不同地形梯度下秦巴山区乡村振兴潜力及发展路径

我国山地丘陵地区在空间上相对孤立,乡村发展受到阻碍。开展不同地形梯度下乡村振兴潜力及发展路径研究,旨在为山区因地制宜推进乡村振兴提供理论与科学依据。基于陕南秦巴山区地形差异开展典型村域调研,构建评价指标体系测度乡村振兴潜力,结合相关性与障碍度模型,辨识不同地形梯度下乡村振兴的障碍因素,提出差异化发展建议。结果表明:①各地形梯度下乡村振兴综合潜力由大到小依次为低地形梯度、中低地形梯度、高地形梯度、中高地形梯度,地形梯度与秦巴山区乡村振兴综合潜力及区位条件、基础设施潜力成显著负相关关系;②随着地形梯度的上升,秦巴山区乡村主体、产业发展、人居环境、区位条件、基础设施潜力整体上呈减小趋势,资源禀赋潜力先减小后增大;③不同地形梯度下秦巴山区乡村振兴各维度潜力大小及其障碍因子皆存在明显差异。为优化山区乡村发展模式、全面推进乡村振兴,建议低地形梯度村庄重点防止人口、耕地等农业生产要素流失,中低地形梯度村庄优化基层组织、提升引领能力,中高梯度村庄加强基础设施建设、改善人居环境,高地形梯度村庄充分保护并合理利用林地资源,发展特色产业。

反滤压重及埋深对深厚覆盖层允许坡降影响研究

反滤压重及埋深均会影响土体允许坡降,但目前尚无法量化这些影响。量化反滤压重及埋深的影响是合理确定允许坡降,科学评价坝基渗流安全的关键。采用轴向应力模拟反滤压重及埋深的作用,针对泸定水电站下游坝基(3)-1层,开展了(3)-1层级配包络线在不同轴向应力条件下的渗透试验,量化了反滤压重及埋深对(3)-1层临界坡降的影响。结果表明:随着轴向应力的增大,(3)-1层上包线和平均线土体的临界坡降呈线性增加趋势,而下包线土体的临界坡降受轴向应力影响很小。基于试验结果,量化了反滤压重和埋深对(3)-1层允许坡降的贡献,建立了随轴向应力变化的(3)-1层土体允许坡降公式,提出了可考虑反滤压重措施及土体埋深影响的允许坡降建议取值方法,该方法可供后续类似工程借鉴采用。

基于梯度权重变化训练策略的低资源机器翻译

近年来Transformer等神经网络模型在机器翻译上取得了显著的成功,但训练这些模型需要依靠丰富的有标签数据,而低资源机器翻译因受限于平行语料库的规模,导致训练得到的模型表现不佳,同时很容易针对高频词汇过度拟合,从而降低模型在测试集上的泛化能力。为了缓解这一现象,提出了一种梯度权重变化的策略,即在Adam算法基础上为每一个新批次所产生的梯度乘以一个系数。该系数递增变化,旨在在训练早期削弱对高频特征的依赖,而在训练后期保持算法的快速收敛优势。介绍了模型改进后的训练流程,其中包括系数的调整和衰减,以实现在不同训练阶段的不同侧重。这种策略的目标是增加对低频词汇的关注度,防止模型对高频词汇的过拟合。在三个低资源的双语数据集上进行了翻译任务实验,该方法在测试集上相对于基线模型分别提升了0.72、1.37和1.04个BLEU得分。

DRSTN:深度残差软阈值化网络

在采用深度残差等神经网络模型解决图像分类任务时,特征提取过程损失的一些重要特征会影响模型的分类性能。神经网络“端到端”的学习模式带来的黑盒问题,也会限制其在诸多领域的应用和发展。另外,神经网络模型往往需要较长的训练时间。为了提高深度残差网络模型的分类效果和训练效率,引入了模型迁移方法和软阈值化方法,提出了DRSTN(Deep Residual Soft Thresholding Network)网络,并对此网络结构进行微调,生成了不同版本的DRSTN网络。DRSTN网络的性能得益于3个方面的有机整合:1)通过梯度加权类激活映射(Gradients-weighted Class Activation Mapping,Grad-CAM)方法对网络的特征提取进行可视化,根据可视化结果挑选进一步优化的模型;2)基于模型迁移,研究人员不必全新地搭建模型,可以直接在已有的模型上进行优化,能够节省大量训练时间;3)软阈值化作为非线性变换层嵌入到深度残差网络体系结构中,以消除样本中不相关的特征。实验结果表明,在相同训练条件下,DRSTN_KS(3*3)_RB(2:2:2)网络在CIFAR-10数据集上的分类精度相比SKNet-18,ResNet18和ConvNeXt_tiny网络分别提高了15.5%,8.8%和10.9%;该网络也具有一定的泛化性,在MNIST和Fashion MNIST数据集上能够达到快速的迁移效果,分类精度分别达到99.06%和93.15%。

