【目的】深度学习在鸟类物种识别的应用是目前的研究热点,为了进一步提高识别效果,提出一种基于鸟鸣声的Chirplet语图特征和深度卷积神经网络的鸟类物种识别方法。【方法】引入线性调频小波变换(Chirplet transform,CT)计算鸟鸣声信号的语图,输入深度卷积神经网络VGG16模型中,通过对语图进行分类实现鸟类物种的识别。以北京市松山国家自然保护区实地采集的18种鸟类为研究对象,利用Chirplet变换、短时傅里叶变换(short-time fourier transform,STFT)和梅尔频率

[目的/意义]基于成果特征标识学者的学术专长是学者画像的重要任务,对学者分类、评审专家遴选、发现小同行等应用具有重要价值。[方法/过程]首先分析揭示学术专长的因素,用层次分析法构造专长标签权重分配模型;采用TextRank和概念链接技术从中英文成果内容中识别主题术语,结合权重筛选出具有领域共识和专长概括性的词汇作为专长标签。选取获得人才称号的多个领域科研人员,从中文或英文代表成果中提取专长标签,以人才公示中的专长领域作为对照基准,通过人工打分和语义计算评测识别效果。[结果/结论]在被贴中文专长标签的学者中,71.9%的个体的专长描述被认为满意。在被贴英文专长标签的学者中,77.2%的个体的专长描述被认为满意。实验表明提出的学者学术专长识别方法具有合理性。主要创新在于:在中英文不同语种以及是否存在外部知识库的条件下,提出从文献内容中挖掘候选标签词的解决方案;结合计量因素,用多种成果特征筛选专长标签,并提出权重分配的方案;针对评价基准欠缺的问题,提出基于语义计算的方式补充答案,从而扩充评价手段。

[目的/意义]大规模在线开放课程论坛具有丰富的用户评论数据。从大量未区分的评论数据中,自动识别出知识密度较高的探索型对话并挖掘其潜在价值,对于改善教师教学质量以及提高学生知识水平具有重要影响。[方法/过程]首先利用GloVe方法训练词向量,加强对文本语义的理解,然后利用卷积神经网络自动学习文本特征,提出一种基于深度学习的探索型对话自动识别模型,并在学堂在线平台《心理学概论》课程论坛标注数据集上进行实证与对比研究。[结果/结论]实验结果显示,利用GloVe方法预训练词向量以及在训练过程中不断对词向量进行学习修正能够提高模型效果。该模型识别探索型对话的F1值为0.94,相较于传统的朴素贝叶斯方法(0.88)、逻辑斯谛回归方法(0.89)、决策树方法(0.88)以及随机森林方法(0.88)取得较大提升,具有较高的实用性和较低的学习成本。

在统计过程控制的第I阶段,准确识别运行状态发生漂移的时间点是决定控制效果的关键。本文以多维空间的数据离心程度作为判定变点规则的标准,通过概率密度轮廓将单一观测值序列转化为多维空间中的数据点,运用数据深度技术构造特征变量,并建立变点定位规则。仿真性能分析的结果表明新方法能够在不需要假设过程服从正态分布的前提下对变点位置进行精确定位。在比较研究中也表现出良好的综合性能。

基于钻孔电视图像的结构面调查是一种应用广泛的勘测方法,可为岩体质量评价和工程设计提供基础数据支撑。然而,复杂地层中结构面形态各异,宽度差异大且对比度低,传统算法难以准确完整地识别。为此,该文提出一种基于改进的U-Net网络模型的钻孔电视图像结构面识别方法。首先,采用更深层次的编码解码网络结构,处理对比度低导致的结构面局部断裂问题,并结合通道注意力机制和残差模块提高编码阶段各层级对结构面特征的提取能力。其次,在较低层级跳跃连接中引入多尺度空间注意力模块,提高对复杂形态结构面处理能力,丰富编码层结构面语义特征;同时,通道注意力也被用于充分融合来自编码层和解码层的多通道结构面信息。然后,通过利用与地质作用下地层变形类似的透视变形等方式扩增钻孔图像数据,并结合焦点损失和Dice损失进行联合训练,以减轻图像数据不平衡问题,增强网络泛化能力。最后,将同一钻孔图像作为训练集,邻近钻孔图像作为测试集进行消融和对比实验。结果表明,相比于已有相关网络模型,该文所提方法能更有效地针对复杂地层钻孔图像,较准确、完整地识别各类岩体结构面,精确率和召回率均超过77.00%,比改进前的U-Net网络分割效果分别提高了7.96%和14.99%。该文方法可为现场结构面钻孔调查以及岩体质量评价提供技术支撑。

今年我国实行新的扶贫标准,对农村低收入人口全面实施扶持政策。研究新的扶贫标准下农村低收入人口的识别分类,做到应保尽保、应扶尽扶,实现农村最低生活保障制度和扶贫开发政策的有效衔接,对于维护社会公平,共享改革发展成果,构建和谐社会具有重要意义。本文利用河北省农村住户抽样调查资料和39个国家扶贫工作重点县贫困监测资料,对2008年

