浅谈信息时代图书馆的发展模式

随着科学技术的发展 ,以网络为中心的计算机技术、通讯技术、数字化信息技术、多媒体技术得到了飞速发展。图书馆作为人类知识的保存库与传播者 ,在信息时代也需加快自身的发展与变革。首先要确立图书馆在信息时代的地位 ,从而再进一步讨论图书馆的功能及其相应的发展模式。本文将从 3个方面进行探讨。1　信息时代图书馆的地位和作用图书馆是搜集、整理、保管、传播和利用文献信息 ,为社会提供服务的文化事业机构 ,它承担着保护人类文化遗产、进行社会教育、传递文献信息和开发智力资源的职能。但是 ,图书馆在人类社会发展过程中 ,历来没有…     

人工神经网络在岩体质量分级中的应用

结合四川省金沙江某水电站工程实例，应用BP人工神经网络方法建立3层BP网络模型，选取岩石单轴抗压强度等6个影响因素为输入变量，对坝基复杂岩体进行质量分级。通过机算机Visual C 语言编程实现神经网络模型，进行网络的学习和运算。以神经网络合理结构分析方法选取合理结构，确定合理隐层单元的数量，提高网络测试的精度。对测试结果的分析发现，经过优化的BP网络模型经多次学习后，测试精度提高，结果可靠，取得较好的实际应用效果。     

昌马水库右岸山体稳定性研究

昌马水库导流排砂洞塌方导致右岸山体发生松动 ,本文在大量地质资料的基础上 ,对右岸岩体裂隙网络进行模拟 ,同时 ,采用极限分析能量法和有限元数值模拟方法等对右岸山体的稳定性进行分析研究 ,并提出相应的加固方案。     

动态路由选择协议 OSPF 的原理及应用

本文介绍了OSPF(Open Shortest Path First)动态路由选择协议的原理,并结合某内部局域网的实际情况,描述了OSPF路由选择协议的应用实例。     

利用地理挖掘概念推动地理知识获取的可行性研究:第一篇

总结了近阶段一系列的多媒体用于检索各种为空间信息提供图形接口的方式。在20世纪 80年代这种方法导致产生了交互式的原型激光碟,用于评价媒体在信息发布上的有效性,随后提出并发展了地理挖掘概念。地理挖掘概念是     

如何快速设置BD2600系列路由器

1前言 我省气象网络系统升级之后，省地之间为2M速率带宽，地县之间为64KDDN专线，所有的县级路由器全是BD2621，所有地级路由器全是BD2641。本文所述的方法能够快速对其进行配置以及修改配置，将会对路由器的维护有很大帮助。     

关于气象信息网络安全维护

随着气象业务现代化、办公自动化程度的加快。气象系统内部以及与外界的信息交流量和交流面的不断扩大，给网络设计和管理者提出了如何解决在网络上的各种交流和日常工作中的安全问题。黑客的攻击愈来愈严重，资料信息的安全性也就受到威胁。     

CorelDRAW矢量地图高保真Web发布方法研究

基于CorelDRAW矢量地图产品,提出一种基于分层可缩放矢量图形（scalable vector graphics,SVG）组织、集成表达的技术方法,解决了高保真地图发布的问题。首先将CorelDRAW矢量地图高保真分层转换为多个SVG格式文件;然后对SVG文件中符号化信息进行批量处理;最后使用WebGIS框架库将各SVG地图加载到Web平台,实现CorelDRAW矢量地图的展示与交互。实验结果表明,该方法能将CorelDRAW矢量地图高效、高质量地发布到Web平台。     

基于A- CGAN的深反射地震数据随机噪声压制方法研究

基于深度学习的地震数据噪声压制方法是当前地震数据去噪处理的重要方向。深度学习方法突破了传统滤波处理的局限,在对常规地震数据的噪声压制中表现出效率高、信噪分离效果好的特点。但针对深部弱有效反射数据,当前的深度学习方法特征提取能力有限,难以取得较好的去噪效果。笔者等结合深反射地震数据特点,针对当前深度学习噪声压制方法在特征提取及对数据集依赖上的局限,提出了基于注意力循环生成对抗网络(Attention Cycle- Consistent Generative Adversarial Networks,A- CGAN)的深反射地震数据随机噪声压制方法。借助循环一致生成对抗网络(Cycle- Consistent Generative Adversarial Networks,Cycle- GAN)的域映射思想,降低对数据集的要求。为了构建适用于深反射地震数据的去噪网络,从3个方面对Cycle- GAN进行改进：在Cycle- GAN的生成器（去噪器）中加入残差结构和注意力机制,用于加深网络深度和提高其特征提取能力;在Cycle- GAN的鉴别器中使用块判决,提高鉴别精度和准确度;在损失函数部分加入感知一致性损失函数,提升网络模型恢复纹理细节信息的能力。通过合成地震数据和实际深反射地震数据测试,验证了优化算法的有效性,体现了良好的应用价值。     

基于特征注意力机制的RNN-Bi-LSTM船舶轨迹预测

【目的】为更准确预测船舶轨迹,基于RNN、Bi-LSTM和注意力机制,研究一种结合特征注意力机制的RNN-Bi-LSTM的船舶轨迹预测模型。【方法】基于AIS数据构建基于循环神经网络(RNN)与双向长短时记忆网络(Bi-LSTM)的混合神经网络模型,并在混合模型中加入特征注意力机制对数据特征进行权重分配,提升模型对船舶轨迹预测精度。【结果】使用实际运行的船舶AIS数据,对模型的有效性和实用性进行验证,测试集均方误差为2.751×10^-5、均方根误差为5.245×10^-3,在连续弯道预测中的均方误差为4.359×10^-6、均方根误差为2.088×10^-3。【结论】结合特征注意力机制的RNN-Bi-LSTM相较于传统的预测神经网络,船舶轨迹预测精度更高,尤其在弯道预测中也表现出较好的符合度。