基于深度学习的DRFM信号识别

针对数字射频存储器(DRFM)产生信号与源信号之间无法有效区分的问题,运用基于小波变换的同步压缩变换将时域的雷达信号转换为时频图,运用深度学习强大的图像识别能力,实现了基于深度学习的源信号与DRFM信号识别,从而解决了在雷达信号处理中无法有效区分回波信号和DRFM欺骗信号以及在雷达干扰识别中基于DRFM的欺骗干扰难以识别的问题。为了验证深度学习过程的可靠性,通过神经网络可解释性算法对训练结果进行了验证和分析。实验结果表明,相比于识别原始信号,识别DRFM信号神经网络需要用到更多的特征,神经网络判断准确率达到了96.33%,识别精度良好。

一种重力梯度/SINS/星光组合导航方法

为提高飞行器导航系统的精度和自主性,提出了一种重力梯度/捷联惯导(SINS)/星光组合导航方法。在该组合导航系统中,利用重力梯度信息修正SINS的位置误差,利用星光信息修正SINS的姿态误差,提高飞行器的导航精度和自主性。为了弥补传统容积卡尔曼滤波(CKF)算法滤波精度不高的缺点,采用随机加权容积卡尔曼滤波(RWCKF)算法,设计重力梯度/SINS/星光组合导航系统。仿真结果表明,SINS/星光组合导航系统、重力梯度/SINS组合导航系统、合成孔径雷达(SAR)/SINS/星光组合导航系统和提出的重力梯度/SINS/星光自主组合导航系统的定位误差分别为78.1003 m、54.3399 m、39.2776 m和19.8495 m,证明了提出的重力梯度/SINS/星光自主组合导航系统的精度不仅远高于两个子系统,也高于SAR/SINS/星光组合导航系统。

土地利用与城市轨道交通客流的非线性关系

城市轨道交通站点影响范围内土地利用对客流影响具有时空分异特征且存在类型差异,为针对性探讨不同站点两者的复杂非线性关系,提出一种基于土地利用空间分布规律、对站点实际影响范围进行差异化识别的方法;并通过分时段多尺度地理加权回归,获取能够表征土地利用对客流影响时空变化特征的站点聚类指标,采用K-means++算法将研究区域内的站点划分为4类;进而基于改进的梯度提升决策树模型分类定量探讨不同类别下土地利用与轨道交通客流的复杂非线性关系。研究表明:通过捕捉不同站点土地利用与客流的时空分异特征对站点进行分类识别,可有效提升两者非线性关系模型的解释度。根据模型输出结果,发现不同类别站点影响轨道交通客流的关键土地利用要素不同,第1类中关键变量为相对重要性分别为61.35%和30.08%的公交站点数量和慢行密度;第4类的情况类似但相对数值有所变化,公交站点数量的相对重要性由61.35%下降至30.31%;建筑密度在第2类中以66.57%的相对重要度占据最大比例;但在第3类中仅占5.59%。此外,不同类别站点影响范围内土地利用与轨道交通客流的关系存在较为显著且各异的阈值效应。研究表明,对于不同类别站点的用地开发应各有侧重,且应结合实际将土地利用设计指标控制在相应的合理范围内。研究为差异化的站点周边土地利用开发策略的制定提供了理论支持和量化指导。

