基于社会网络的舆情传播模型构建与分析

本文考虑个体间的相互作用,提出了一个基于社会网络分析的舆情传播模型.模型假设网络中每个个体的初始状态只有两种情况,并且在单位时间步内只选择一个邻居进行交流,并以概率λ接受该邻居的意见.解析结果显示存在概率λc使得网络中持某种观点人数比例的期望值是一个常数,而其它状态下系统中所有个体的意见都会达成一致.本模型有助于衡量某给定社会网络中舆论传播的快慢程度.     

一种新型的无人机牧草分割网络—LMS-DeeplabV3+

目前草原环境复杂、牧草分散且与背景颜色差异小,无法实现高效精准的分割,因此本文提出了一种新型的轻量化多尺度DeeplabV3+网络(lightweight and multi-scale DeeplabV3+network, LMS-DeeplabV3+)。该网络以DeeplabV3+为基础网络,首先选用轻量级的MobilenetV2作为骨干网络用于初步特征提取,并为了适应牧草分割任务做了网络配置上的调整;其次在加强特征提取模块和解码模块中均使用深度可分离卷积代替普通卷积以轻量化网络;此外利用密集空洞空间金字塔池化(dense atrous spatial pyramid pooling, DASPP)模块捕获更大的感受野,加强各特征之间的交互;又引入卷积注意力机制(convolutional block attention module, CBAM)重分配权重加强特征提取。实验证明,提出的新网络与原始网络相比平均交并比(mean intersection over union,mIOU)提升了8.06个百分点、平均像素精度(mean pixel accuracy,mPA)提升了6.7...     

基于MSRA初始化卷积神经网络的草地牧草分类研究

草地牧草的分类与识别是草原研究与监测的重要环节,利用高光谱成像技术和卷积神经网络进行牧草种类的识别判断,为实现草地牧草自动分类与数字化治理提供了新的途径.本文提出了基于MSRA初始化卷积神经网络的草地牧草高光谱图像自动识别与分类的方法.主要过程包括图像预处理、裁剪、特征提取和识别分类四个环节,首先预处理采用改进的自适应...     

基于方差选择和高斯朴素贝叶斯的草地牧草高光谱图像识别研究

近年来,草地调查和监测工作中主要基于卫星遥 感光谱图像,但其整体分辨率略 低、成本高,具有一定的局限性。而近距离获取的高分辨率高光谱图像可弥补图像分辨率较 低的缺陷,目前研究较少。因此,本研究通过结合高光谱成像技术和机器学习,提出了一种 基于方差选择与高斯朴素贝叶斯的草地牧草高光谱图像快速准确识别方法。首先,利用高光 谱成像系统采集可见-近红外光谱(400000 nm)的草地高光谱图像,通过基于方差选择的 降维方法优化特征中的有效信息;然后,采用高斯朴素贝叶斯(gaussian naive bayes,Gau ssianNB)和支持向量机(support vector machine,SVM)并结合K折交叉验证法分别建立识别 模型;最后,通过Kappa系数、OA、测试时间等指标进行模型评价。预处理环节中对比多元 散射校正(MSC)、标准正态变量变换(SNV)、归一化(normalize)、Savitzky-Golay平滑滤波 (SG)和移动窗口平滑光谱矩阵(nirmaf)5种方法,其中MSC预处理提高信噪比和保障预测模 型的精度与稳定性最优。特征选择与提取中,采用基于方差选择的主成分分析白化(V-pcaw )法,根据阈值和主成分选择最佳特征变量数为2,与主成分分析(PCA)法比较,总体分类精度 和Kappa系数平均值分别提高2.995%和0.050。同等情况下比较GaussianNB模型和SVM模型, 在GaussianNB模型中,经MSC处理的牧草光谱在V-pcaw特征提取后识别效果最佳,耗时最少 ,OA值达到99.33%,Kappa系数为0.99,测试 时间为0.002022 s。研究结果表明,基于方差 选择与高斯朴素贝叶斯的方法可有效增强草地牧草高光谱图像的特征表达能力,从而实现高 效快速的牧草种类识别。     

