深圳笔架山公园鸟类资源调查

经2004年1-6月调查,笔架山公园记录鸟类81种,隶属12目、31科、58属.其中留鸟47种、候鸟30种(冬候鸟23种、夏候鸟7种)、旅鸟4种,国家重点保护鸟类6种.东洋界的鸟41种,古北界的20种,埃塞俄比亚界的1种(引进种),古北界和东洋界广泛分布的鸟类19种.在54种当地繁殖鸟类中,东洋界37种.笔架山公园的鸟类组成,东洋种具有显著的优势,并显示闽广沿海亚区的区系特征.分析了笔架山不同环境和植被类型,分布的不同鸟类生态类群的种类组成和数量特点,评价了鸟类资源的状况,提出了若干保护管理建议.     

公安消防部队抢险救援职能拓展后的应对措施

阐述消防部队抢险救援职能拓展后,消防部队应积极思考探索的若干问题。     

利用带无标签数据的双支持向量机对恒星光谱分类

恒星光谱分类是天文技术与方法领域一直关注的热点问题之一。随着观测设备持续运行和不断改进,人类获得的光谱数量与日俱增。这些海量光谱为人工处理带来了极大挑战。鉴于此,研究人员开始关注数据挖掘算法,并尝试对这些光谱进行数据挖掘。近年来,神经网络、自组织映射、关联规则等数据挖掘方法广泛应用于恒星光谱分类。在这些方法中,支持向量机(SVM)以其强大的学习能力和高效的分类性能而备受推崇。SVM的基本思想是试图在两类样本之间找到一个最优分类面将两类分开。SVM在求解时,通过将其最优化问题转化为具有(QP)形式的凸问题,进而得到全局最优解。尽管该方法在实际应用中表现优良,但为了进一步提高其分类能力,有的学者提出双支持向量机(TSVM)。该方法通过构造两个非平行的分类面将两类分开,每一类靠近某个分类面,而远离另一个分类面。TSVM的计算效率较之传统SVM提高近4倍,因此,自TSVM提出后便受到研究人员的持续关注,并出现若干改进算法。在恒星光谱分类中,一般分类算法都是根据历史观测光谱来建立分类模型,其中最关键的是对光谱进行人工标注,这项工作极为繁琐,且容易犯错。如何利用已标记的光谱以及部分无标签的光谱来建立分类模型显得尤为重要。因此,提出带无标签数据的双支持向量机(TSVMUD)用以实现对恒星光谱智能分类的目的。该方法首先将光谱分为训练数据集和测试数据集两部分;然后,在训练集上进行学习,得到分类依据;最后利用分类依据对测试集上的光谱进行验证。继承了双支持向量机的优势,更重要的是,在训练集上学习分类模型过程中,不仅考虑有标记的训练样本,也考虑部分未标记的样本。一方面提高了学习效率,另一方面得到更优的分类模型。在SDSS DR8恒星光谱数据集上的比较实验表明,与支持向量机SVM、双支持向量机TSVM以及K近邻(KNN)等传统分类方法相比,带无标签数据的双支持向量机TSVMUD具有更优的分类能力。然而,该方法亦存在一定的局限性,其中一大难题是其无法处理海量光谱数据。该工作将借鉴海量数据随机采样思想,利用大数据处理技术,来对所提方法在大数据环境下的适应性展开进一步研究。     

流形判别分析和支持向量机的恒星光谱数据自动分类方法

尽管经典的分类方法支持向量机SVM在天文学领域广泛应用,但其只考虑类间的绝对间隔而忽略类内的分布性状,因而分类性能有待于进一步提升。鉴于此,提出一种新颖的基于流形判别分析和支持向量机的恒星光谱数据自动分类方法。该方法引入流形判别分析的两个重要概念：基于流形的类内离散度M_W和基于流形的类间离散度M_B。所提方法找到的分类面同时保证M_W最小且M_B最大。可建立相应最优化问题,然后将原最优化问题转化为QP对偶形式求得支持向量和判别函数,最后利用判别函数判断测试样本的类属。该方法的最大优势在于进行分类决策时,不仅考虑样本的类间信息和分布特征,而且还保持了各类的局部流形结构。SDSS恒星光谱数据上的比较实验表明该方法的有效性。     

