基于无人机高光谱遥感技术对内陆养殖池塘水质监测的研究

为准确、快速、全面获取内陆养殖小区池塘及尾水处理池水体水质变化情况,建立养殖水环境实时预警调控及数字化管控机制,选择浙江湖州市集中连片的养殖小区为试验区,于2020年12月采用搭载GaiaSky-mini高光谱相机的无人机进行试验区近地遥感图像采集,并进行图像拼接、辐射校正和几何校正等预处理;然后对反射波段进行差值、比...     

来自大别山深成侵入岩图像深度迁移学习的可解释性研究

岩石图像识别是以深度学习为代表的感知智能在地质领域的典型应用场景。已有研究显示网络结构简单的深度卷积神经网络能够在岩石图像上取得比复杂网络结构高的分类准确率。这与ImageNet数据集上网络结构越深越好的趋势相悖。如何解释这一现象？深成侵入岩为显晶质,自形—半自形粒状结构,块状构造,其分类的依据是其矿物成分及相对含量。大别山地区岩浆活动广泛,中生代深成侵入岩广泛出露。岩石类型包括超镁铁质岩类、辉长岩类、闪长岩类、正长岩类、二长岩类和花岗岩类,基本覆盖IUGS推荐的深成侵入岩分类方案中的岩石类型。选取大别山地区中生代深成岩图像开展不同网络结构预训练模型迁移学习对比试验,能够专注于深度学习对矿物成分特征的学习解释,降低构造因素的影响。借助局部可理解的模型解释技术和特征图可视化技术,分别从全连接层分类决策区域可视化和卷积隐层可视化两方面对深度学习模型开展可解释性研究。结果表明简单网络结构的卷积神经网络能够提取不同矿物所表现出的颜色特征以及不同矿物组合所表现出的纹理特征。AlexNet模型的削减试验进一步证明：对于岩石图像深度学习,网络结构并不总是越深越好。     

元认知理论框架下大学英语教学与测试模式探析

元认知是人们对自身认知活动的自我意识、自我监控与自我调节,元认知理论在学习实践中具有广泛的适应性。大学英语教学中运用元认知策略改革教学与测试模式,能提高学生的自主学习能力,取得良好的教学效果。     

《国际汉语能力标准》中值得商榷的地方——兼与《欧洲语言共同参考框架:学习、教学、评估》比较

通过对《国际汉语能力标准》的考察,同时与《欧洲语言共同参考框架:学习、教学、评估》比较,发现《国际汉语能力标准》存在三个方面的问题:结构不合理、内容有缺失以及评级等级标准不科学,以此研究结果为《国际汉语能力标准》的修订提供参考。     

基于机器学习的稀疏样本下的土壤有机质估算方法

采用GRNN（Generalized Regression Neural Network）和RF（Random Forest）2种机器学习方法构建土壤有机质预测模型,以提高稀疏样本情况下的土壤有机质估算精度。依据北京市大兴区农用地2007年的土壤有机质采样数据,按MMSD准则（Minimization of the Mean of the Shortest Distances）抽稀为8种不同采样密度的样本（分别为2703、1352、676、339、169、85、43、22个样本）,分别采用GRNN、RF和Ordinary kriging对各采样密度下的未知采样点进行预测,采用交叉检验的方式验证各采样密度下未知样点的预测精度。随着采样点密度的下降,样点间的空间自相关性逐渐减弱,半变异函数的拟和精度变差,预测点结果误差增大,预测的置信度降低。当抽稀到43个和22个采样点时,样点间的空间自相关性接近歼灭,半变异函数的决定系数较低且残差较大。普通克里格受到采样点数量和采样密度、样点的空间结构的影响比较明显,其预测精度随采样点数量的下降而下降。在85个采样点及以下时,其预测值与观测值之间没有显著的相关性。GRNN和RF的预测精度受采样密度的影响不大,其预测精度在一个较小的范围内波动,其预测值围绕观测值在一定阈值空间内震荡波动,具有较好的相关性,在85个及以下的采样密度时,预测精度相对普通克里格有较大的提升。普通克里格法不适合在稀疏样本条件下空间插值计算,尤其是在空间自相关性比较弱的情况下。机器学习模型能充分学习土壤间环境信息、样点空间邻近效应信息,兼顾属性相似性和空间自相关,具有更好的稳定性和适应性,不容易受到采样点数量、构型和采样密度等因素的影响,即使在采样点空间自相关性很弱的情况下也能做出稳定预测精度。     

