超细AP团聚表征研究

根据实际应用的需要,运用筛分技术和静电分散、分级技术相结合的方法对AP进行分级,采用质量分数对AP团聚状态进行表征。从最大荷质比、分级效率和安全可靠性3个方面确定分散、分级电压,同时将静电分散力与颗粒间范德瓦尔斯力和液桥力进行比较。计算结果表明,分散、分级电压采用6 kV是合理的。最后,从热学性质与实际生产应用两个方面对分级结果进行分析,并将此方法与传统方法进行了比较。结果表明,该方法合理、可靠。     

统计学习与知识发现

知识发现是将知识从隐性转化为显性的一个过程,它是知识管理的重要组成部分.为此阐述了利用统计学习的知识发现方法,以及统计学习中主要使用的分类学习,并强调了使用数据驱动指导知识构建的合理性和优越性,最后结合实例分析了几个主要的统计学习方法及其应用.     

海天混杂闪烁背景下运动点目标检测新方法

针对海天混杂闪烁背景及单像素运动点目标的特征,设计了海天相连区域快速定位及基于模式分类的环域全向差分扩展中-均值滤波的预处理算法,二次进行全向差分均值滤波后,利用基于直方图的自适应阈值分割得到初步侯选目标点.形态学滤波保留有效的单像素侯选点,最后进行帧间侯选目标点之间的相关性分析和目标短时丢失的直接再搜索.仿真实验采用两个实拍场景中加入单像素仿真目标生成的220帧图像,结果为:信噪比≥0.5时单帧检测率为91%,3帧以上的连续检测中检测率达到95%;对照组22帧不含仿真点目标,3帧以上的连续检测虚警数为0.      

关于约束分类问题的研究

约束条件的分类对于简化数学规划问题的求解具有重要意义，对于凸函数ｇｉ（ｘ）（ｉ＝１，２，…，ｎ）给出了约束ｇｉ（ｘ）≤０是必要约束或多余约束的充要条件，对于一般约束，定义了约束相关矩阵，给出了约束是必要的或多余的充要条件，对相对多余约束给出了分类。     

基于Boosting的模糊分类规则集成学习及应用

由于难于获得先验知识,样本可分性差,辐射源识别很难达到很高的识别率。结合AdaBoost算法和遗传算法,提出了一种模糊分类规则的迭代学习方法。在每轮迭代训练过程中,算法通过调整训练样本的分布,利用遗传算法产生分类规则。减少分类规则能够正确分类样本的权值,使得新产生的分类规则重点考虑难于分类和拒识的样本。在规则学习的适应度函数中考虑训练实例的分布,使模糊分类规则在产生阶段就考虑相互之间的协作,改善了模糊分类规则的整体识别能力。辐射源识别实验结果表明,该方法具有良好的分类识别性能。     

RECAT间隔标准的差异性对比与计算分析

尾流是影响机场容量的重要因素之一,在保证安全前提下缩减尾流间隔能增加机场繁忙时刻航空器进离场架次,进而提高机场容量.美国和欧洲提出尾流标准重新分类(RECAT)概念,并在一些机场试运行,取得良好效果.基于国内某机场一周内航空器起降机型架次,将其重新分类,对比在现行ICAO和RECAT标准下的加权尾流间隔,证明在RECAT标准下尾流间隔将会缩减.通过改变不同航空器机型占比,分析机场容量变化,得出机场容量随航空器占比变化明显,对空管安全运行和机场及跑道运行效率提高具有实际参考价值.     

飞轮振源特征参数提取方法及其分布特性

为了从飞轮微振动输出中提取飞轮转子的振源信息，提出利用鲁棒回归辨识飞轮在升速过程中各主要阶次的振幅对转速的二次幂系数，并将其作为飞轮的振源幅值特征参数；为探究参数的分布特性，利用Weibull分布拟合多个飞轮在同一阶次的特征参数，并计算出特定概率点的分位数。振源特征参数的分位数既系统地展示了飞轮振源分布情况，亦可作为振源分级判据。将该方法成功应用于50 Nms飞轮的振源特征参数分布研究中，为该型飞轮的超静性能筛选和设计改进提供了判定准则和参考依据。     

三个素数猜想的证明

采用新的构造方法,把不规则分布的素数进行分类,即把单个素数a都同时表示成等距的区间[a,a＋h]（a为任意素数）,在[a,a＋h]中的元素为自然数,将[a,a＋h]中对应位置有相同情况,或都是素数,或都不是素数的为同一等价类,其中每个[a,a＋h]中至少有一个素数a,h取不同自然数时,分类方法不同,显然[a,a＋h]的等价类的个数在h有限时是有限的,小于2h/2。     

Hierarchical object oriented classification using very high resolution imagery and LIDAR data over urban areas

Urban land cover information extraction is a hot topic within urban studies. Heterogeneous spectra of high resolution imagery—caused by the inner complexity of urban areas—make it difficult. In this paper a hierarchical object oriented classification method over an urban area is presented. Combining QuickBird imagery and light detection and ranging (LIDAR) data, nine kinds of land cover objects were extracted. The Spectral Shape Index (SSI) method is used to distinguish water and shadow from black body mask, with 100% classification accuracy for water and 95.56% for shadow. Vegetation was extracted by using a Normalized Difference Vegetation Index (NDVI) image at first, and then a more accurate classification result of shrub and grassland is obtained by integrating the height information from LIDAR data. The classification accuracy of shrub was improved from 85.25% to 92.09% and from 82.86% to 97.06% for grassland. More granularity of this classification can be obtained by using this method. High buildings and low buildings can, for example, be distinguished from the original building class. Road class can also be further classified into roads and crossroads. The comparison of the classification accuracy between this method and the traditional pixel-based method indicates that the total accuracy is improved from 69.12% to 89.40%.     

Softmax分类器深度学习图像分类方法应用综述

基于深度学习的人工智能图像分类方法研究是当前计算机视觉领域的研究热点。面向深度学习中的Softmax图像分类方法，首先回顾了图像分类技术的发展历程，接着介绍了图像识别技术中的分类器，并解释了Softmax回归函数的分类实现原理。基于Softmax回归分类器的应用，详细阐述了多种图像分类技术，具体包括浅层神经网络、深度置信网络、深度自编码器和卷积神经网络。同时，对比介绍了各种级联模型的具体结构、训练方法、实际应用、分类效果以及优缺点。最后，从Softmax回归分类器、深度学习网络模型和高维数据分类三个方面对基于Softmax回归分类器的深度学习模型在图像分类方面的发展与应用前景进行了展望。