一维空洞卷积神经网络的矿物光谱分类

矿物光谱综合反映了岩矿的物理化学特性、组分和内部结构特征,已被应用于岩矿识别研究。传统的矿物光谱分类方法需要先对矿物光谱进行预处理,再采用不同方法分析光谱特征,从而实现分类目的。但同时也会造成部分光谱信息丢失,导致最终分类精度不高且操作过程繁琐、效率低下,难以应对日益增长的大数据处理需求。因此,建立一个准确、高效的矿物光谱自动分类模型意义重大。卷积神经网络是应用最广泛的深度学习模型之一,它通过逐层抽取数据特征并组合形成高层语义信息,具有极强的模型表达能力,在光谱数据分析方面应用潜力巨大。针对矿物光谱数据的特点,提出了基于一维空洞卷积神经网络（1D-DCNN）的矿物光谱分类方法,利用空洞卷积神经网络提取光谱特征,采用反向传播算法结合随机梯度下降优化器调整模型参数,输出光谱分类结果,实现了矿物类别的端到端检测。该网络包含1个输入层、3个空洞卷积层、2个池化层、2个全连接层和1个输出层,采用交叉熵为损失函数,引入空洞卷积扩大滤波器感受野,有效避免光谱细节特征丢失。实验采集了白云母、白云石、方解石、高岭石四种矿物光谱,并通过添加噪声的方式进行数据增强,构建数量充足的矿物光谱样本用于神经网络模型训练与测试;探讨了卷积类型、迭代次数对模型分类结果的影响,并与多种传统矿物光谱分类方法进行对比,评价模型性能。实验结果表明,提出的1D-DCNN模型可实现矿物光谱快速准确分类,分类准确率达到99.32%,优于反向传播算法（BP）和支持向量机（SVM）,说明所提方法能够充分学习矿物光谱特征并有效分类,且模型具有良好的鲁棒性和可扩展性。该方法也可推广到煤炭、油气、月壤等其他领域光谱分类应用中。     

相对反射深度的秦皇岛海域叶绿素浓度反演

海水中的叶绿素浓度是描述海洋初级生产力、获知浮游植物丰度及变化规律、评估环境质量、预报生态灾害的主要参数。国内外卫星遥感叶绿素产品的通用反演模型是利用不同波段上遥感反射光谱的强度比值来构建的OCx（x=2~6）算法,应用在一类水体中,全球尺度上的平均相对误差在35%左右。但对于固有光学特性复杂且具有较大区域差异性的二类水体,OCx算法误差较大甚至失效。现有研究成果表明,光谱的相对高度有利于特征波段信息提取及水色信号信噪比的提高。但基于相对高度构建反演模型,目前尚存在波段单一、应用面窄等问题。在我国近岸水体中,相对高度模型的构建方法及应用效果尚需进一步研究和验证。在对秦皇岛近岸海域的叶绿素浓度和表观光学参量进行原位测量的基础上,对高光谱数据进行了规范化处理,选取了特征波段并利用特征波段的相对反射深度构建了反演模型。模型反演值与实测值的相关系数为0.883 58,平均相对误差为28.33%;将模型与OCx等算法进行比较,平均相对误差均降低了27%～50%;模型验证估算值的平均相对误差为31.17%。在此基础上,对我国海洋卫星HY-1C水色水温扫描仪的多光谱数据及实测叶绿素浓度进行了相关分析,并基于443及520 nm处的相对反射深度建立了反演模型,模型估算值的平均相对误差比同期L2B产品降低了53.44%。结果表明,基于相对反射深度构建反演模型,可充分利用叶绿素特征波段信息、降低数据敏感性、提高水色要素的信噪比,进而大幅提高模型的反演精度及稳健性。对于水色要素的高光谱及多光谱反演模型构建、水体光学参量测量、卫星产品普及应用、初级生产力估算、生态环境监测、水动力过程研究等领域具有重要的科学意义及较强的应用价值。     

基于磁光阱中~6Li冷原子的真空度测量

2018年第26届国际计量大会召开后,伴随着国际单位制的重新定义,真空量值加速了其量子化进程.在超高/极高真空测量领域,可基于囚禁在磁光阱中的冷原子与背景气体碰撞的损失率以及损失率系数反演真空度.本文从磁光阱中冷原子真空测量的基本原理出发,基于量子散射理论小角近似和冲激近似计算了~6Li冷原子与背景气体碰撞的损失率系数,并利用光缔合法测定了在一定磁场和光场条件下的磁光阱阱深,基于两级磁光阱装置通过拟合冷原子数的衰减曲线精确提取出了碰撞损失率.最后在1×10^-8—5×10^-6 Pa压强范围内将真空反演量值与电离计示数对比,分析了制约测量精度提高的因素并提出了改进措施.     