基于Item2Vec负采样优化的专题地图产品个性化推荐方法研究

建立适用于专题地图产品检索的用户偏好推荐模型是提高专题地图质量的有效方式之一,在专题地图产品推荐场景中,存在严重的内容冷启动和评论数据稀疏问题,现有的推荐算法无法为特定类用户推荐不同特征的专题地图产品,导致用户从专题地图中获取偏好信息受到限制。因此,本文构建基于负采样的连续词袋模型和基于Word2Vec的Item2Vec相结合的用户偏好推荐方法,用于专题地图产品推荐。① 计算用户行为日志文件中交互行为数据的隐性评分,以代替专题地图推荐信息流场景中稀疏的用户评论数据;② 基于负采样的连续词袋模型提取目标专题地图的前后地图序列感知特征信息,通过控制正负样本比例为1:2,提升目标专题地图潜在评分的预测精度;③ 通过Item2Vec将带有用户行为特征信息的专题地图映射到向量空间,计算用户对专题地图的相似度矩阵,根据用户偏好程度完成推荐。在构建的专题地图评分实验数据集Thematic CMaps和4个公开验证数据集MovieLens上的测试结果表明:与LFM、Personal Rank、Content Based和SVD 4种传统推荐算法相比,本文所提方法可有效提高潜在评分的预测精度,推荐性能最高达到27.85%;与以霍夫曼采样方式的Item2Vec基础方法和YouTubeNet 2种神经网络推荐算法相比,评分预测精度有一定提高,且推荐性能不断提升,最高达到2.97%和5.78%。以经典算法奇异值分解（SVD）为例,将MovieLens-20M数据集切分后,在数据量不断增大的数据子集中,本文所用方法的评分预测精度和性能均优于SVD方法。     

基于众包数据的室内定位方法和平台

随着WLAN的普及,基于Wi-Fi的室内定位方法逐渐成为研究与应用的热点。虽然,其中基于位置指纹的定位算法研究相对广泛,应用效果较好,然而现有的指纹定位方法或系统仍存在以下3个问题：① 离线阶段的数据标定和定位模型的训练需要耗费大量人力物力,以及时间消耗,使系统很难得到实际应用;② 真实环境中WLAN信号波动呈现高动态性,采集的数据存在显著的时效性,无法提供长时间的有效定位保证;③ 实际环境中AP设备变动频繁,导致训练数据与定位数据特征维度不等长,造成模型失效。针对上述问题,本文提出了一种基于众包数据的模型更新方法,通过不断融合增量数据,使定位模型保持实时有效。该方法主要包括半监督极速学习机(SELM)、具有时效机制的增量式定位方法(TMELM)和特征自适应的在线极速学习机(FA-OSELM)3部分。基于上述方法,本文设计并实现了基于众包数据的室内定位平台系统。实际应用表明,本文提出的方法能够显著降低模型训练阶段的数据采集工作量,有效提升模型训练速度,并且长时间保持较高的定位精度。     

基于聚类算法的钻孔瞬变电磁视电阻率立体成像方法

煤矿井下地球物理水害超前探测要求探测点20 m范围内不得有积水和金属物体,传统电磁法超前探测技术已不能满足要求,钻孔瞬变电磁法通过将收发装置送入掘进工作面前方的钻孔中进行探测,既远离了巷道中的各种干扰,又提高了隐蔽致灾水体的探测精度。为解决该方法对钻孔径向异常体的准确定位解释难题,通过三维正演总结了其水平分量异常响应特征,提出了异常体象限确定准则,研究了根据水平分量幅值和异常象限综合求取异常体工具面角的计算方法。将由垂直分量计算得到的每一个视电阻率视为独立异常体,基于K-means聚类算法对相应的水平分量异常曲线特征值进行二分类,实现了全数据集的视电阻率象限自动划分,结合异常工具面角算法研究得出钻孔瞬变电磁视电阻率立体成像方法。最后计算了三维数值模型的立体成像结果,对钻孔径向的小规模低阻异常体取得了良好效果。结果表明:基于K-means聚类算法的钻孔瞬变电磁视电阻率立体成像方法是地球物理与机器学习的有机结合,该方法能够为井下掘进工作面隐伏水害超前探测精细解释提供技术支撑。     

成人英语学习动机行为调查与教学对策研究

动机是激励人们行动的心理动因.英语学习动机是推动英语学习的内部动因,成人英语学习动机是复杂的.了解他们的英语学习动机特点有利于教师改进教学手段和策略,激发与培养其学习的主动性和积极性,发挥其学习潜能,从而提高英语学习的效果.运用定量研究的方法,在年轻干部学员中进行学习动机调查,分析了其学习动机的特点,并提出成人英语教学的对策.     

Automated Prediction of CMEs Using Machine Learning of CME – Flare Associations

Machine-learning algorithms are applied to explore the relation between significant flares and their associated CMEs. The NGDC flares catalogue and the SOHO/LASCO CME catalogue are processed to associate X and M-class flares with CMEs based on timing information. Automated systems are created to process and associate years of flare and CME data, which are later arranged in numerical-training vectors and fed to machine-learning algorithms to extract the embedded knowledge and provide learning rules that can be used for the automated prediction of CMEs. Properties representing the intensity, flare duration, and duration of decline and duration of growth are extracted from all the associated (A) and not-associated (NA) flares and converted to a numerical format that is suitable for machine-learning use. The machine-learning algorithms Cascade Correlation Neural Networks (CCNN) and Support Vector Machines (SVM) are used and compared in our work. The machine-learning systems predict, from the input of a flare’s properties, if the flare is likely to initiate a CME. Intensive experiments using Jack-knife techniques are carried out and the relationships between flare properties and CMEs are investigated using the results. The predictive performance of SVM and CCNN is analysed and recommendations for enhancing the performance are provided.