均计算时间为0.46ms，可以满足实时控制的计算速度要求。     

超强频率梳激光场驱动下多光子共振谐波辐射的相位突变研究

本文从理论上研究了在双色频率梳激光场驱动下多光子谐波辐射光谱中的相位突变现象。我们利用Floquet理论非微扰地模拟了频率梳激光场与原子分子等量子系统的相互作用过程。谐波辐射信号是多光子偶极跃迁相干叠加的结果,通过调节频率梳激光场间的相对相位,可以相干地控制谐波辐射信号的强度。通过对谐波信号进行傅里叶变换,可以提取不同跃迁路径的相对相位信息。我们通过改变频率梳组激光场的强度和频率组分实现多光子跃迁频率,让其跨越共振跃迁频率时,谐波相位会发生突变。从而可以观测超强激光场驱动下量子系统共振跃迁频率的斯塔克能移。     

域同态的扩张的个数

设h:F→Ω是域的同态,E是F的有限次扩域,本文讨论了使h到E上的扩张的个数取得最大值的条件.