国土资源信息系统硬件平台的选择

介绍了国土资源信息化建设中计算机网络可提供的服务类型;提出了网络服务器、网络交换、集线设备和计算机辅助设备等硬件平台的选择原则.     

公共行政监督的“经济解释“及其启示

行政腐败和行政作弊现象使政府行政的合法性受到人们的置疑，深入推行的廉政建设责任制反映了政府在这一问题上理论认识的巨大进步与从严治政的重大决心。公共选择理论认为，官僚的经济人属性不会因其成为政府官僚而改变，其目标不是公共利益也不是机构效率，而是个人效用；西方国家的“三权分立”学说及其实践对于公共行政的监督具有重大的历史进步意义，但其精致架构的私有制基础决定了这种民主可能只具有形式主义的性质，它只是一种富人之间的游戏规则与表现形式。毛泽东的“双平行制约”理论与方法是中国共产党人对公共行政理论与实践的巨大贡献，效果奇特却存在着一系列致命的弊端。对上述理论与实践的比较研究，为我国当前广泛展开的廉政建设提出了一些深层次的启发性思考。     

基于支持向量机和增强学习算法的岩爆烈度等级预测

岩爆烈度等级的准确预测对减轻乃至消除岩爆危害具有重要意义.针对岩爆烈度等级预测模型特征选取模糊和预测准确度不高问题,提出了一种ReliefF-Pearson特征选择下基于SSA-SVM-AdaBoost算法的岩爆等级预测模型.结合ReliefF的权值思想和Pearson系数的相关性原理对特征指标进行选择,利用麻雀搜索算法（SSA）优化支持向量机（SVM）以获得最优模型初始参数,将多个SSA优化后的SVM作为弱分类器组成自适应增强学习算法（AdaBoost）的强分类器.首先通过收集分析国内外岩爆案例数据,选取7种特征指标构成原始特征空间,然后利用ReliefF-Pearson从原始特征空间中筛选出4维优势特征,采用随机过采样对数据进行处理,最后将其输入到SSA-SVM-AdaBoost模型中进行分类预测.研究结果表明：基于ReliefF-Pearson的特征选择方法能够有效提取优势特征;基于多SSA-SVM的AdaBoost模型预测准确率相较于SSA-SVM和单层决策树AdaBoost模型均提高12.5%,相较于SVM提高31.25%,说明SSA-SVM作为弱分类器在分类性能上要优于单层...     

泥石流地质灾害专业监测预警选点工作探讨

泥石流灾害具有很强的危害性,专业监测预警成为泥石流防治的重要手段之一。但如何选择合适的监测泥石流沟,进行设备选型,选择合适的安装点位,是泥石流监测预警的发挥效果的基础。根据多年的工作实践,形成了一套泥石流监测预警选点工作程序。监测设备安装点位选择应先保证预警时间和预警距离,在设备本身安全的基础上,充分利用自然环境条件,以发挥设备功能和效果。     

一种改进的组合定权的指纹定位算法

室内场景复杂、WiFi信号不稳定等因素,造成基于信号空间K最近邻法的WiFi指纹定位算法匹配的邻近点会出现偏差,使用偏差较大的点计算待定点位置会直接影响定位结果。本文提出了一种改进的组合定权的指纹定位算法,对K个邻近点的几何结构进行分析,剔除其中偏离邻近点几何中心较远的点后,同时分析匹配邻近点中心同待定点几何位置存在理论上的关联,利用选择后的邻近点与其中心点的几何距离、待定点与指纹点欧氏距离组合定权,加权求取坐标。与KNN、WKNN算法定位结果分别进行比较,表明该方法提高了定位准确性和精度。     

结合KI准则和逆高斯模型的SAR影像非监督变化检测

提出一种结合逆高斯模型（inverse Gaussian model,IGM）和KI（Kittler-Illingworth,KI）最小错误率准则的合成孔径雷达（synthetic aperture radar,SAR）影像非监督变化检测方法。假设差值影像中未变化类和变化类服从混合IGM,结合贝叶斯决策理论,自动求取满足KI最小错误率准则的阈值。在两组多时相SAR数据上分别设计了两组实验以验证本文方法的有效性。实验表明,本文方法可以更好地估计差值影像中未变化类和变化类的概率密度分布,得到合理的决策阈值,有效提高变化检测图的精度。     

基于时序Sentinel-2影像的农作物分类研究

特征选择是提高农作物分类精度的一个重要手段.本文基于时序Sentinel-2影像提取影像的波段特征、植被指数、纹理特征,以这三类特征构建分类特征集,使用随机森林算法对分类特征集进行特征选择和分类实验.根据分类混淆计算的研究区总体分类精度为92.5％,Kappa系数为0.904,高精度地提取了研究区内冬小麦、大蒜等主要冬季作物的种植信息,这表明随机森林算法在对特征降维的同时,也能保证较高的分类精度.     

深度学习的街景行道树自动识别提取研究

针对城市行道树调查中,街景影像背景环境复杂多变、行道树个体差异大,依靠目视判读费时费力的问题,该文基于车载移动测量系统采集的全景影像数据,利用深度学习算法,在快速区域卷积神经网络的目标检测方法基础上,建立适用于街景行道树检测的深度神经网络模型。模型采用基于共有显著性区域及冗余策略的行道树多示例目标候选区域选择方法,使用车载图像的几何约束进一步筛选合适的候选区域,从而实现行道树目标候选区域的统一选择,提升行道树目标的检测效果。实验结果表明,该文提出的方法能够实现多种行道树的准确自动识别与提取,进而大大降低行道树绿化调查的成本。