基于改进欧几里得聚类的激光雷达障碍物检测

针对传统的欧氏聚类算法无法同时对近处和远处的障碍物点云进行精准检测和分割,容易造成错检和漏检的情况,提出一种欧氏聚类算法的改进方法,可以根据点云与激光雷达之间的距离动态地选择阈值,从而快速且准确地完成聚类.实验表明:该方法能同时对近处和远处的障碍物点云进行快速且准确的聚类.     

电缆槽对电缆间串扰的影响研究

电缆在使用时一般会铺设在电缆槽中,而电缆槽对铺设其中电缆之间的串扰会形成影响.针对电缆槽中电缆之间的串扰问题,提出一种结合多端口网络理论及分块级联思想的建模方法,使用基于波导格林函数的矩量法来提取电缆槽中电缆间的分布参数,并用虚拟节点理论将提取的分布参数矩阵转化为模型中的传输函数.通过与商业电磁仿真软件的仿真结果进行对比,验证了本文的模型及算法在分析电缆槽中电缆间的串扰问题时具有较好的精确度,最后运用此方法分析了电缆处于电缆槽中不同位置时的线间串扰大小,并结合铁路现场的实际情况对电缆槽中电缆的布线方式提出了建议.     

重大科技基础设施内涵演进与发展分析

重大科技基础设施是大科学时代的标志,是产生重大原创性、引领性成果的关键支撑,已经成为国家科技竞争力的象征和创新格局演化的重要变量.新一轮科技革命正孕育兴起,要加快重大科技基础设施布局建设,催生重大科学发现和关键技术突破,牢牢把握创新主动权,增强自主创新能力,推动科研范式升级和组织方式变革,实现科技自立自强成为国家发展的战略支撑,为建设世界科技强国厚植科技创新根基.     

基于深度学习的Stack Overflow问题帖分类方法

针对基于正则表达式和传统机器学习的分类方法分别存在模式手工提取困难和性能瓶颈的问题, 提出一种基于深度学习的问题帖分类方法, 采用深度文本挖掘模型TextCNN和融合注意力机制的TextRNN构建分类模型. 实验结果表明, 基于深度学习的方法在多数问题目的类别上的分类性能优于已有基准方法, 且使用的Adam优化器优于SGD优化器, 使用Glove预训练的词向量优于使用随机生成的词向量. 该方法以提问目的对帖子进行分类, 可为分析Stack Overflow(SO)上的帖子讨论主题增加新维度.     

不同空间插值方法对某灌区地下水氮浓度分析结果的影响

为了验证并推荐合理、可靠的地下水氮浓度数据空间插值方法,本文基于ArcGIS的地统计向导中的各种空间插值方法对中国东北某灌区地下水三氮浓度数据进行空间插值,分析不同插值方法在地下水氮浓度分析中的可行性和优、缺点.结果显示当地下水氮浓度测量数据较好地符合正态分布规律时,各种空间插值方法的预测精度均较高;当数据空间变异性较大、不够符合正态分布规律时,经验贝叶斯克里金法可以得到精度更高的插值结果.     

基于MD-LBP关联方向特征的铁路隧道漏缆卡扣检测算法

全路段跟车拍摄隧道漏缆卡扣图像再进行逐张排查,是实现卡扣故障检测的重要手段.针对目前LBP、CS-LBP等相关变体算法存在描述子质量不佳、特征维度过高的问题,提出MD-LBP关联方向特征提取算法实现故障卡扣的检测工作.该算法首先对输入图像进行高斯滤波预处理,根据图像的全局灰度均值得到图像的自适应阈值;其次计算图像的三层MD-LBP特征图结构,依次经过两次下采样分别得到Cell主方向特征和Block主方向特征;然后再在Block特征图上提取关联方向特征,并以此作为描述子;最后通过SVM区分故障卡扣,完成检测工作.实验还对比了LBP、H OG等9种特征描述子的检测情况,结果表明该算法不仅特征维度低,并且检测故障卡扣的召回率和精准度都达到了85％.     

混合粒子群算法的电火花成型加工工艺参数优化

针对电火花成型加工机床工艺参数难以确定以及工件表面质量差的问题,在CTM450机床上探究了脉冲电流、脉冲宽度、脉冲间隔对成型加工中MPR和Ra的影响,在正方实验的基础上,以提高材料去除率和工件表面质量为优化目标,设计了混合粒子群算法,将仿真优化后的结果与实际加工效果进行验证,表面该算法准确有效.     

视觉搜索中图标布局的影响机理

采用视觉搜索范式，研究图标视觉特征及数量变化对图标布局认知绩效的影响.实验表明，当图标数量N=6时，仅图标视觉特征主效应显著，布局方式对搜索速度无显著影响，图标视觉特征是认知绩效的主要影响因素;当图标数量N=15时，仅图标布局方式主效应显著，横向排列搜索速度最快.通过图标数量的连续性变化实验发现，图标数量超过10个，横向排列反应时显著低于纵向排列，两者错误率无显著差异;随着图形面板 L_○长度 / S_○宽度比值的降低，两者平均反应时差距逐渐缩小，趋于一致.研究表明，图标数量的变化对布局方式和视觉特征的认知绩效产生显著影响.     

一种基于类不平衡学习的情感分析方法

针对网络评论中普遍存在的负面评论较少而影响力却较大的类不平衡问题, 提出一种基于类不平衡学习的情感分析方法. 该方法利用深度学习训练过程中的概率输出, 以计算样例的信息熵作为影响因子构建交叉信息熵损失函数. 在IMDB公开数据集上进行实验验证的结果表明, 基于集成信息熵损失函数的双向长短期记忆网络能处理类不平衡问题; 对数据的统计分析结果表明, 该策略能提升基于双向长短期记忆网络的评论情感极性分类性能. 针对AUC(area under curve)指标, 使用集成信息熵损失函数的双向长短期记忆网络模型比未考虑类不平衡的深度学习模型在中位数上最多提升15.3%.