确定Fmin的一个算法

构造了一个求解最小函数依赖集Fmin的计算机算法．该算法将求解Fmin的逻辑推理过程包装在一个C 函数之中，通过运行与此函数相配套的程序，可以快速、准确地获得与所给函数依赖集F等价的Fmin从而使求解Fmin的过程方便、快捷．     

GLAV集成方法中的模式匹配研究

GLAV是一种新的集成方法,它能为信息集成系统的映射关系提供更具表现力的方式.映射表示源模式与全局模式之间的对应关系,主要研究了GLAV集成方法中产生映射规则的模式匹配方法.首先将SUDAI模型转换为模式树,然后基于树进行匹配.匹配包含语言学和结构匹配两个基本阶段,语言学匹配结合了术语关系和约束进行计算,结构匹配结合了类属性和上下文节点两个方面,并成功解决了模式规模差异带来的负面影响.计算的结果可以判断两个信息类是否是一个映射候选,经过验证后可确定它是否是一个合理的映射.最后定义了一个基本DTD来描述匹配的最终结果.     

结合图的导出匹配可扩性

简单图G和H的结合图G[H]的顶点集为V(G)×V(H),其中(u,v)和(u′,v′)相邻的充分必要条件是:或者uu′∈E(G)或者u＝u′并且vv′∈E(H).研究了结合图G[H]的导出匹配可扩性,证明了若G和H是非平凡图,G是连通图,且G和H满足下列条件之一,则G[H]是导出匹配可扩的:(1) G和H中有一个是导出匹配可扩的;(2) G和H都有完美匹配;(3) G和H中一个有完美匹配,另一个有几乎完美匹配.     

基于序列图像的工业钣金件三维重建与视觉检测

针对目前工业制造领域面临的难题,提出利用非量测数字摄像机进行工业钣金件高精度三维重建与视觉检测.采用二维直接线性变换分解摄像机参数初值并结合光束法平差进行高精度标定;利用最小二乘模板匹配提取像面上的点、直线信息并进行混合光束法平差,从而进行钣金件的高精度三维重建及其尺寸制造误差的检测.所开发的视觉检测系统硬件成本低、自动化程度较高,实际数据的多次实验均取得了优于1/8 000的相对精度,说明所论述的方法为工业零件的自动化三维检测提供了一条可行途径.     

H.264中树状结构运动估计的连续消除算法

为减少视频编码标准 H.2 6 4中树状结构运动估计的高运算复杂度 ,将连续消除算法 (SEA )应用于树状结构的运动估计中。在性能完全相同的条件下 ,与 H.2 6 4整像素运动矢量全搜索算法相比 ,其块匹配运算量减少到原来的 1%～ 2 0 %。利用不同大小块之间因部分重叠 ,其运动矢量具有更强相关性的特点。提出了一种简单有效地确定运动矢量搜索初值的方法 ,并应用两种快速的目标运动矢量判定方法 ,改进了 SEA算法。在性能损失可以忽略的情况下 ,进一步将基本 SEA运算量降低到全搜索块匹配运算量的 0 .3%～4 %。     

黄河流域的土地利用和土地覆盖变化

应用遥感技术与地理信息系统 GIS技术进行土地利用变化监测 ,具有快速、客观的特点。对 L ANDSAT TM图像进行解译判读 ,获取反映黄河流域 2 0世纪 80年代末期到 90年代末期土地利用和覆盖情况的 1:10万比例尺的土地利用数据。通过应用土地利用动态度模型、土地利用程度时空演变模型、土地利用类型转移模型和土地利用重心模型 ,对黄河流域近 10年的土地利用和覆盖变化进行了研究。研究结果表明 :10年来黄河流域草地、林地面积减少 ,而耕地、建设用地、未利用地面积增加 ,而人类活动是黄河流域土地利用和覆盖变化的主导因子     

类比学习机制的研究

类比学习是机器学习中的一种重要方法。文中重点讨论了实现这种学习方法所需解决的主要问题及类比学习的研究进展和状况，并对6种具有代表性的类比学习方法和系统(转换类比学习、派生类比学习、属性类比学习、因果关系类比学习、联想类比学习和基于事例的学习)的基本原理、学习机制等进行了深入的研究和分析。     

我国土地利用研究现状分析

本文分析了目前我国在土地利用领域的研究现状 .认为 :当前我国在土地利用 /覆被变化研究是土地利用研究领域的重点 ,不仅在研究内容上注重土地利用变化的动态过程、强调其驱动机制的分析及其生态环境效应的反映 ,而且在研究方法上不断探索 ;同时 ,土地利用结构的合理化及土地的可持续利用为核心内容的土地利用优化配置 ,也成为部分学者土地利用变化研究的重要内容 .     

弯线施工技术在煤矿扩区地震勘探中的应用

文章阐述了对弯线技术应用的体会 ,并分析了弯线测线在煤田地震勘探中的可行性及主要的采集参数。     

深度学习在引力波数据处理中的应用初探

截至2018-01-16,LIGO已成功探测引力波事件6次.可以预期,引力波探测事件会越来越多,引力波天文学会很快进入到大数据阶段.深度学习在大数据处理方面近年来得到迅速发展.它在数据处理速度,准确度等方面都表现出极大的优势.深度学习在引力波数据处理中的应用讨论还不多.本文引入此问题,并对其进行初步研究.引力波数据最大的特点是强噪声、弱信号.现行的数据处理方法是利用匹配滤波的方式把引力波信号从强噪声中挖掘出来.同时,匹配滤波方法还可以确定引力波源的性质,定量确定其参数.匹配滤波方法的弱点是计算量巨大.这导致数据处理速度很慢.对于将来的大数据引力波天文学,这更将是一个巨大的隐患.匹配滤波方法的另一个潜在问题是,完备准确的理论波形模板是其工作的前提条件.这个潜在问题的后果是很难找到理论预期之外的引力波信号.深度学习的数据处理方法有可能在这些问题上提供出路.同时,深度学习也会遇到其自身的若干困难和问题.本文将从网络结构、训练数据制备、训练优化、对信号识别的泛化能力、对数据的特征图表示以及对特征数据遮挡的响应等方面来展开讨论.