1995年以来贵州省土地利用变化对地表径流的影响研究

为分析土地利用/覆盖变化对地表径流的影响,基于SCS水文模型,结合贵州省77个气象站1995年以来水文资料、土地利用变化情况、土壤数据,模拟计算地表径流。结果表明:SCS模型模拟误差在±15%以内,能够较为准确地模拟贵州省的地表径流分布特征;1995-2019年,贵州省土地利用结构发生了巨大变化,以耕地及林地的相互转化为主,灌木和草地主要向不透水面和水域转化;地表径流较大区域主要分布在省西南部、东南部和东北部,空间分布主要受降雨因子影响;在相同降雨情景下,不同土地利用类型的产流能力排序为:不透水面>耕地>草地>灌木>林地;1995年以来,相对于土地利用方式不发生变化区域,除灌木转化为林地区域,林地和灌木转化为其他土地利用方式区域地表径流量均增加,其中,转化为耕地区域地表径流量变化最大,变化率分别为-89.11%和169.31%;耕地和不透水面转化为其他地类区域造成地表径流量减少,其中,耕地转化为林地和不透水面转化为耕地区域地表径流量减少最大,减少率分别为168.49%和-177.02%。研究结果为贵州省水资源科学管理与土地规划提供一定参考。

大数据技术在能源互联网中的应用

阐述大数据技术在能源互联网中的应用。探讨大数据技术在能源互联网应用中的挑战与解决对策,包括完善数据获取机制、提升数据存储能力、优化数据处理流程、强化数据分析与应用方面。分析大数据技术的具体应用与优势。

新质生产力视角下工科实验教学改革探索

随着时代的迅速发展和科技的日益进步,新质生产力理论已成为推动社会经济发展的核心理念之一。工科实验教学通过培养创新人才、促进跨学科融合、推动新技术应用和提升工程实践能力,为未来科技创新和新质生产力的发展提供关键支持和保障。基于新质生产力理论框架,结合工科实验教学现状,系统分析了工科实验教学现存问题,并提出了相应的改革策略,通过研究,明确了实验教学改革路径与保障措施,为我国工科实验教学改革提供理论参考和实践指导,旨在培养大量具有创新和实践能力的高素质工科人才。

基于虚拟扩展网络的虚拟机及路由路径联合部署

为响应租户的虚拟机使用请求,云数据中心通常从物理服务器中选择虚拟机放置服务器,随后计算租户与所选择的虚拟机放置服务器之间的路由路径以承载两者之间的流量。但是这种顺序的处理方式使得虚拟机放置服务器的计算过程难以考虑其对网络造成的影响,可能导致网络利用率降低甚至出现网络拥塞。为解决该问题,提出一种虚拟机及路由路径联合部署算法VENet。VENet通过添加虚拟交换机及虚拟链路将原网络拓扑扩展为虚拟网络拓扑,基于该虚拟扩展网络拓扑,将虚拟机及路由路径联合部署问题近似为商品流问题,即将虚拟机请求近似为从相应接入起点交换机到虚拟目的交换机之间的商品流,对该商品流问题进行建模,通过线性规划的方式求解该模型,即可同时获得虚拟机放置位置及相应的路由路径。实验结果表明,VENet算法能够提高数据中心可接受的虚拟机请求数上限,缩短租户与虚拟机部署位置之间的路由路径长度同时降低数据中心的网络负载率,路由路径长度和网络负载率相比WLC-GA算法分别降低42%和30%。

大数据背景下管理定量分析课程教学改革创新探讨

在大数据背景下,现有管理定量分析课程教学体系已无法充分满足人才培育需要。该课程教学目标、教学内容、教学方法、教学团队等均面临新挑战。本文在分析大数据环境对管理定量分析课程教学带来的影响基础上,分析了当前管理定量分析课程教学面临的问题和挑战,探讨了管理定量分析课程教学改革创新总体框架,提出了管理定量分析课程教学改革创新重点方向,以期为提升课程教学质量、培养面向大数据时代的定量分析人才提供有益借鉴。

计算机辅助技术在装备设计的应用研究综述

目的为提升计算机辅助技术在装备设计上的应用并为装备设计质量和设计效率提供理论支撑。方法以CNKI为代表的学术资源数据库下载并整理相关文献,分析现有装备设计中数字化设计技术的关键技术、研究方向,以及相关应用,对装备设计、计算机辅助设计技术的发展历程、CAD/CAE/CAM技术目前在装备设计应用中的现状和可挖掘的问题,以及在不同装备设计领域的具体案例应用进行了详细阐述,并对计算机辅助技术与装备设计深入融合的发展趋势进行了详细阐述。结论CAD/CAE/CAM在辅助装备设计领域已经取得了显著进展,成为现代装备设计中不可或缺的工具。通过分析计算机辅助技术在装备设计深入融合的发展趋势,从虚拟现实与增强现实技术融合、计算机辅助协同设计与全生命周期管理、计算机多学科协同仿真与数字孪生等关键技术方向,进一步综合、归纳研究方向和发展趋势,为未来设计人员应对复杂装备设计调整提供了参考和依据。

