基于DOM规范的网页分析技术研究

基于DOM树模型进行网页建模,同时利用深度优先的递归算法对DOM树模型进行遍历.通过将HTML文档转换为DOM树,对其遍历后给树的节点唯一标号来对网页进行分析.为了更直观的分析网页结构还采用图形界面的形式来显示树型DOM文档.实验表明,提出的这种方法能够很好地分析Web页面标记的嵌套结构,并能准确地与转化成DOM树之后的嵌套结构相匹配,从而达到了精确的网页分析和网页节点定位的目的.     

利用sPn震相计算九江-瑞昌地区地震的震源深度

近震震相sPn与Pn到时差与震中距无关,只与震源深度和地壳模型有关.应用此方法,计算了发生在九江-瑞昌地区两次地震的震源深度,结果表明,利用区域台网sPn-Pn的到时差确定地震震源深度较为可信.根据华南地区速度模型,建立了九江-瑞昌地区sPn与Pn到时差与震源深度便查表.     

土地城镇化质量提升与土地利用区域统筹研究

如何处理好"建设"与"吃饭"的关系问题,一直是中国城镇化发展过程面临的艰难抉择和挑战。作为重要的生产要素,土地资源对城镇化发展的支撑作用与制约作用远远超过其他生产要素。土地资源在城镇化进程中扮演了重要的角色。本文基于对土地城镇化发展和演变进程的判断,从提高土地城镇化质量的角度出发,对土地利用区域统筹及国土空间开发利用提出研究的总体方向和基本思路。     

利用sPn与Pn震相的到时差计算震源深度

对2010年6月22日宁夏永宁M4.9地震震中距1 000 km范围内不同台站记录的sPn、Pn震相进行了初步分析,利用二者的到时差计算该次地震的震源深度,并讨论了用sPn测定震源深度的可能性及其应用。     

高分辨率遥感影像目标分类与识别研究进展

高分辨率遥感影像的目标分类与识别,是对地观测系统进行图像分析理解,以及自动目标识别系统提取目标信息的重要手段。本文综述了当前国内外在可见光、红外、合成孔径雷达和合成孔径声纳等遥感影像的目标分类与识别的关键技术和最新研究进展。首先,讨论了高分辨率遥感影像的目标分类与识别问题的主要研究层次和内容;其次,深入分析了高分辨率遥感影像目标分类与识别,在滤波降噪、特征提取、目标检测、场景分类、目标分类和目标识别的关键技术及其所存在的问题;最后,结合并行计算、神经计算和认知计算等技术,讨论了目标分类与识别的可行性方案。具体包括：（1）高性能并行计算在高分辨率遥感图像处理的主流技术,并给出了基于Hadoop+OpenMP+CUDA的高分辨率遥感影像混合并行处理架构;（2）深度学习对于提升目标分类和识别精度的应用前景,以及基于深度神经网络的多层次遥感影像目标识别方法;（3）认知计算在解决遥感影像大数据不确定性分析的模型与算法,并讨论了层次主题模型的多尺度遥感影像场景描述方案。此外,根据媒体神经认知计算的相关研究,探讨了遥感影像大数据的目标分类和识别的发展趋势和研究方向。     

1966年邢台地震静态库仑应力触发分析

通过分析1966年邢台5次地震的静态库仑应力触发情况发现,前2次地震对后面的地震有较好的触发,而MS7.2以后地震的触发不理想。从而认为,随着地震的发生和震源深度的增加,岩浆活动对地壳介质的影响越来越大,地壳介质弹性性能越来越弱,即该区域浅部可以用均匀弹性半空间来近似,而深部在岩浆等因素的影响下,用均匀弹性半空间来近似存在较大的误差,不适合用弹性位错理论计算地震的触发关系。这从侧面反映了该地区岩浆活动的剧烈性和超壳断层存在的客观性。     

面向高分遥感影像道路提取的轻量级双注意力和特征补偿残差网络模型

针对高分辨率遥感影像背景复杂,道路提取容易受阴影、建筑物和铁路等背景信息干扰的问题,提出一种带有轻量级双注意力和特征补偿机制的DAFCResUnet模型。该模型在ResUnet的基础上,通过增加轻量级的双注意力和特征补偿模块实现模型在性能和时空复杂度上的平衡。其中,双注意力模块可以增强模型的特征提取能力,特征补偿模块可以融合网络中来自深浅层的道路特征。在DeepGlobe和GF-2道路数据集上的实验结果表明,DAFCResUnet模型的IoU和F1-score可以达到0.6713、0.8033和0.7402、0.8507,模型的整体精度优于U-Net、ResUnet和VNet模型。与U-Net和ResUnet模型相比,DAFCResUnet模型仅增加了少量的计算量和参数量,但IoU和F1-score均有较大幅度的提高;与VNet模型相比,DAFCResUnet模型在计算量和参数量远低于VNet的情况下取得了更高的精度,模型在精度和时空复杂度两方面均有优势。相比其他对比模型,DAFCResUnet模型具有更强的特征提取和抗干扰能力,能更好解决道路上的干扰物、与道路特征相似地物、树荫或阴影...     

基于改进DeepLabv3+孪生网络的遥感影像变化检测方法

传统遥感影像变化检测方法依赖人工构建特征,算法设计复杂且精度不高;而将2幅不同时相影像叠加后输入神经网络的遥感影像变化检测方法会造成不同时相的特征相互影响,难以保持原始影像的高维特征,且模型鲁棒性较差。因此,本文提出一种基于改进DeepLabv3+孪生网络的遥感影像变化检测方法,以经典DeepLabv3+网络的编解码结构为基础对网络进行改进:(1)在编码阶段利用共享权值的孪生网络提取特征,通过2个输入端分别接收2幅遥感影像,以保留不同时相影像的高维特征;(2)在特征融合中用密集空洞空间金字塔池化模型代替空洞空间金字塔池化模型,通过密集连接的方式结合每个空洞卷积的输出,以提高对不同尺度目标分割的精度;(3)在解码阶段中针对不同层级特征图信息差异较大,难以融合的问题,引入基于注意力机制的特征对齐模型,引导不同层级的特征对齐并强化学习重要特征,以提升模型的鲁棒性。应用开源数据集CDD验证本文方法的有效性,并与UNet-EF、FC-Siam-conc、Siam-DeepLabv3+和N-Siam-DeepLabv3+网络对比试验。试验结果表明,本文方法在精确率、召回率、F1值和总体精度上达到8...     

城市用地功能精细化识别方法：时序动态图嵌入深度学习模型

多源大数据融合背景下的城市功能区识别是复杂非线性系统的模式识别问题,如何有效地从大规模的轨迹数据中提取出多粒度连续性时变和多尺度空间相互作用的信息是进行城市区域功能识别的关键。本研究设计实现了一种基于时序动态图嵌入的深度学习模型,在融合滴滴出行及兴趣点数据（Point of Interest, POI）基础上,提取城市区域存在的时间和空间上的隐式特征,结合聚类分析实现城市用地功能的语义识别。结果表明,成都市中心的用地功能趋向复合多样化的发展,且用地属性随时间发生作用范围和用地类型的变化,呈现出功能随着城市群体活动而变化的时空规律。与相关文献的对比实验表明,本文提出方法在更细粒度的时间段下进行功能区识别,得到的同一类功能区域内集聚度更高,能够更好的捕获复合型区域在不同时间模式下呈现出的用地功能变化。本研究为城市用地功能识别研究提供了新的技术方法,为城市规划研究人员全面理解城区结构属性提供了有效手段,对推动城市空间得到更合理高效的利用具有一定的价值。