城市群是城市地理学的重要研究领域,对城市群的实体空间进行界定识别是研究城市群的前提和基础。城市群作为众多城镇的集群,前人对城市群的空间识别主要是以城市为单元进行的,缺少对识别单元空间形态的考虑。城市群实体空间的形态具有自相似性,空间分形特征可作为自相似性的表征工具,通过对空间分形特征的分析、识别及提取,可以实现对空间对象基于形态的客观测度。本文借鉴单个城市其边界的相关识别方法,从不同尺度的空间最小可识别单元出发,测度城市群城镇空间形态的分形特征,并据此提出了城市群城镇的客观识别方法。该方法利用城镇的空间分

本文依据群体语言评价信息特点,基于二元语义信息处理、理想点评价模型及聚类分析等方法,给出了基于二元语义评价信息并适用于层次结构的个体优势特征识别方法;对某企业的文化优势特征进行识别,演示了方法的使用过程,并说明了所提方法的可行性和有效性。从二元语义的评价信息中,本方法能够比较充分地挖掘和体现被测行为主体的个体优势特征,能够为决策者提供多种维度的决策信息。

通过分析切削过程刀具产生的振动信号的特点,引入自回归(AR)模型来表征刀具切削过程的工作状态;并利用隐Markov模型(HMM)对经AR模型处理后得到的特征向量(AR系数)和由FFT得到的特征向量(幅值谱)进行比较.结果表明:对于切削过程产生的振动信号采用AR模型得到的特征参数比由FFT得到的幅值谱更能有效地表征这一过程中刀具的工作状态.

城市群是城市地理学的重要研究领域,对城市群的实体空间进行界定识别是研究城市群的前提和基础。城市群作为众多城镇的集群,前人对城市群的空间识别主要是以城市为单元进行的,缺少对识别单元空间形态的考虑。城市群实体空间的形态具有自相似性,空间分形特征可作为自相似性的表征工具,通过对空间分形特征的分析、识别及提取,可以实现对空间对象基于形态的客观测度。本文借鉴单个城市其边界的相关识别方法,从不同尺度的空间最小可识别单元出发,测度城市群城镇空间形态的分形特征,并据此提出了城市群城镇的客观识别方法。该方法利用城镇的空间分形特征识别归属于城市群的城镇,通过空间最小可识别单元的变化得到不同的城镇规模并获取城市群城镇的空间分形特征,再以此为基础对空间分形特征的存在范围进行识别,将其映射于空间最终实现对城市群城镇的识别,进而得到城市群在空间上的分布状况。本文将该方法应用于京津冀城市群,基于2016年Landsat卫星遥感影像,实现了对京津冀城市群构成城镇的识别,为界定城市群的实体空间提供了一次有益尝试。

【目的】在农业害虫测报中,常常需要从大量的昆虫中识别出几种重要的测报害虫。目前基于图像的农业害虫识别研究,大部分是在有限种类有限样本量基础上进行的农业害虫识别。本研究为了从大量的水稻昆虫图像中识别出9种水稻测报害虫,尝试提出了一种基于多特征融合和稀疏表示的农业害虫图像识别方法。【方法】首先,为了获得最优的农业害虫识别模型,将所有图像进行旋转使昆虫头朝上,按照1﹕2长宽比裁剪图像,使昆虫居中并占据图像大部分区域,将图像进行等比例缩放至统一尺寸48×96像素。提取所有昆虫的HSV颜色特征、局部特征中的HOG特征、Gabor特征和LBP特征。然后,利用单一特征和融合特征分别对训练样本构建过完备字典,字典中的每一个列向量表示一个训练样本,且满足同一类训练样本均在同一个子空间中;应用过完备字典对测试图像进行多特征稀疏表示,通过求解l1范数意义下的优化问题获取稀疏解,使得除测试样本所在的类别外其他的训练样本的系数都是零或接近零的数值。最后,计算稀疏集中指数阈值,用于判断测试样本的有效性,如果测试样本的稀疏集中指数大于该阈值,则认为最小残差所对应的类别即为测试样本的类别,否则认为该测试样本为非测报昆虫。同时,利用相同的特征和训练样本训练SVM分类器对测试样本进行测试,与稀疏表示害虫识别模型进行比较。【结果】利用单一特征训练的稀疏表示害虫识别模型中,基于HOG特征的稀疏表示识别模型获得了9种测报害虫较高的识别率和较低的误检率,分别为87.0%和7.5%;利用颜色特征分别与3种局部特征进行结合获得的稀疏表示识别模型,测试结果表明,基于颜色和HOG特征的稀疏表示识别模型获得了最高的识别率和最低的误检率,分别为90.1%和5.2%;将颜色、HOG和Gabor 3个特征结合获得的稀疏表示识别模型,识别率下降为83.5%,误检率上升为10.3%。利用同样的特征或特征融合训练得到的支持向量机分类器,识别率均低于对应特征获得的稀疏表示识别模型的识别率,而误检率均高于对应特征训练的稀疏表示害虫识别模型的误检率。【结论】基于颜色和HOG融合特征的稀疏表示识别模型获得了较高的农业害虫识别率和较低的误检率;通过稀疏集中指数阈值,有效地排除了非测报昆虫,实现了从大量的农业昆虫中自动识别出需要测报的害虫。

