一种基于改进SEIR模型的突发公共卫生事件风险动态评估与预测方法——以欧洲十国COVID-19为例

突发公共卫生事件会严重影响社会公众生命健康,风险评估和预测可为突发公共卫生事件有效防控提供科学依据。本文提出了一种基于SEIR模型的突发公共卫生事件风险动态评估与预测方法,将突发公共卫生事件传播与人口、医疗、经济情况相结合,耦合危险性与脆弱性,建立合理的风险评估综合指标体系,利用熵值—层次分析组合模型实现突发公共卫生事件风险动态评估。此外,本文建立了传染病传播动力学修正SEIR模型,将传染病传播动力学模拟预测与风险评估相结合,实现突发公共卫生事件演变趋势的预测和风险的动态预测。2019年12月底的COVID-19疫情是一次传播速度快、感染范围广、防控难度大的重大突发公共卫生事件。本文以欧洲10国COVID-19疫情为例,开展风险评估与风险动态预测研究,依据欧洲10国自疫情开始至2020年4月16日的疫情数据,预测了2020年4月17日—2020年5月10日疫情演变的趋势,进而实现了10国的疫情风险动态预测。本文模型预测结果表明至2020年5月10日欧洲10国疫情形势仍然严峻,预测数据与真实数据的拟合优度R ²大于0.92,预测结果与疫情真实情况基本一致,在此情况下,复工复产对于疫情防控仍然是不利的。本文提出的基于SEIR模型的公共卫生事件风险动态评估与预测方法为疫情已然传播开的国家和地区提供了风险持续评估和预测的可能,为后期疫情防控决策提供了支持,同时也可用于今后新的疫情发生时期或其他突发性公共卫生事件下风险的应急评估和预测。     

基于深度置信网络的CRISM影像火星表面矿物识别方法

鉴于传统的光谱特征参数方法存在不能综合考虑光谱在整个波长范围内的谱形、对于单一吸收带相似的不同矿物难以区分等问题,研究采用深度置信网络方法对火星专用小型侦察影像频谱仪（CRISM）高光谱影像中的火星表面矿物进行自动识别,该算法具体包括:①预训练阶段。利用非监督算法逐层训练受限玻尔兹曼机,自动学习模型参数,提取光谱特征。②调优阶段。将自动学习的光谱特征输入分类器,采用反向传播算法对模型进行监督微调,识别矿物在CRISM影像中的分布。在算法的研究中,采用光谱比值方法降低火星表面灰尘等噪声对矿物光谱的影响,并探讨样本数量、隐含层节点数、网络深度等对算法识别精度的影响,试图构建适宜于CRISM影像火星表面矿物识别的深度置信网络模型。以火星表面镁铁蒙脱石和氯盐为例进行测试,实验结果表明:该方法能够对火星表面矿物进行自动识别,准确率达到85%以上,与光谱参数法的识别结果基本叠合,并能够探测光谱参数法未能识别的部分矿物分布。      

一种实用的遥感影像二维信息隐藏盲算法

提出了一种实用的二维信息隐藏盲算法 ,以实现遥感影像中机密信息的隐藏。     

基于IDL的三维地质矿产建模

三维地质建模具有形象、直观、便捷、易操作等优点,可以缩短地质研究的周期,提高研究效率,在地质、矿产、地下施工等方面有突出的贡献。本文运用IDL语言建立了三维地质矿产可视化模型,通过建立可视化的界面对地质体实现移动、缩放、旋转操作,以及做地质剖面、水平切面动画、矿产评估、采矿后沉降分析等功能,清晰地展示了地质体内部的各个细节,突出了三维地质矿产建模在地质解译、灾害模拟、矿产评估等方面的应用价值。     

三峡库区岩性智能分类研究

三峡库区岩体上方覆盖着厚实的土壤和茂密的植被,是高植被覆盖区,岩性信息弱,因此岩性识别和分类困难,没有成熟的方法可循。针对三峡库区进行岩性分析,选择三峡库区巴东城区作为研究区域,采用2000年5月成像的ETM+遥感影像,构造纹理、光谱、植被覆盖等17个分类因子,将遥感影像与地质图叠加,选取1 101个样本点,采用决策树C4.5算法,挖掘出三峡库区巴东县处岩性的解译规则和知识,决策树的学习精度为96.6%,剪枝后精度为95.9%,规则提取的精度为93.1%,提取的规则置信度很高,并基于知识驱动和规则匹配实现了岩性的智能分类,分类精度较高为90.11%;将分类结果与IsoData方法、K-Means方法、马氏距离法、最大似然法、最小距离法、平行六面体方法等6种方法的分类结果进行比较,试验结果证明,决策树方法的分类结果最好,精度明显高于其他6种方法。     

基于遥感影像融合的不同权限信息隐藏盲算法

提出了一种基于遥感影像融合的不同权限机密信息隐藏盲算法,算法利用奇偶嵌入法和JPEG量化表,根据用户的不同权限进行融合影像中机密信息的不同程度的隐藏,且在提取机密信息和恢复原始融合影像时,不需要原始遥感影像,是一种盲算法。实验结果表明:算法具有强的透明性,大的信息隐藏量,并对各种常见的影像处理具有较强的鲁棒性。此外,算法对不同程度隐藏机密信息的遥感影像的各种应用均没有影响。     

基于改进Faster R-CNN的码头自动识别

码头自动识别能够为港口的建设与开发、海岸带地理信息的获取及海上军事实力的评估提供重要依据。然而由于码头普遍尺寸小、数量多、分布散乱,且受周围船舶、建筑等环境干扰严重,传统算法难以满足对高速发展的码头进行准确监测的需求,如何对码头目标进行准确识别成为亟需解决的问题。本文基于公开遥感数据集及Google Earth高分遥感影像构建了3种码头类型的数据集,并针对码头的尺寸特征和空间分布特征对Faster R-CNN算法进行了如下改进：（1）采用K-Means算法对候选框进行预设,使其大小更适应码头尺寸;（2）采用Soft-NMS算法代替NMS算法,以降低分布密集地区码头的误删率和漏检率。实验结果表明,本文改进的Faster R-CNN算法FKSN（Faster R-CNN+K-Means+Soft-NMS）识别精度达到92.6%,相较Faster R-CNN算法精度提高了8.3%。将码头目标识别结果和传统分类方法ISODATA、SSD及Faster R-CNN、Faster R-CNN+K-Means等目标提取模型的识别结果相对比,本文方法在虚警率和漏检率的评价指标表现最好,分别为3.2%和7.6%,说明本文方法对于各类码头目标识别具有更好的效果。基于改进Faster R-CNN算法的码头自动识别研究可以为码头的合理建设、规划及治理提供技术支持,为港口高效利用和军事实力分析提供有效途径。