雅克拉断凸张扭断裂构造特征与油气运聚关系

通过对三维地震资料的解释可知,雅克拉断凸中的晚第三纪张扭性断裂系统具有东西分块、南北分带的基本特征,主要发育4种断裂构造样式:阶梯状断裂构造、掀斜断块构造、堑垒式构造和负花状构造。与张扭性断裂系统有关的圈闭构造样式主要有4种:断鼻与断背斜、掀斜断块、逆牵引背斜和地垒。张扭断裂系统主要活动期为晚第三纪吉迪克期和康村期,其形成的圈闭与生烃期有较好的匹配关系。雅克拉断凸张扭性断裂系统在白垩系和第三系油气聚集过程中,断裂的垂向运移通道作用表现得极为明显,但是断层的侧向封堵对油气的聚集成藏也起到了至关重要的作用。     

基于主题突变检测的颠覆性技术识别——以无人机技术领域为例

颠覆性技术对实现中国科技创新跨越式发展具有重要战略意义。以无人机技术领域为例,获取Web of Science论文数据库和德温特(Derwent)专利数据库2005—2019年收录的2812篇论文与专利数据,基于LDA-LSTM文本分类算法得到技术主题,采用CiteSpace构建共现网络,从突变权重排序及突变时间段和突变共词聚类知识图谱2个角度进行主题突变检测,进而识别出无人机交互技术中的脑机接口技术及手势控制技术为该领域内的颠覆性技术,通过2020年无人机技术领域相关论文专利验证了识别框架的有效性。     

发动机排气取热换热器动态特性分析

根据建立仿真模块的研究思路，将整个发动机排气余热取热换热器(板-板换热器)划分为多个小的换热器微元，建立微元模型，利用仿真模块连接的方法，将微元模型连接，求解整个换热器的动态模型并进行计算机仿真。给出了冷边空气出口温度随热边排气温度、排气流量的变化规律。为余热空调系统的研究奠定基础。     

模糊双超球学习机

受双支持向量机启发,提出模糊双超球学习机FTHLM。该方法试图为每类样本构造一个超球模型,通过构造一对超球模型将两类分类。模糊隶属度函数的引入有效地降低了奇异点和噪声点对分类结果的影响,从而保证FTHLM具有较高的分类效率。在UCI标准数据集上与支持向量机、双支持向量机的比较实验表明,所提FTHLM具有更优的分类能力。     

基于主题突变检测的颠覆性技术识别——以无人机技术领域为例

 颠覆性技术对实现中国科技创新跨越式发展具有重要战略意义。以无人机技术领域为例，获取Web of Science论文数据库和德温特（Derwent）专利数据库2005—2019年收录的2812篇论文与专利数据，基于LDA-LSTM文本分类算法得到技术主题，采用CiteSpace构建共现网络，从突变权重排序及突变时间段和突变共词聚类知识图谱2个角度进行主题突变检测，进而识别出无人机交互技术中的脑机接口技术及手势控制技术为该领域内的颠覆性技术，通过2020年无人机技术领域相关论文专利验证了识别框架的有效性。     

利用高性能混合深度学习网络提升光谱分类性能研究

随着观测设备的不断完善,人们获得的光谱数量持续上升,如何进一步提高光谱自动分类的性能引起广泛关注.为此,以恒星光谱为研究对象,在近年来新出现的BERT和CNN等深度学习模型的基础上,试图融合了BERT模型和CNN模型在特征提取和智能分类方面的优势,提出高性能混合深度学习网络BERT-CNN,用以探讨该模型在提升光谱分类...