基于卷积神经网络与注意力机制的高光谱图像分类

由于浅层卷积神经网络(convolutional neural network,CNN)模型感受野的限制,无法捕获远距离特征,在高光谱图像 (hyperspectral image,HSI) 分类问题中无法充分利用图像空间-光谱信息,很难获得较高精度的分类结果。针对上述问题,本文提出了一种基于卷积神经网络与注意力机制的模型(model based on convolutional neural network and attention mechanism,CNNAM),该模型利用CA (coordinate attention)对图像通道数据进行位置编码,并利用以自注意力机制为核心架构的Transformer模块对其进行远距离特征提取以解决CNN感受野的限制问题。CNNAM在Indian Pines和Salinas两个数据集上得到的总体分类精度分别为97.63%和99.34%,对比于其他模型,本文提出的模型表现出更好的分类性能。另外,本文以是否结合CA为参考进行了消融实验,并证明了CA在CNNAM中发挥重要作用。实验证明将传统CNN与注意力机制相结合可以在HSI分类问题中获得更高的分类精度。     

一种基于可变形卷积的高光谱图像分类算法

随着深度学习的不断发展,基于深度学习的机器 视觉方法被广泛应用,其中,卷积神 经网络(convolutional neural network,CNN)对高光谱图像(hyperspectral imagery,HSI ) 分类有着显著的效果。传统卷积网络中卷积核的采样位置是固定的,不能根据HSI中复杂的 空间结构而改变,忽略了数据在空间分布上的特征,为了提高高光谱图像分类在实际应用中 的性能,本文提出了一种基于可变形卷积的高光谱图像分类方法,考虑到HSI高维度的特性 , 将可变形卷积从2D引伸到3D,从而更好地提取3D空间上的特征。本文结合双分支双注意机制网络(double- branch dual-attention mechanism network,DBDA)的网络结构和3D可变形卷积,在Indi an Pines(IP)和Botswana(BS)2个数据集上进行了实验。实验结果表明,本文的方法在 综合精度(overall accuracy, OA) 、平均精度(average accuracy, AA)、KAPPA评价标准上均获得了更好的分类准确 率,相较于次优算法,OA提高了0.15%—0.23%,AA提高了0.21%, KAPPA提高了0.000—0.001。     

RFID对供应链提前期压缩的影响及协调研究

提前期压缩是基于时间竞争的供应链管理的核心,是供应链竞争优势的有力来源。RFID技术通过提高供应链中信息共享、加速物流操作,进而缩短提前期。在市场需求预测精度随提前期变化的假设下,研究由生产商和零售商组成的两阶段供应链中,生产商承担压缩成本采用RFID技术压缩提前期对供应链及其成员收益的影响。确定了可使供应链收益提高的标签成本约束条件,并提出了相应的收益协调机制。研究结果表明:供应链成员的收益随服务水平和标签成本变化而变化,通过引入收益协调机制,可以实现供应链成员收益的Pareto改进。最后通过数值算例对结论进行了验证。     

基于成像的极化浊度计设计与实验验证

采用连续波半导体激光器为发射光源,以电荷耦合器件(CCD)与鱼眼镜头为探测器,设计了一套测量大气分子与气溶胶散射光成像的极化浊度计装置。该装置可实时观测大气样品的散射图像,散射角观测范围为14°~162°,极化角观测范围为0°~360°。利用该装置分别对氮气与水汽进行实时观测,得到其散射图像,其中氮气的散射光与瑞利散射理论相吻合,不同极化角的散射光强与理论值的拟合优度为98%,而水汽散射光随散射角的变化趋势与米氏散射理论的一致性较好。结果表明本装置在定量观测气溶胶散射光方面有潜在的应用价值。