常平均曲率曲面的谱变换与Weierstrass表示

利用可积系统的方法, 研究了三维双曲空间常平均曲率曲面的形变, 以及三维双曲空间常平均曲率大于1的单连通曲面的Weierstrass表示公式.     

四元数矩阵理论中的几个概念间的关系

本文指出并改正文［１］中的错误，给出弱特征多项式［２］与重特征多项式［３］间的显式关系，同时也给出行列式［２］与重行列式［４］间的显式关系，最后讨论了左特征值、右特征值、特征值和特征根之间的关系及最小多项式与弱特征多项式根之间的关系．     

流体饱和多孔介质中热发展强迫对流的熵产分析

利用Darcy流动模型,同时考虑粘性耗散效应,分析研究了以两等温平板为边界的多孔介质中,热发展强迫对流的熵产.参数研究表明,组参数和Péclet数减小,而Brinkman数增大时,熵产增大.形象化的热线表示方法着重应用于Br＜0的情况,在这种情况下,在顺流的某些位置上,存在热传递方向的改变,即从原来的壁面向外传热变为向壁面传热.     

SDC在主叫号码规范中的应用

网内和网间主叫号码传送的规范从2002年制定开始到运营商实施至今，已经取得了巨大的成效，但由于种种原因网内不规范主叫仍然大量存在。固网运营商规范主叫号码的方式均根据主叫号码传送规定，在端局、汇接局、关口局、长途局、SCP（Service Control Point，智能网业务控制点）对主叫地址码信息（即地址信息表示语）和主叫号码进行相应的规范处理。随着以软交换为核心的固网智能化的广泛应用，SDC（Subscriber Data Center）在用户号码鉴权和拦截非法主叫方面将发挥巨大的作用。     

邻域谱概率协同表示的高光谱图像分类方法

为了提高高光谱遥感图像的分类精度, 通过结合像元邻域谱与概率协同表示方法, 提出了一种基于空间信息与光谱信息的分类方法。首先采用插值方法生成像元的邻域谱, 然后用概率协同表示方法将待测样本进行分类。用所提出的方法在AVIRIS Indian Pines和Salinas scene高光谱遥感数据库上进行分类实验, 并和主成分分析、支持向量机、稀疏表示分类器和协同表示分类器方法进行了比较。结果表明, 所提出的方法在AVIRIS Indian Pines数据库上识别精度比主成分分析法高约17%, 其识别精度和kappa系数都优于另外4种方法。该方法是一种较好的高光谱遥感图像分类方法。     

司控道岔系统常见故障分析及解决措施

现代有轨电车是未来城市轨道交通发展的重要方向。信号系统是有轨电车的重要组成部分,保障列车的安全和运营的效率。而道岔控制子系统作为信号系统不可或缺的部分,在安全高效方面扮演着重要的角色。文章介绍了道岔控制子系统的特点,并通过对司控道岔系统常见故障的原因分析,为故障处理提供参考意见,对于系统平稳运行有重要意义。     

基于图正则化低秩协同表示的高光谱异常检测

高光谱异常检测是检测出与周围背景像素的光谱具有明显差异的目标的过程。研究学者针对高光谱异常检测提出了多种算法,其中低秩协同表示检测器(LRCRD)不仅能够考虑所有像素之间的高光谱相关性,而且用低秩和l₂范数最小化约束字典的系数矩阵,背景字典不需要过度完备,可以更好地表示背景。然而,LRCRD模型并没有考虑到高光谱数据的局部几何信息对于区分背景和异常像素的重要性。将图拉普拉斯正则项引入LRCRD模型中,提出了一种基于图正则化低秩协同表示的异常检测方法,分析数据中的非线性几何信息。该方法保持高光谱图像的局部几何结构,提高了检测精度。在合成和真实高光谱数据集上对所提方法进行了实验验证,实验结果证明了所提方法的可行性。     

低秩稀疏和改进SAM的高光谱图像误标签检测

为了解决基于监督学习的高光谱图像分类算法训练样本中存在的噪声标签会降低后续的分类精度的问题, 采用了一种基于低秩稀疏表示和改进光谱角制图(SAM)的高光谱图像误标签检测算法。首先对高光谱图像中信号子空间进行预测, 根据预测到的子空间对原始高光谱图像重构并去噪; 然后通过基于归一化的光谱角制图算法来获取每一类样本间的距离信息, 得到每类样本间的光谱相似度, 并利用密度峰值聚类算法得到每个训练样本的局部密度; 最后采用基于局部密度的决策函数对噪声标签进行检测, 使用支持向量机在两个真实数据集上验证。结果表明, 该算法比先进的层次结构的高光谱图像误标签检测算法提高了1.91%的总体精度。这一结果对高光谱图像分类是有帮助的。     

基于稀疏和低秩表示的显著性目标检测

文中研究了无监督自下而上的显著性目标检测方法。基于显著性目标在自然图像中稀疏分布的这一先验性假设,提出了一种用低秩和稀疏表示进行显著性目标检测的方法。根据图像背景的先验分布,首先选取一个有效的背景字典来低秩表示图像的背景部分,进而更好地分离出显著性前景。由于人类视觉中心偏好可知,图像的边缘部分不易引起关注,故选取这些边缘部分作为背景先验来选取背景字典。与其他基于稀疏和低秩分解的显著性目标检测相比,文中选取的背景字典更简单有效,且能得到更好的显著性图。实验结果显示,该方法比主流的显著性检测方法得到的显著性图更令人满意。