面向多维数据与随机噪声的无人机飞行数据异常检测方法

针对当前无人机飞行数据异常检测方法中参数选择依赖专家知识的积累,异常检测类型单一的问题,提出了一种基于参数选择和数据重构的异常检测方法。首先,利用Spearman挖掘参数间的相关性,以去除冗余参数,完成飞行参数选择,减少对专家知识的依赖。其次设计了AE-LSTM模型,以无监督方式对选定参数进行重构,实现多类型异常数据检测。最后考虑到随机噪声的影响,引入了滤波器对残差进行平滑。利用真实无人机飞行数据进行验证,结果显示所提方法对三种异常类型检测的真阳率分别为98.04%、97.80%、98.00%,优于单类支持向量机、长短期记忆网络和自编码器,验证了所提方法对不同异常类型检测具有良好的鲁棒性和泛化能力。

数据驱动的无人机异常检测算法综述

随着无人机(Unmanned Aerial Vehicle,UAV)集成化与智能化的不断发展,UAV在军事领域和民用领域得到广泛应用。因此,对UAV的安全飞行提出更高的要求,而UAV异常检测在保障安全飞行、减少经济损失等方面有着重要作用。近年来,数据驱动的方法在特征提取、非线性问题求解和准确率等方面的优势,使其成为UAV异常检测的主流算法。对UAV异常类型及异常数据特点进行分析与总结。梳理并总结国内外UAV数据驱动的异常检测算法的研究现状,从监督学习、半监督学习和无监督学习三方面对UAV异常检测进行了归纳与总结,并分析了各类算法的优缺点。针对现有算法的研究现状,展望了未来UAV异常检测领域的发展趋势,旨在为后续相关研究提供参考。

基于PointNet++的邻域特征增强点云语义分割方法

随着智能驾驶、机器人导航等以点云为基础的应用蓬勃发展,点云语义分割逐渐成为研究热点。然而,现有的点云语义分割方法存在局部特征提取不充分、特征融合不完整的缺陷。针对这些不足,提出了对应的解决方案。对于局部特征提取不充分的现象,通过嵌入邻域点的坐标、方向、距离等相关信息去关联邻域点的显式特征。对于特征融合不完整的现象,提出了一种最大池化与自注意力池化相结合的混合池化方法。网络架构基于PointNet++,并结合提出的局部特征提取和融合方法,在S3DIS数据集上的实验结果表明,与基线方法PointNet++相比,各评价指标都有不同程度的提高,证实了新方法的有效性和优越性。

基于深度学习的表面缺陷检测技术研究进展

随着计算机视觉技术的快速发展,基于深度学习的表面缺陷检测技术实现了爆发式的应用,并逐步成为了主流发展方向。基于深度学习的缺陷检测技术可以近似为计算机视觉任务中的分类、检测、分割等任务,其主要目的是找出物体表面缺陷的类别和所在位置,相较于传统图像处理方法,深度学习在特征提取能力和环境适应能力上优势明显。以缺陷数据标签类型为依据,对近年来基于深度学习的表面缺陷检测技术进行梳理划分,总结目前技术的优点与不足,重点阐述了监督学习下的三种缺陷检测方法。探讨了表面缺陷检测技术面临的小样本以及不平衡样本等关键问题:对于小样本问题目前有结构优化、数据增广、迁移学习等解决方法;针对不平衡样本问题,介绍了近年来热点的无监督、弱监督与半监督学习模型。随后介绍了常用的工业表面缺陷数据集并展现了近年来提出的算法在NEU数据集上的应用效果。最后对进一步的研究工作提出展望,希望能给缺陷检测研究提供有意义的参考。

动态场景下基于语义分割的视觉SLAM方法

针对在动态场景下视觉同步定位与建图(SLAM)鲁棒性差、定位与建图精度易受动态物体干扰的问题,设计一种基于改进DeepLabv3plus与多视图几何的语义视觉SLAM算法。以语义分割网络DeepLabv3plus为基础,采用轻量级卷积网络MobileNetV2进行特征提取,并使用深度可分离卷积代替空洞空间金字塔池化模块中的标准卷积,同时引入注意力机制,提出改进的语义分割网络DeepLabv3plus。将改进后的语义分割网络DeepLabv3plus与多视图几何结合,提出动态点检测方法,以提高视觉SLAM在动态场景下的鲁棒性。在此基础上,构建包含语义信息和几何信息的三维语义静态地图。在TUM数据集上的实验结果表明,与ORB-SLAM2相比,该算法在高动态序列下的绝对轨迹误差的均方根误差值和标准差(SD)值最高分别提升98%和97%。

