基于集成卷积神经网络的LiDAR数据分类

针对人工设计的中低层特征难以对LiDAR数据进行高精度分类以及泛化性能较低等问题,提出了一种基于集成卷积神经网络的LiDAR数据分类方法。它是基于深度学习模型与随机子空间的集成学习框架。通过有放回的随机抽取LiDAR训练集构成子集,以深度卷积神经网络模型为单个子分类器,最后采用多数投票法确定最终样本的类别,以获得更好的分类精度。实验结果表明,所提方法在Bayview Park和Houston两个数据集上分别取得了93.31%和80.95%的总体分类精度,与其他3种分类算法相比具有更好的分类效果,由此证明该网络在拥有较高分类精度的同时还具有良好的泛化能力。

煤化工项目投资风险分析

本文以鄂尔多斯煤化工项目为研究对象，重点分析其投资风险。该项目利用鄂尔多斯地区的煤炭资源、以煤为原料，煤经气化、变换和热回收、净化工序，使合成气达到合成甲烷理想的氢碳比，经甲烷化、加压、除水后进天然气长输管道输送至用户。总投资约256亿元人民币，属于特大型煤化工项目。

基于空洞卷积胶囊网络的激光雷达数据分类

激光雷达(LiDAR)作为获取地物物理属性的一种重要技术手段,被广泛应用于分类研究中。针对传统卷积神经网络中标量神经元无法表达特征位置信息,以及图像经过连续池化和降采样后出现空间分辨率下降、细节信息丢失这两个问题,提出胶囊网络和空洞卷积相结合的LiDAR数据分类算法。该算法以残差网络架构为基础,首先将LiDAR数据输入深度卷积神经网络中进行特征粗提取,然后采用奇偶混合扩张率的空洞卷积增大训练中特征图的感受野,同时捕获精细特征,最后通过胶囊网络进一步提取更详细的空间特征信息并进行分类输出。实验结果表明,所提方法在Bayview Park和Recology两个数据集上分别取得了97.07%和96.98%的总体分类精度,与其他7种分类算法相比具有更好的分类效果,由此证明所提方法可以提升LiDAR数据的分类性能。