全球-地方联结与产业集群的技术学习--以河南许昌发制品产业为例

以产业区理论、管制理论和全球生产网络理论为基础,以学习创新为核心,构建了一个融生产体系与社会生产体制、制度与协调机制、地方生产网络、全球生产网络“四位一体”的学习型产业区分析框架;运用该框架,以河南许昌发制品产业集群为案例,研究了全球-地方网络联结的方式、动态及其对技术学习的影响。研究发现,通过全球与地方生产网络的建构和有机联结,传统产业集群的技术学习是可以从“低端道路”迈向“高端道路”的,发展学习型产业区应作为我国经济发展与技术创新的一项重大战略和政策。     

人工智能在飞机颠簸预报中的应用进展及未来趋势展望

飞机颠簸对飞机运行安全及旅客舒适度具有很大危害,提高飞机颠簸的预报准确率对于减轻人员伤害和财产损失具有重要意义,且一直是航空气象研究的重点领域。随着观测手段的丰富和科学技术的进步,飞机颠簸预报也取得了长足发展。本文首先从定性预报和定量预报的角度对国内外飞机颠簸预报的主要方法,特别是人工智能(AI)方法在其中的最新应用进行了综述。在此基础上,归纳总结出AI用于飞机湍流预报存在的主要问题和未来的重点研究方向：1)飞机实况数据的开放共享以及多源湍流数据的融合构建问题;2)基于人工智能构建飞机颠簸预报模型的可解释性及物理机制问题;3)基于人工智能构建飞机颠簸的集合预报问题。最后,提出了气象领域未来第三代人工智能的发展思路。     

基于谱聚类算法的海底滑坡危险性评价

海底滑坡的危险性评价与分区,对海洋工程设施的选址和危险预防具有指导作用.本文基于无监督机器学习的谱聚类算法对黄河口埕岛海域展开了海底滑坡危险性评价,构建了输入参数为9、输出类别为4、核函数参数为0.08的海底滑坡危险性评价模型.使用该模型进行评价,将研究区分为了海底滑坡危险性高、较高、较低和低的区域.评价结果与地质环境...     

超参数对GRU-CNN混合深度学习弹性阻抗反演影响研究

CNN-GRU混合深度学习反演弹性阻抗取得了较好的反演效果.但是,基于深度学习的叠前反演参数众多,包括内部深度学习网络可学习参数和外部超参数等,目前超参数选取对网络性能及计算速度影响尚缺乏系统性研究,这直接影响到了该方法的进一步推广应用.因此,本文在混合深度学习反演弹性阻抗基础上,探讨学习率、Ep-och、batch_...     

社交媒体数据在自然灾害应急管理中的应用研究综述

社交媒体是灾害应急管理的一个新兴但尚未充分利用的大数据源。然而,社交媒体数据在灾害应急管理中能发挥什么作用,目前国内的研究较少,而国外的研究亦较为分散,相关应用受限。论文对国内外利用社交媒体数据进行灾害管理相关研究进行了综述,归纳出社交媒体数据在灾害应急管理中应用的潜力、优势和问题。结果发现：① 社交媒体数据含有丰富的灾害信息,能够依靠态势感知和信息共享支持灾害预警、实时监测、损失和救助需求评估、协助快速应急响应以及预测可能的灾害风险等灾害管理工作;② 社交媒体数据的优势在于能保证灾害信息的实时性和连续性,进而提供致灾强度图、损失预测和舆情分析等结果服务于灾害应急管理;③ 地理位置信息有限、专业语料库缺乏、信息噪声处理的复杂性等原因使社交媒体数据分析结果精度受限。如何发挥社交媒体数据社会感知的优势,以弥补传统观测调查手段的不足,更加科学应对灾害应急,仍需要在社交媒体数据处理及多源数据融合分析技术方面取得突破。     

一种多层特征融合的道路场景实时分割方法

道路场景理解是自动驾驶领域中重要模块之一,它可以提供关于道路更丰富的信息,对于建立高精度地图和实时规划都具有重要作用。其中,语义分割可以为图像每个像素赋予类别信息,是自动驾驶场景理解中最常用的方法。但是,目前常用的语义分割算法在速度和精度上大都不能达到很好的平衡。本文在MobileNetV2的基础上,提出了一种多层次特征融合的方法,使得网络可以在实时运行的同时保证精度满足实际应用的需求,并在Cityscapes数据集上进行了试验验证和分析。     

基于深度残差网络的机载LiDAR点云分类

机载LiDAR点云的分类是利用其进行城市场景三维重建的关键步骤之一。为充分利用现有的图像领域性能较好的深度学习网络模型,提高点云分类精度,并降低训练时间和对训练样本数量的要求,本文提出一种基于深度残差网络的机载LiDAR点云分类方法。首先提取归一化高程、表面变化率、强度和归一化植被指数4种具有较高区分度的点云低层次特征;然后通过设置不同的邻域大小和视角,利用所提出的点云特征图生成策略,得到多尺度和多视角点云特征图;再将点云特征图输入到预训练的深度残差网络,提取多尺度和多视角深层次特征;最后构建并训练神经网络分类器,利用训练的模型对待分类点云进行预测,经后处理得到分类结果。利用ISPRS三维语义标记竞赛的公开标准数据集进行试验,结果表明,本文方法可有效区分建筑物、地面、车辆等8类地物,分类结果的总体精度为87.1%,可为城市场景三维重建提供可靠的信息。     

基于深度学习理论的无人机影像分类

针对无人机影像深度学习分类方法缺乏现状,本文利用深度学习理论卷积神经网络方法对无人机影像进行了分类。该法首先抽取无人机影像作为训练集和检验集,然后建立一个2个卷积层-池化层的卷积神经网络模型进行深度学习,通过设定参数并运行模型实现无人机影像分类。实验表明,本文提出的方法可完成较复杂地区无人机影像分类,其分类精度与支持向量机方法相当,为无人机遥感影像分类提供了一个崭新的技术视点。     

复杂卫星图像中的小目标船舶识别

船舶作为海上的重要目标,实现对船舶自动识别有重要的意义。针对卫星图像中云雾、海岸背景等复杂海情对船舶识别带来的干扰,以及小目标船舶高漏检率问题,本文提出一种多尺度深度学习模型训练策略,在此基础上构建了一种船舶识别的深度学习网络,该网络可分为多尺度训练、特征提取、生成目标建议区域、船舶分类这4个部分。首先,采用多尺度的训练策略,将多尺度的船舶样本送入网络中进行训练,这样在训练样本中加入了大量小目标船舶的样本,使网络充分提取到小目标船舶的特征;其次,通过卷积神经网络对目标船舶进行特征自适应提取;然后,目标区域建议网络可依据卷积神经网络提取到的特征,在图像中找到感兴趣目标区域,即框定船舶的位置;最后,通过多个全连接层的组合,将高维特征映射到一个4元组中,再运用分类函数输出每一类船舶的概率值,概率值最大的则为该船舶的类别。同时为解决云雾遮挡和海岸背景的干扰,采用了一种负样本增强学习的方法,在样本数据集中加入了大量只含有云雾和海岸背景的图片,进行负样本扩充,增强网络模型对云雾及海岸背景的特征学习能力,以此解决复杂海情的影响。实验结果表明,所提方法有效解决了复杂海情条件下的船舶识别难,以及小目标船舶识别难的问题,实现了复杂海情条件下的船舶识别。同时,与现有成熟的深度学习目标识别算法相比,本文算法的精确度和召回率分别提升了6.98%和18.17%,所训练的模型具有良好的泛化能力和鲁棒性。