基于多注意力机制与编译图神经网络的高光谱图像分类

针对高光谱图像(Hyperspectral image,HSI)分类研究中小样本学习时,无法达到理想分类效果的问题,以多注意力机制融合、编译图神经网络与卷积神经网络有机结合提出了一种新的高光谱图像分类方法。设计了一种基于混合注意力机制的网络(Multiple mixed attention convolutional neural network,MCNN)与编译图神经网络(Compiled graph neural network,CGNN),在学习样本有限的情况下,其能有效保留HSI的光谱与空间信息。引入的图编码器与图解码器可以有效地映射不规则的HSI地物类别特征信息。设计的多注意力机制可以重点关注一些重要的空间像素特征。研究了不同训练样本下对不同算法学习示例分类的影响,在公共数据集Botswana(BS)的实验表明,本文方法比CEGCN(CNN-enhanced graph convolutional network)、WFCG(Weighted feature fusion of convolutional neural network)算法总体分类精度(Overall classification accuracy,OA)分别高2.72、3.86个百分点。同样在IndianPines(IP)数据集上仅用3%训练样本数据的实验结果显示,本研究方法比CEGCN与WFCG算法的OA分别高0.44、1.42个百分点。说明本研究提出的方法不仅对HSI具有良好的空间与光谱信息感知能力,而且在微小学习数据下仍然表现出强有力的分类准确性。

工程伦理视角下珠海7·15透水事故分析与防范策略

隧道等工程项目发生安全事故会给人民生命和经济带来严重损失,因此,在项目建设全过程都应注重工程伦理问题的防控。通过完善相应的政策法规与监督检查机制、注重相关人员的工程伦理教育并提升工程师的伦理意识、提高责任意识和风险防控意识等措施来实现安全生产与保障工程项目质量。为有效防范此类风险,文中以珠海市兴业快线石景山隧道“7·15”重大透水事故为例,使用工程伦理学的相关工具对事故发生原因进行分析,并提出相应的预防措施。

轻量化深度卷积神经网络设计研究进展

轻量化设计是解决深度卷积神经网络(deep convolutional neural network,DCNN)对设备性能和硬件资源依赖性的流行范式,轻量化的目的是在不牺牲网络性能的前提下,提高计算速度和减少内存占用。综述了DCNN的轻量化设计方法,着重回顾了近年来DCNN的研究进展,包括体系设计和模型压缩两大轻量化策略,深入比较了这两类方法的创新性、优势与局限性,并探讨了支撑轻量化模型的底层框架。此外,对轻量化网络已经成功应用的场景进行了描述,并对DCNN轻量化的未来发展趋势进行了预测,旨在为深度卷积神经网络的轻量化研究提供有益的见解和参考。

激光选区熔化铜合金多道成形的熔池行为和缺陷机理

目的针对激光选区熔化成形铜合金零件中孔隙缺陷的质量问题,研究不同扫描间距下多道熔池的动力学行为,以及不规则未熔合孔隙缺陷的生成机制。方法构建多物理场的高保真数值模型,采用离散元法搭建粉末床,结合两相流法追踪金属相自由表面,并通过射线追踪算法研究多道成形时的全局吸收率,深入分析扫描间距对熔池演变以及未熔合孔隙缺陷的影响。结果前一熔道的扫描对后一熔道有预热效果,因此第2熔道的宽度和吸收率总是大于第1道。随着扫描间距的增加,热积累效应减弱,第2道熔池的宽度和深度随之减小。扫描间距小会增加熔道间的重叠部分,不利于提升零件的构建速率,但无限地增加扫描间距会导致未熔化孔隙缺陷。通过对比70、100、130μm扫描间距下的成形熔道发现,70μm熔道的搭接率接近50%,100μm能形成良好的搭接,且没有缺陷生产,而130μm熔道有明显的孔隙缺陷及未完全熔化的粉末。结论扫描间距的变化会造成液态熔体流动、传热和传质的改变,进而改变激光选区熔化铜合金多道成形的熔池动力学行为与吸收率,最终影响成形件的质量。选用合适的扫描间距可以有效地避免未熔合缺陷,并保证相邻熔道间有良好的搭接率。

