基于多模态融合技术的用户画像方法

针对当前用户画像工作中各模态信息不能被充分利用的问题, 提出一种跨模态学习思想, 设计一种基于多模态融合的用户画像模型。首先利用 Stacking集成方法, 融合多种跨模态学习联合表示网络, 对相应的模型组合进行学习, 然后引入注意力机制, 使得模型能够学习不同模态的表示对预测结果的贡献差异性。改进后的模型具有精心设计的网络结构和目标函数, 能够生成一个由特征级融合和决策级融合组成的联合特征表示, 从而可以合并不同模态的相关特征。在真实数据集上的实验结果表明, 所提模型优于当前最好的基线方法。     

县域景观特征管理单元划分方法——以武胜县为例

为了解决目前国内景观特征研究多以大尺度为主且以自然条件为基础, 缺少实际管理意义的问题, 尝试从县域层面进行景观特征单元的划分, 并与现有行政管理单元相结合, 提出发展建议。依据武胜县30 m高程、坡度和土地利用数据, 将武胜县域划分为100 m×100 m的栅格网络, 利用 ArcGIS和SPSS进行二阶聚类分析。结果显示, 武胜县可以划分为7类景观特征管理单元, 单元内部自然地理特征相似, 组间差异显著。将武胜县按聚类结果划分为较单一镇域、较单一村域和较复杂村域 3 种不同的管理模式, 并分析较复杂村域的成因, 提出管理策略。最后, 从景观特征保护出发, 对武胜县 7 处建成区提出规划管理建议。     

民航术语的特征及汉译策略

民航专业文本中的术语是翻译的难点,不规范的翻译往往会导致民航术语译名的混乱。民航术语中频繁出现缩略词、次科技词和合成词,在翻译时,需要根据术语的特征和具体的语境选择合适的翻译方法。民航文本专业性强,术语涉及的领域广,译员需要具备一定的专业背景知识,运用灵活的汉译策略,才能把握住术语的真实含义,做出专业、准确的翻译。     

基于动静结合的单一背景目标检测方法

本文通过研究目标在单一场景条件下的成像特点与背景图像特征,提出一种基于动态特征、静态图像特征结合的单一背景目标检测算法框架模型。然后,通过分析算法模型对目标特征凸显的两种策略模式,分析其突出特征。最后,结合背景抑制分割方法,实现背景中目标的自适应溢出。     

数据不完备下基于特征识别的公交客流短时预测

识别公交客流特征是提高短时预测质量的关键。但由于设备故障、数据收集受限等原因,客流数据属性往往是不完备的,这给特征识别和客流预测带来了挑战。文中以缺少乘客属性数据的长沙市104路公交卡数据为样本,利用卡号与出行时间的关联性识别乘客出行频次,以此作为区分出行特征的变量,将客流总集划分为不同的特征子集,依据子集规模、方差确定变量最佳取值,推断客流特征。与直接预测客流总集相比,文中为每类子集建立季节性差分自回归滑动平均(SARIMA)模型分别进行预测,整合后得出的样本外平均绝对误差改善了36.11%,依据乘客出行特征建立的预测模型拟合度为0.95,可有效识别公交客流特征。     

基于多级深度特征与随机游走的显著性检测

为了解决图像显著性检测中传统方法特征学习不全面、复杂场景下显著区域凸出不明显的问题,提出了一种基于多级深度特征和随机游走的显著性检测算法。首先,利用全卷积神经网络,结合深层和浅层卷积特征信息对图像进行多级卷积深度特征提取;然后,对图像进行超像素分割,将提取的深度卷积特征分配给相应的超像素,构建特征矩阵;最后,通过正则化随机游走排序模型生成最终的显著图。在ECSSD和DUT-OMRON数据库上的实验结果表明,与6种具有代表性的显著性检测算法相比,文中算法的准确性和F值具有一定的优势。     

高功率微波弹对GNSS接收机毁伤效果分析

针对高功率微波（high-power microwave，HPM）武器易对全球卫星导航系统（global navigation satellite system，GNSS）接收机造成毁伤的问题，以高功率微波弹为对象，分析了不同弹体起爆姿态下的攻击范围与效果。在电磁仿真软件CST-MWS（CST microwave studio）中建立GNSS接收机辐照模型，设计了圆极化贴片天线为接收载体，以单脉冲正弦信号调制的平面波模拟高功率微波弹起爆后的辐射场效应。在电磁能量前门耦合的基础上，基于场—路联合仿真方法给出了一种仿真模型，将天线端口感应电压注入电路仿真软件ADS中设计的PIN限幅器，完整模拟了HPM由场到路的耦合过程。仿真给出了以微波源峰值功率为变量的敏感器件毁伤评价曲线，结果表明，GNSS接收机射频前端电路中的低噪声放大器是HPM武器的主要攻击对象，以ERA-2+型低噪放为例，脉冲峰值功率在27~310 kV的微波源均可造成其晶体管烧毁。同时，HPM也容易引发限幅器在一定功率范围内产生尖峰泄漏现象，其尖峰泄露对电路可能产生的损伤值得重视。研究结论可为下一步开展卫星导航接收机针对性电磁防护设计提供依据与技术指标。     

基于高维特征选择的跳频电台细微特征识别

将高维特征用于跳频电台细微特征个体识别具有很大优势,为了增强对跳频电台的分类识别能力,需要增加特征类型和维数,提高特征集的表征能力,但同时会引入大量冗余特征,导致分类器计算时间过长,分类正确率降低。为了降低高维特征集维数,首先采用相关性快速过滤特征选择算法,删除高维特征集中的不相关冗余特征,得到最优特征集。然后利用经过参数优化的支持向量机(support vector machine, SVM)分类器进行训练分类。实验表明,所提算法能够对高维特征集进行合理的降维,提高了SVM的分类器的分类性能,在保证分类正确率的基础上,降低了运算量,提高了跳频电台细微特征识别的时效性。