磁共振ESWAN序列对建立脑微出血病变等级制度的定量研究

目的应用磁共振三维增强多梯度回波T2^(*)加权血管成像(ESWAN)序列的相位值(PV)完善脑微出血(CMBs)影像诊断的分级标准。方法回顾性分析2021年5月~2022年5月在中南大学湘雅医院行ESWAN序列扫描的100例患有CMBs的脑小血管病(CSVD)患者、29例脑内无异常影像表现且无其他基础疾病的健康志愿者。根据病变诊断结果将CSVD组分为CMBs组、腔隙性脑梗死(LI)组(CMBs单独合并LI)、脑白质病损(WML)组(CMBs单独合并WML)、LI+WML组。将局限于两个脑区内且LI的病灶数小于3个的定义为散发LI,否则为多发LI;FazekasⅠ级定义为轻度WML,否则为重度WML。采用医院后处理软件勾画并测量CSVD组各CMBs病灶以及健康组红核与黑质的PV值,分析CMBs病灶PV值与健康红核黑质的差异以及LI、WML病变发生状况与CMBs PV值的关系。结果CSVD组各脑区CMBs病灶与健康组红核、黑质的平均PV值差异均有统计学意义(F=65.599,P<0.001);不同WML病变程度、LI病灶个数时CMBs平均PV值间的差异均有统计学意义(P<0.05)且呈负相关关系(P=0.027、0.047)。根据影响程度初步将CMBsⅠ级定义为PV值>-0.74,CMBsⅡ级定义为PV值-0.81~-0.74,CMBsⅢ级定义为PV值-0.84~-0.81,CMBsⅣ级定义为PV值-0.89~-0.84,CMBsⅤ级定义为PV值<-0.89。结论CMBs病变与LI、WML病变程度相互影响;磁共振ESWAN序列的PV值能量化反映CMBs的病变程度,以此为依据建立CMBs的病变等级制度,有望取代目前相对主观的人工计数评估方式,辅助实现CMBs早期病灶的精准检出、CSVD疾病初期的快速诊断。

基于改进引导滤波的图像边缘检测算法研究

针对Canny算法中图像平滑导致细节缺失,且不能动态判别、锐化图像边缘的问题,提出了一种基于自适应加权引导滤波的Canny边缘检测算法。该算法对引导滤波做出两点改进:一是通过移位技术增加引导图像边缘坡度,实现图像锐化;二是引进分段权值模型对引导滤波算法的正则化参数自适应修正,使其能够根据梯度信息区分边缘和非边缘,从而自动改变平滑程度。较传统Canny算法,采用本算法处理的图像PSNR(峰值信噪比)提高了1.50~6.92dB,PFOM(Pratt品质因数)提高了0.02~0.31。实验结果表明:该算法能有效地锐化图像,提取到完整清晰的边缘。

改进数字滤波的网络终端信息防泄漏方法仿真

网络终端信息中含有大量噪声,加大了网络信息泄露风险,为了有效防止网络终端信息泄露,提高信息安全性,提出改进数字滤波的网络终端信息防泄漏方法。以网络终端信息作为原点,在设定的象限内将信号点到当前点的欧式距离作为权值,对信号点作加权平均处理,获取网络终端信息中心位置坐标值。通过城区距离对窗口进行扩展,将拓展后的窗口作为滤波窗口对各个信号点加权处理,完成网络终端信息滤波处理,降低噪声对信息安全的影响。采用分布式梯度密钥管理策略获取最优值,将其设定为网络节点的私有密钥,组建密钥对。通过密钥对对采集的全部网络终端信息签名和加密处理,最终实现网络终端信息防泄漏处理。实验结果表明,所提方法可以有效确保网络终端信息安全性,同时还能够有效减少空间占用以及能耗。

基于MATLAB改进Canny算子边缘检测路径提取立交桥曲线的研究

针对工程项目中涉及的遥感影像图、航摄正射影像图,基于MATLAB程序设计研究改进后的Canny算子在立交桥曲线提取的应用。通过图像增强、线性与非线性处理相结合、形态学处理以及梯度倒数加权平滑针对像素点创建结构元素修改边缘检测路径,较初始检测算法得到更具实用性的目标提取对象,改进的提取程序能有效滤除目标对象周围非目标提取物干扰,提取指向性显著提高。提出以像素点提取参考点范围坐标的思路,以点位中误差为基准计算提取精度,成果能满足工程中1∶1000比例尺下的生产应用,将程序封装在GUI界面中提供模块化处理和成果输出。

