融合遥感与社会感知数据的城市土地利用分类方法

传统的土地利用分类方法大多基于对资料或影像的人工解译,存在一定的局限性。近年来,结合空间大数据和自然语言处理技术进行低成本快速的土地资源管理已成为研究热点。以美国纽约市曼哈顿区为例,提出了融合遥感影像和社会感知数据的城市土地利用分类方法。从遥感影像中提取光谱特征、从推特数据中提取用户活动时空和主题特征,基于随机森林法和深度神经网络法,构建了细粒度的城市土地利用分类模型。通过对比不同特征组合分类方法的精度,得到结合光谱特征和用户活动时空、主题特征的深度神经网络方法的结果最优,总体精度达82.65%,Kappa系数为70.1%。结果表明,社会感知数据中隐含的用户活动时空模式和活动主题信息均有助于提高城市土地利用分类的精度,而神经网络法可有效融合多源数据,为快速、低成本获取城市土地利用信息提供了新的途径。     

拓扑图案石墨烯热导率的人工智能预测

本文利用深度学习构建卷积神经网络算法,成功实现石墨烯/氮化硼二维异质结构的热导率预测.基于非平衡态分子动力学模拟计算得到不同拓扑图案异质结构的热导率构建机器学习数据库,将不同拓扑图案的异质结构图片和对应的热导率作为训练样本数据,搭建卷积神经网络.此外,详细分析了卷积神经网络中超参数对热导率预测准确性的影响.本研究有助于...     

基于深度学习的初中物理实验教学策略

实验是初中物理教学的重要组成部分,也是每一名学生都应具备的基本技能,对理论知识的学习与理解具有不可忽视的作用。基于新课程改革的指引,对初中物理实验教学提出更高的要求,教师应发挥自身的引导作用,带领学生在动手操作中深化知识理解,促进实践能力的提升,从而达到深度学习的教育目的。文章简要分析了深度学习的特征,探析基于深度学习的初中物理实验教学策略,为广大教育工作者提供参考。     

激光诱导NO2分子500-532nm区荧光激发谱的实验研究

用准分子激光抽运可调谐染料窄带激光测定了室温下NO2分子500-532nm区高分辨荧光激发谱,在两个较强吸收区505-510nm和513-520nm范围内标识了25个振动带,并作了转动分析,得到了相应的带头位置、转动常数和旋-转偶合常数等分子光谱常数,在25个振动带中有5个谱带是新发现的,所有得到转动分析的谱线均属于平行跃迁(X)2 A1-(A)2B2,对实验结果的分析表明电子激发态(A)2B2受到基态(X)2A1高振动能级的强烈扰动.     

高能量激发的发光材料

从不同材料在高能量密度激发下在激发、传递和发光等不同阶段中的效率变化,了解各种材料在高密度激发时的能量损失的主要环节,分清基质和发光中心的选择原则。为投影电视荧光粉和细管灯粉寻找具有较高效率的发光材料,在X线影像板的光激励材料的研制和γ线影像板的可行性分析方面也得到了一些结果。     

在摩阻情况下浅水波传播的解析解

用准一维的浅水波方程研究了波在有阻尼海潍及河道上的传播过程,假定阻尼项是线性的,海滩的深度和河道的宽度随沿波浪传播方向是变化的,导出了解析解,解的渐近结果表明摩阻与浅水效应是明显的。     

聚合物中光激发在电场作用下的转化

用动力学方法模拟了在聚合物中观察到的“场诱导电荷产生”现象,给出了聚合物链上键结构和电荷分布随时间的演变过程,并确定了激子变为极化子对的弛豫时间. 关键词：     

微波强场中的光谱激发及其谱线特征

本文报道了关于微波强场中的光谱激发现象的最新研究,并对微波强场激发光谱（ＭＳＥＳ）和普通的原子发射光谱（ＡＥＳ０的比较光谱进行了分析,对其中出现的谱线偏移现象进行了重复性实验。     

基于Swin-Transformer迭代展开的有限角CT图像重建用于PTCT成像

针对相对平行直线扫描CT(PTCT)图像重建存在的有限角伪影问题,提出一种学习局部和非局部正则项的深度迭代展开方法。该方法将具有固定迭代次数的梯度下降算法迭代展开到神经网络,利用具有坐标注意力（CA）机制的卷积模块和Swin-Transformer模块作为迭代模块交替级联部署,构成端到端的深度重建网络。卷积模块学习局部正则化,其中CA用于减少图像过平滑;Swin-Transformer模块学习非局部正则化,提高网络对图像细节的恢复能力;在相邻模块间,使用迭代连接（IC）增强模型提取深层特征的能力,提高每次迭代的效率。通过消融实验验证了网络各部分的有效性,并在两种类型的数据集上进行实验,结果证明了本文方法的效果。实验结果表明,本文方法在抑制PTCT重建图像有限角伪影的同时,能较好地保留重建图像细节,提高重建图像质量。     

利用深度学习方法研究核物质状态方程

对核物质状态方程的研究将有助于人们更好地了解原子核的性质以及宇宙和星体的演化过程等基本问题。重离子碰撞能产生高温高密核物质,利用输运模型的模拟结合相关实验数据的比较是研究核物质状态方程最常用方法之一。本文利用深度学习中的卷积神经元网络(CNN)方法对不同核物质状态方程给出的末态质子横动量和快度分布进行学习,使神经元网络具有从末态粒子信息来判断核物质状态方程软硬的能力。利用预测差异分析方法(Prediction Different Analysis),可以找到横动量和快度分布中对状态方程最敏感的区域。此外,还测试了一种基于决策树的梯度提升算法(LightGBM),发现得到的准确度和CNN方法类似。