基于CNN-SVM的地下目标形状识别

针对传统地下目标识别算法中特征提取方法的缺陷,鉴于深度学习中的卷积神经网络（CNN）能自动从数据中提取特征,但CNN自带的分类器不能很好的解决非线性分类问题,由于SVM具有良好的泛化分类能力,为此提出基于CNN-SVM的地下目标形状识别方法。本文首先在地表面光滑场景下,利用该方法对地下圆形和矩形目标识别,然后加大场景难度,在地表面粗糙场景下进行地下目标形状识别。实验结果表明,相比传统人工设计的特征分类方法,该算法利用CNN自动提取的特征联合SVM提高了CNN的分类准确率,并且在两种场景下都具有更高的地下目标识别精度。     

Mass and isotopic concentrations of water-insoluble refractory carbon in total suspended particulates at Mt.Waliguan Observatory(China)

Mass concentration and isotopic values δ¹³C and ¹⁴C are presented for the water-insoluble refractory carbon（WIRC） component of total suspended particulates（TSP）,collected weekly during 2003,as well as from October 2005 to May 2006 at the WMO-GAW Mt.Waliguan（WLG） site.The overall average WIRC mass concentration was（1183±120）ng/m³（n = 79）,while seasonal averages were 2081 ±1707（spring）,454±205（summer）,650±411（autumn）,and 1019±703（winter） ng/m3.Seasonal variations in WIRC mass concentrations were consistent with black carbon measurements from an aethalometer,although WIRC concentrations were typically higher,especially in winter and spring.The δ¹³C PDB value（-25.3 ± 0.8）%.determined for WIRC suggests that its sources are C₃ biomass or fossil fuel combustion.No seasonal change in δ¹³C PDB was evident.The average percent Modern Carbon（pMC） for ¹⁴C in WIRC for winter and spring was（67.2 ± 7.7）%（n = 29）.Lower pMC values were associated with air masses transported from the area east of WLG,while higher pMC values were associated with air masses from the Tibetan Plateau,southwest of WLG.Elevated pMC values with abnormally high mass concentrations of TSP and WIRC were measured during a dust storm event.     

卷积神经网络用于近红外光谱古筝面板木材分级

目前,我国乐器制作行业在古筝面板用木材等级的筛选上主要依赖于技师主观评判,但此法缺少科学理论的依据,效率低,客观性及出材率的提高等方面受到限制,无法满足乐器市场的大量需求。实现古筝面板用木材快速、智能化的分级工作是一个急需解决的课题。近红外光谱非常适用于测量含氢的有机物质。古筝面板木材主要化学成分的化学键均由含氢基团组成,不同等级板材的化学成分存在差异,这些差异反映在近红外光谱中,为判断木材等级提供了可能。同时卷积神经网络对非线性数据具有较强的特征提取能力,所以提出一种应用卷积神经网络模型对光谱数据进行分析的方法,进而判别木材的等级。应用了Savitzky Golay一阶、二阶微分两种预处理方法和核主成分分析、连续投影算法两种数据压缩方法,通过所设计的卷积神经网络模型以样本识别准确率和模型构建过程中的损失值作为判定指标选出最佳预处理和数据压缩方法。为了提高模型提取分析光谱数据的能力和避免过拟合现象,应用了多通道卷积核、批量归一化和early stopping策略,将通过两层卷积层提取的特征信息送入全连接层,从而充分提取剩余信息,通过Softmax函数获得板材的最终预测等级,从而确定了最终模型。最终Savitzky Golay一阶微分和核主成分分析为最佳数据处理方法,同时得出用于区分不同等级的古筝面板用木材的主要关键谱带,分别为1 163~1 243, 1 346~1 375和1 525~1 584 nm。将该模型应用于测试集样本,古筝面板用木材的等级识别准确率为95.5%。实验结果表明所提出的方法可以高效地处理光谱数据,有效识别区分不同等级的古筝面板用木材的关键特征,从而为广阔的乐器市场提供一定的技术支持。     

Hadamard不等式的几种新证明

本利用几何算术不等式，矩阵的分解，行列式的性质给出Hadamard不等式几种新颖，简洁的证明。     

从 ${\cal B}^0$ 到 $E(p,q)$ 和 $E_0(p,q)$ 空间的复合算子

设 $\varphi$ 是单位园盘 $D$ 到自身的解析映射, $X$ 是 $D$ 上解析函数的 Banach 空间, 对 $f\in X$, 定义复合算子$C_\varphi $ : $C_\varphi (f)=f\circ \varphi$. 我们利用从 ${\cal B}^0$到 $E(p,q)$ 和 $E_0(p,q)$ 空间的复合算子研究了空间 $E(p,q)$ 和 $E_0(p,q)$, 给出了一个新的特征.     

THE -PROBLEM FOR HOLOMORPHIC (0,2)-FORMS ON PSEUDOCONVEX DOMAINS IN SEPARABLE HILBERT SPACES AND D.F.N. SPACES

51. IntroductionL. H5.m.nd..l3] solved the 0problem by using the L2-estimates for partial differentialoperators in C'.. J. Kajiwara[4] studied infinite dimensional generalizations of the poten-tial kernel. Concerning the 0-problem in infinite dimensional spaces, P. ffeb.i.lll] investi-gated the a-equation for coc (o, 1)-forms in arbitrary pseudoconvex open subsets of separableHilbert spaces without growth condition. J. F. Colombeau and B. Perr.t[l1 showed that aCoc solution u of 0u = w ca…     

SPME-GC-MS快速分析炼油厂废水中痕量VOCs

采用固相微萃取-气相色谱-质谱联用(SPME-GC-MS)对炼油厂废水中痕量挥发性有机化合物(VOCs)进行了定性分析,简化了预处理过程,总分析时间为1h左右.对比处理前后的废水样品的MS定性结果,为废水处理工艺的评价以及有机物降解机理提供了依据.     

带惩罚项与随机输入的BP神经网络在线梯度学习算法的收敛性

本文对三层BP神经网络中带有惩罚项的在线梯度学习算法的收敛性问题进行了研究,在网络训练每一轮开始执行之前,对训练样本随机进行重排,以使网络学习更容易跳出局部极小,文中给出了误差函数的单调性定理以及该算法的弱收敛和强收敛性定理。     

张量对称类上诱导线性算子的数值半径

设V是一个n维线性空间,V_x~m(G)为V上的张量对称类.A为V的线性算子T的矩阵,K(A)为V_x~m(G)上的诱导线性算子K(T)的矩阵.本文从K(A)的数值半径Υ(K(A))和可分数值半径Υ_x(K(A))定义出发,研究了Υ(K(A))、Υ_x(K(A))与范数||A||_p(1≤p≤2)、广义矩阵函数d_x~G(A)的关系,得到了它们之间的两个不等式.