基于考虑误差修正的非线性自适应权重组合模型的光伏发电功率预测

为了提高光伏电站光伏发电功率预测精度,解决极限梯度提升模型、长短期记忆模型2种传统单一模型及传统组合模型极限梯度提升-长短期记忆模型的光伏发电功率预测结果滞后、预测效果易突变、预测误差较大、线性拟合性较差等不足,基于极限梯度提升算法、长短期记忆算法和线性自适应权重,提出一种考虑误差修正的非线性自适应权重极限梯度提升-长短期记忆模型进行光伏发电功率预测;分别使用极限梯度提升算法和长短期记忆算法训练得到2种单一模型,将2种单一模型的初步预测值和真实值组成新的训练数据集,利用神经网络算法训练所提出的模型,对2种单一模型的初步预测值分配自适应权重系数,并根据训练时所提出模型的预测值大小分段统计预测误差的分布,预测时根据所提出模型的预测值在预测结果的基础上累加误差均值从而进行误差修正,进一步提高所提出模型的预测精度;利用Python语言分别对所提出的模型、传统组合模型和2种传统单一模型在晴天、阴天和雨天的光伏发电功率预测性能进行仿真。结果表明:与极限梯度提升-长短期记忆模型、极限梯度提升模型、长短期记忆模型相比,所提出模型的均方根误差分别减小28.57%、 39.39%、 49.79%,平均绝对误差分别减小44.25%、 53.33%、 64.8%,决定系数分别增大1.43%、 2.38%、 3.34%,所提出的模型更有效地减小了传统单一模型的光伏发电功率预测误差,优化了传统组合模型的权重系数;3种天气条件下所提出模型的光伏发电功率预测误差相对最小且稳健性最强,验证了所提出模型的有效性。

基于IOWA算子的空气质量组合预测

对空气质量指数进行预测,反映数据波动的趋势与规律,提出基于诱导有宛加权平均(IOWA)算子的Prophet-EEMD-XGBoost模型。首先利用Prophet算法将数据分解为趋势项、季节项、节假日、误差项;然后集合经验模态分解EEMD将原始数据分为9项IMF以及残余分量。最后,利用XGBoost模型对各分量分别进行预测,预测结果利用MAE、MAPE、RMSE、RMSPE进行评价。结果表明,相较于一些单预测模型与其他组合预测模型,基于IOWA算子的Prophet-EEMD-XGBoost组合预测模型有更好的预测效果。

基于加权有界形变函数的可形变图像配准模型

可形变图像配准是图像处理领域中一个非常重要的课题,是计算机视觉中最基本的问题之一,也是医学图像分析的一个难题。文中研究了两幅单模态灰度图像之间的图像配准问题,充分考虑了参考图像的边缘信息,提出了一个新的基于加权有界形变函数的可形变图像配准模型。首次提出了加权的有界形变函数空间,给出了该空间的定义及相关结论,并从理论上证明了所提模型解的存在性。同时,利用梯度下降法设计了有效的算法进行数值求解,分别在合成图像和医学图像上进行数值实验。实验结果和定量评估结果表明,与对比模型相比,所提模型由于引入了控制函数且将加权有界形变函数作为正则项,得到了更精确的配准结果,特别是在图像边缘及一些细节处配准效果有明显提高。

基于复合梯度算法的在线教育评价系统研究

依托在线教育的大数据技术,建立一套改进的在线教育评价指标体系.根据该系统特点,利用智慧校园信息系统后台,获取主客观评价数据并加以整合与处理.通过基于改进的复合梯度算法计算最优权重,处理评分数据,以获得能反映实际教学水平的综合成绩.实验结果表明,该算法是有效的.

磁共振梯度回波T_(2)^(*)加权成像参数优化在急性缺血性脑卒中患者中的临床应用价值探讨

目的探讨磁共振梯度回波T_(2)^(*)加权成像(GRE-T_(2)^(*)WI)参数优化在急性缺血性脑卒中(AIS)患者中的临床应用价值。方法选取2017年6月至2018年12月在梧州市人民医院就诊的50例AIS患者,男38例,女12例,年龄41~92(65.50±5.90)岁。利用四组参数对每例患者进行GRE-T_(2)^(*)WI检查,并获得四组图像:A组为对照组,B组在A组的基础上减少矩阵、激励次数(NEX)和重复时间(TR),C组在B组的基础上采用并行采集技术并减少TR及回波时间(TE),D组在C组的基础上进一步减少TR、TE和矩阵。对四组图像的扫描时间、图像质量评分、信噪比(SNR)及对比噪声比(CNR)进行比较。结果A组、B组、C组、D组扫描时间分别为81 s、40 s、15 s和11 s。四组参数图像质量评分、SNR、CNR差异有统计学意义(P<0.05)。A组、B组、C组、D组图像质量评分分别为(3.56±0.28)分、(3.34±0.34)分、(3.00±0.32)分、(1.68±0.40)分。C组与D组图像质量评分差异有统计学意义(P<0.05),C组与A组、B组图像质量评分差异无统计学意义(P>0.05)。D组SNR最高,C组与A组、B组SNR差异有统计学意义(P<0.05),C组与D组SNR差异无统计学意义(P>0.05)。C组CNR最高,C组与A组、D组CNR差异无统计学意义(P>0.05),C组与B组CNR差异有统计学意义(P<0.05)。结论通过采用并行采集技术以及对矩阵、NEX、TR、TE等参数的适当减少后,GRE-T_(2)^(*)WI扫描时间明显缩短,图像质量达到诊断要求,在临床上对AIS患者诊治具有较大的应用价值。