针对目前养殖场中自动检测奶牛跛行效率低、准确率不高等问题，设计了一种基于姿态估计和膝关节角度特征向量的奶牛跛行识别方法。鉴于奶牛行为具有随机停留的特点，制作奶牛在不同远近视场尺度和观测角度等条件下奶牛姿态估计数据集。将Faster RCNN卷积神经网络模型引入到奶牛关键点检测中提高跛行识别的可靠性；以ResNet101网络作为特征提取网络，构建奶牛姿态估计网络，并采用超参数微调训练方法，对网络模型进行迁移训练。通过视频中的奶牛姿态信息和关键点坐标信息，计算出奶牛行走时膝关节的角度特征，并利用1-D Convolution分类模型实现奶牛的跛行识别。实验结果显示：以ResNet101网络模型为基础的奶牛姿态估计网络的PCK@0.1值可以达到0.925 0；使用1-D Convolution模型对奶牛行为分类识别的准确率为97.22%，与LSTM、Bi-LSTM、GRU模型相比，分别提高5.55、2.78、11.11百分点。以上结果表明，所提方法对自然环境下奶牛跛行有较好的检测效果，可用于奶牛智能化养殖并为养殖管理提供技术参考。

【目的】基于鸟类影像数据,探讨全域与局域特征融合手段,结合深度卷积神经网络理论,建构鸟类种群识别模型,以期为森林与湿地的监控与治理提供新的手段。【方法】首先,依据人类识别物体从整体到局部的生理过程,采用跳跃结构实现物体整体信息与局部信息的交互,该模型主要采用2个模型框架提取鸟类的全域和局域部件特征,并采用跳跃结构,提出融合模块(Fusion block)结构进行特征融合,将全局特征信息传递至局部特征抽取模块。该模型训练阶段需提供鸟类局部的部位标注信息,而测试阶段采用Faster R-CNN模型自动提取其鸟类局部标注信息。其次,探讨不同鸟类局部影像信息对模型的影响,最后,通过对比不同网络分类模型和鸟类数据集,验证模型的有效性和适用性。【结果】该鸟类种群分类模型具有较高的分类精度,总体分类精度达90%以上;对于不同的鸟类局部影像信息,其分类精度表现出一定的差异性,其中基于鸟类头部局部影像的网络分类模型总体分类精度最高; Faster R-CNN模型对鸟类局部影像定位精度较高,测试阶段采用人工标注的局部影像标签和Faster R-CNN模型预测的局部影像标签对模型的总体分类精度差异小;对比Inception-V1、Res Net-101、Dense Net-121以及Bilinear CNN等网络分类模型总体分类精度,该模型总体分类精相对较高,具有一定的有效性;对比使用NABirds鸟类数据集的分类效果,该模型总体分类表现较好,具有一定的适用性。【结论】该鸟类种群分类模型具有较好的识别效果以及有效性,可为森林与湿地的监控和治理提供合理有效的依据。

为解决不同人对相同针叶材样品识别出不同的早材至晚材过渡特征的问题,该文提出基于交互模式的针叶材早材至晚材过渡特征识别方法。该方法把肉眼难于识别出早材至晚材过渡带的针叶材归为"渐变"部分,把容易找出过渡带的针叶材归为需经计算机辅助程序进行量化判断部分。计算机辅助程序量化判断的过程,首先对横切面早晚材过渡带明显的显微数字图像进行裁剪、灰度化、二值化;其次,人工选择至少10列早材至晚材管胞,计算每个管胞径向直径,判断每列管胞的早晚材管胞径向直径变化情况;最后,基于多数投票法得出试样的早材至晚材急变或渐变的过渡特征。利用基于该方法开发的计算机程序,对20个针叶材试样进行了过渡特征识别。试验结果表明,基于交互模式的针叶材早材至晚材过渡特征识别方法,计算机辅助程序量化的准确率可达90%。

文章针对个体优势特征识别方法未能处理指标值为模糊数的问题,在理想点效用模式基础上,提出一种基于三角模糊数的个体优势特征识别方法。首先阐释了个体优势特征的内涵和表达方式,描述了理想点效用模式下个体优势特征识别的基本模型;然后根据三角模糊数的相关知识,围绕个体优势特征识别和个体优势评析两项功能,提出基于三角模糊数的个体优势特征识别方法;最后通过一个算例验证了方法的可行性和有效性。