基于深度学习的光学元件表面疵病识别北大核心CSCD

精密光学元件表面疵病的人工检测分类方法效率低,且准确率易受疲劳等人工因素影响,而基于传统机器学习方法的分类准确率有待进一步提高。提出了一种基于深度学习卷积神经网络的光学大尺寸元件表面疵病识别方法。首先,通过现场实验采集并整理了大尺寸镜面疵病样本;接着,基于单通道灰度图像构建融合梯度的三通道图像,挖掘更深入的特征表达;最后,基于经典的LeNet网络,提出了面向激光惯性约束聚变(ICF)的光学元件表面疵病识别网络ICFNet,该网络不需要复杂的手工特征设计和提取,仅使用原始灰度图像就实现高效的疵病识别。实验结果表明:针对包含麻点、划痕和灰尘的三类疵病数据,ICFNet相较于使用多项特征和支持向量机的传统方法拥有较好的分类准确率。     

基于深度学习的patch-match双目三维重建

以patch-match为核心的算法在双目立体重建中有着广泛应用,因其具有低内存消耗、重建精度高等优良性能;然而,传统patch-match算法需要有序地对图像中的每一个像素点进行迭代求取最优视差值d,从而导致运行时间较高。为了解决该问题,在传统patch-match算法的基础上引入基于学习的模型作为指导来降低运行时间,提高立体重建精度。利用深度学习模型输出每个像素伴有异方差不确定度的初始视差图,异方差不确定度用于衡量网络模型所预测视差值的准确度;将异方差不确定度和初始视差作为patch-match算法的先验信息;在平面细化步骤中,利用每个像素点的异方差不确定度大小动态调整其搜索区间,实现减少运行时间的目标。在Middlebury数据集上,通过与原有算法比较可知,改进后的算法在运行时间上减少20%,同时,在不连续等区域上的重建精度得到略微提高。     

基于NPU的实时深度学习跟踪算法实现北大核心CSCD

深度学习在检测领域高速发展,但受限于训练数据和计算效率,在基于嵌入式平台的边缘计算领域,尤其是实时跟踪应用中深度学习的智能化算法应用并不广泛。针对这一现象,同时为满足现阶段国产化、智能化的技术需求,提出了一种改进的孪生网络深度学习跟踪算法。在特征网络加入微调网络,解决了网络模型无法在线更新的问题,提升了跟踪的准确性;在IoUNet损失函数中加入中心距离惩罚项,解决了IoUNet当IoU相同时位置跳跃,存在收敛盲区和收敛速度慢的问题;将训练后的网络通过通道剪枝,缩减网络模型尺寸,提升了模型加载和运行的速度。在华为Atlas200NPU平台上实现了实时运行,算法准确率高达0.90(IoU>0.7),帧率达到66 Hz。     

Prediction model of K2CsSb photocathode reflectivity based on LSTM北大核心CSCD

针对目前K₂CsSb光阴极制备过程中无法预判光阴极生长状态的问题,提出一种基于长短期记忆（LSTM）循环神经网络的K₂CsSb光阴极反射率预测模型。一维原始反射率数据集经过清洗、筛选、序列化等预处理手段后重构为二维数据输入模型。为充分利用反射率数据在时序上高度相关的特性,采用双层LSTM网络提取特征,预测结果通过全连接层输出,以均方误差（MSE）作为模型预测效果的评判标准。实验结果表明,该模型的网络结构合理且在不同数据集下的表现良好,预测准确率可达99.21%。该模型可运用在K₂CsSb光阴极的制作过程中,通过反射率预测值反馈调节工艺参数以趋近目标走势,对提高光阴极性能具有促进作用。     

临界超静孔压确定液化深度的方法研究

通过对地震时砂土层内超静孔压积累原理的研究, 提出了一种确定液化深度的方法, 并利用这一方法对 1976年唐山地震在沿海地区产生液化的深度进行了计算, 而且与实际资料进行了比较。     

RE(NiCoMnTi)5合金不同放电深度下的交流阻抗谱

研究了La(NiCoMnTi)5、Ce(NiCoMnTi)5、Pr(NiCoMnTi)5和Nd(NiCoMnTi)5四种贮氢合金电极在不同放电深度(DOD, depth of discharge)下的交流阻抗谱.结果表明,在金属相α、氧化物相β和α＋β相区,合金有明显不同的放电动力学特征.在50％DOD时,四种合金表面吸附电阻Rsf和法拉第阻抗RF分别与它们的最大放电容量C50,max和高倍率放电率κ呈近似的线性关系,即Rsf和RF越小,C50,max和κ分别越大.     

诺贝尔物理学奖百年回顾

 （续前）１９８１年西格班（ＫａｉＭ．Ｓｉｅｇｂａｈｎ,１９１８-）因发展高分辨率电子能谱仪并用以研究光电子能谱和作化学元素的定量分析,布洛姆伯根（ＮｉｃｏｌａａｓＢｌｏｅｍｂｅｒｇｅｎ,１９２０-）和肖洛（ＡｒｔｈｕｒＬ．Ｓｃｈａｗｌｏｗ,１９２１-１９９９）因在激光和激光光谱学方面的研究工作,共同分享了１９８１年度诺贝尔物理学奖。从２０年代开始,科学家们就试图运用爱因斯坦的光电子理论,通过对光电子的研究来获取物质内部的信息。然而,由于仪器分辨率一直不高,多年来没有重大进展。