Bose-Einstein凝聚态基态解的加权数值方法及稳定性分析

构造加权法离散归一化梯度流,求解玻色-爱因斯坦凝聚态(Bose-Einstein condensate, BEC)的基态解,整合和扩充了离散归一化梯度流的经典有限差分法。同时,结合冯·诺伊曼(von Neumann)条件和冻结系数法证明了不同加权因子下数值格式的稳定性条件。从局部截断误差大小来看,加权法的最优加权因子为1/2。数值实验验证了加权法的稳定性条件,表明加权法可有效求解基态,且在求解过程中能量随时间演化呈递减趋势。另外,当加权因子取值为1/3时,数值结果展示对应数值格式在空间方向具有二阶收敛性。

基于频率域峭度谱迭代阈值的多尺度形态学轴承故障诊断方法

在复杂恶劣的环境中,存在滚动轴承故障信息难以准确提取的问题。因此,引用多尺度数学形态学对滚动轴承故障诊断开展研究。由于小尺度形态学滤波能较好的保存信号的细节特征,大尺度形态学滤波能有效抑制噪声,因此为了能更好的兼顾噪声抑制和故障特征信息保存,采用迭代阈值的方法选取尺度范围,运用频率域峭度谱方法计算出阈值,然后通过迭代自适应获取最佳尺度区间。多尺度形态学信号重构加权方法引用加权多尺度形态梯度算法,该方法能保证小尺度具有较小的权重,大尺度具有大权重。通过仿真和实验表明:多尺度形态学有效检测出滚动轴承故障信号,深度挖掘滚动轴承故障特征信息。

基于ResNet的可解释性计算机视觉模型在内镜下内痔评估中的应用

目的为克服深度学习模型黑盒不可解释的缺点,本研究旨在探讨可解释性计算机视觉模型在内镜下内痔诊断及危险分级中的应用。方法收集苏州大学附属第一医院内镜中心的肛齿状线上倒镜图片,分为内痔组和正常组;根据LDRf分级标准,对内痔组进一步分级为Rf0、Rf1及Rf2三组。针对有无内痔、红色征、糜烂、血栓及活动性出血,构建基于ResNet50V2的可解释化模型,并利用江苏大学附属金坛医院内镜中心的内镜图片进行外部验证。使用准确性、敏感性、特异性以及F1值等指标对比可解释化模型与传统深度学习黑盒模型的表现,并与两位不同年资内镜医生进行比较。结果ResNet可解释化模型的准确性为0.957、敏感性为0.978、特异性为0.974,F1值为0.958,其准确性高于黑盒模型的0.938,高年资内镜医生的0.933及低年资医生的0.907。此外,模型采用Grad-CAM方法突出图像中对模型推理依据的区域。结论本研究通过收集内镜下肛齿状线上倒镜图像,构建可解释化计算机视觉模型并进行外部验证,提示该模型在内镜下内痔诊断与评级中表现优于传统深度学习黑盒模型。该模型在未来临床内镜诊疗中具有良好应用前景。

强化学习中基于权重梯度下降的函数逼近方法

函数逼近法(function approximation)是强化学习领域中的一个研究热点,可以有效处理强化学习中大规模、连续状态和动作空间的问题。基于梯度下降(gradient descent)的函数逼近方法虽然是强化学习中使用最广泛的方法之一,但该算法对步长参数的要求较高,取值不当易产生收敛速度慢、收敛不稳定甚至发散的情况。针对这类问题,通过围绕基于函数逼近的TD(TD,temporal difference)算法,在最小二乘方法和梯度下降方法的基础上对权重的更新方法进行了改进,利用最小二乘方法处理值函数求解权重值,并结合时序差分和梯度下降的思想求出权重之间的误差,并利用该误差直接更新权重,从而提出一种权重梯度下降(WGD,weight gradient descent)方法。该方法以全新的方式更新权重,有效降低算法对计算资源的消耗,并且可以有效地对其他基于梯度下降的函数逼近算法进行改进,广泛应用于诸多基于梯度下降的强化学习算法。实验表明,WGD方法能够在更广泛的空间中调整参数,可以有效降低算法发散的可能性,在保证算法拥有良好收敛效果的同时,提高算法的收敛速度。