融合多主体需求频率特征的复杂产品全生命周期价值链协同设计

高周转率和短保质期的复杂产品具有较高订单频率的特征。传统的价值链设计大多基于复杂产品订单数据的时序和销量对销售周期的影响,忽略了其订单频率中蕴含的细节信息,因而难以准确捕捉多主体间快速变化的供需关系。为了解决这一问题,提出了一种融合多主体需求频率特征的复杂产品全生命周期价值链协同设计方法。首先,采用门控卷积的频率序列提取方法识别多主体需求;其次,将基于频率分段的Transformer时序预测模型融合于订单频率信息,根据改进的时序-频率多头自注意力(seq-fremulti-head attention)结构建立全生命周期价值链,不同分段的时序和频率特征对应不同的注意力头,以实现多段时序和频率特征的融合;最后,将新型价值链协同设计方法应用于某复杂产品多主体需求预测问题,进行实验验证。研究表明,所提出的融合需求频率特征的价值链协同设计方法预测准确度较高,具有很好的应用前景。

基于BP神经网络的FAST馈源舱融合测量预测研究

500 m口径球面射电望远镜(Five-hundred-meter Aperture Spherical Radio Telescope,FAST)的跟踪观测需要馈源的空间运动配合,馈源舱主要用于实现馈源的精调定位,因此馈源舱位置的高精度测量对FAST望远镜的高效运行意义重大。但当全站仪设备失效时,无法对采用Kalman算法的GPS/IMU融合测量结果进行修正,导致馈源舱测量精度下降。为了解决这个问题,设计了基于BP(back propagation)神经网络的预测模型,包括数据预处理、模型设计和模型训练验证。模型训练数据为FAST真实测量数据,数据量为40 GB左右。为了验证模型的泛化能力,选取三种运动轨迹数据对模型预测精度进行测试,结果显示,三种运动轨迹下精度都满足15 mm要求。

自适应特征整合与参数优化的类增量学习方法

针对深度网络模型在增量式场景下图片分类任务所产生的灾难性遗忘问题,提出一种自适应特征整合与权重选择的类增量学习方法。该方法以知识蒸馏作为基础框架,对前后任务模型的主干网络和分类网络的输出特征进行整合,利用蒸馏约束与自定义差异损失使当前模型具有历史旧模型的泛化能力。在增量学习阶段,对神经网络模型参数的重要性进行评价,学习新任务时,重要参数的改变会受到惩罚,从而有效防止新模型覆盖于以前任务相关的重要知识。实验结果表明,所提方法可以发掘模型的增量学习能力,有效缓解了灾难性遗忘。

基于对比学习的矢量化特征空间嵌入聚类

深度嵌入聚类(deep embedding clustering,DEC)算法只通过自编码器,以单一实例重构的方式将数据嵌入到低维矢量化特征空间中进行聚类,而忽略了不同实例之间的关系,导致可能无法很好地区分嵌入空间中的实例。针对上述问题,提出基于对比学习的矢量化特征空间嵌入聚类(vectorized feature space embedded clustering based on contrastive learning,VECCL)方法。通过对比学习以辨识数据实例之间异同性的方式,从数据中提取出具有同近异远聚类语义的特征,并作为先验知识带入DEC中,引导自编码器初始化带有深层数据信息的低维聚类特征空间。同时利用软分类标签构造熵损失,与自编码器的重构损失一起作为正则化项引入聚类损失函数中,共同细化聚类。实验结果表明,所提方法提取特征的能力更强,与DEC方法在数据集CIFAR10、CIFAR100和STL10上的实验结果相比,ACC分别提升48.1个百分点、23.1个百分点和41.8个百分点,NMI分别提升41.0个百分点、25.2个百分点和39.0个百分点,ARI分别提升45.4个百分点、16.4个百分点和41.8个百分点。

基于引领森林的多粒度广义长尾分类

长尾分类在现实世界中是一项不可避免且充满挑战的任务。传统方法通常只专注于类间的不平衡分布,然而近期的研究开始重视类内的长尾分布,即同一类别内,具有头部属性的样本远多于尾部属性的样本。由于属性的隐含性和其组合的复杂性,类内不平衡问题更加难以处理。为此,文中提出一种基于引领森林并使用多中心损失的广义长尾分类框架(Cognisance),旨在通过不变性特征学习的范式建立长尾分类问题的多粒度联合求解模型。首先,该框架通过无监督学习构建粗粒度引领森林(Coarse-Grained Leading Forest,CLF),以更好地表征类内关于不同属性的样本分布,进而在不变风险最小化的过程中构建不同的环境。其次,设计了一种新的度量学习损失,即多中心损失(Multi-Center Loss,MCL),可在特征学习过程中逐步消除混淆属性。同时,Cognisance不依赖于特定模型结构,可作为独立组件与其他长尾分类方法集成。在ImageNet-GLT和MSCOCO-GLT数据集上的实验结果显示,所提框架取得了最佳性能,现有方法通过与本框架集成,在Top1-Accuracy指标上均获得2%~8%的提升。