基于DPCA、ATI和MUSIC的动目标检测方法

针对SAR(合成孔径雷达)动目标检测,提出一种DPCA(中心相位偏置天线)、ATI(沿迹干涉)和MUSIC(多信号分类)相结合的三孔径动目标检测方法。该方法首先采用DPCA技术消除杂波干扰、检测运动目标,然后用ATI和MUSIC方法确定目标的位置和速度。理论分析和计算机仿真表明,该方法是有效的,不仅能够检测运动目标,而且能够精确估计其运动参数。     

澳大利亚高等教育质量保证体系述议

本文从澳大利亚高等教育机构的分类、高等教育保证体系的组成部分、体系的运行及其发展趋势四个方面对澳大利亚高等教育质量保证体系进行介绍和分析 ,以便从中得到借鉴。     

高等专科学校分类分层教学的探讨

针对目前高等专科学校招收学生的素质参差不齐、学生个体基础差别较大的现状,提出了分类分层次教育教学的想法,通过分类分层次教学来改革现有的教育模式,在高等专科学校的教育教学中建立现代化的高质量教育机制。论文中详细阐述了分类分层次教学的基本思路、目标、实施方案及对学生的考核办法等。     

一种基于自组织分级聚类的数据挖掘方法

针对传统自组织聚类方法处理数据在多维空间中存在多样性和从基本或低层次概念上发现强关联规则中的不足，提出了一种基于自组织分级聚类的数据挖掘方法．该方法采用最大似然分类自组织特征网络（MAXNET）聚类过程，利用自下而上聚合层次聚类方法，对有畸变的二值化输入模式作最大似然分类．最后对一个销售电脑商场中，与任务相关的交易数据集进行了分析，描述了从低层次概念到高层次概念的相互关系．并用matlab仿真软件把该方法和传统方法进行比较，表明了该方法的有效性．     

排土场淋溶水污染区地下水监测点模糊模式识别

应用模糊模式识别方法对阜新新邱露天煤矿排土场附近(于家沟),地下水污染区的水质监测点分类优选问题进行了研究,对研究区内的12眼水井分别采样,进行水质分析,识别出总硬度、硫酸盐、氯化物、溶解性总固体等主要污染因子;进而采用模糊模式识别方法,对区内的12个监测点进行了优化.计算结果表明可从于家沟地下水污染区的12个监测点中选取具有代表性的3、7、11号监测点进行监测,节省了人力、物力及资源.     

瓶装饮用水挥发性有机物的聚类分析与评价

用两种数值分类方法对19种瓶装饮用水所含挥发性有机物(VOCs)进行聚类分析，EDC法的分类选用欧氏距离为相似性测度，聚类采用重心法；CBM法选用绝对距离与中位数法．结果得到两系统聚类树形图及一统计量表。表明水样可分为四类和定量分级评价为三个等级：不合格(水样M6)、合格(水样M2、D4)、较好(其他16种水样)．聚类分析能同时实现瓶装饮用水的分类与定量分级评价。     

论图书馆期刊管理工作中的排架问题

介绍了期刊排架方法选择的原则,探讨了影响期刊排架方式选择的因素,比较了期刊分类排架和将期刊名按照字母（拼音）排架两种排架方式的优缺点。     

基于深度学习的恒星光谱分类

大型巡天项目使得恒星光谱的观测进入大数据时代,实现恒星光谱自动分类是一项重要和具有挑战性的工作.本文采用基于一维的卷积网络算法对斯隆数字巡天(sloan digital sky survey, SDSS)的恒星光谱进行分类.通过卷积神经网络,恒星光谱的特征被提取出来并用于分类.采用带标签的恒星光谱数据训练一维恒星光谱卷积网络(1-dimension stellar spectra convolutional neural networks, 1-D SSCNN),得到训练好的网络模型,并用其对恒星光谱进行分类测试.本文算法与传统的恒星光谱分类算法支持向量机(support vector machine, SVM)、随机森林(random forest, RF)和人工神经网络(artificial neural network, ANN)进行对比,结果表明,本文算法具有较高的分类精度和鲁棒性,且给出了由深度学习得出的光谱热力图,对研究光谱物理性质具有重要意义.     

问答系统中基于语义核函数的问题分类算法

提出一种基于语义核函数的问题分类算法,该算法基于问题的语法结构构建支持向量机(SVM)核函数.首先,将给定的问题解析为语法树结构,用语法树的子树表示该问题;然后,从词法、语法、语义三个层面提取问题的特征,构成更加丰富的特征空间;接着,基于问题的语法树构建核函数;最后,使用潜在语义索引方法并结合问题的词法、语法以及语义特征,通过语义核函数将特征空间映射到更有效的空间中进行问题分类.TREC数据集上的实验结果表明,通过词法、语法以及语义增强的问题特征空间可以提高分类准确率.     

Polarimetric Synthetic Aperture Radar Image Classification by a Hybrid Method

Different methods proposed so far for accurate classification of land cover types in polarimetric synthetic aperture radar (SAR) image are data specific and no general method is available. A novel hybrid framework for this classification was developed in this work. A set of effective features derived from the coherence matrix of polarimetric SAR data was proposed. Constituents of the feature set are wavelet, texture, and nonlinear features. The proposed feature set has a strong discrimination power. A neural network was used as the classification engine in a unique way. By exploiting the speed of the conjugate gradient method and the convergence rate of the Levenberg-Marquardt method (near the optimal point), an overall speed up of the classification procedure was achieved. Principal component analysis (PCA) was used to shrink the dimension of the feature vector without sacrificing much of the classification accuracy. The proposed approach is compared with the maximum likelihood estimator (MLE) based on the complex Wishart distribution and the results show the superiority of the proposed method, with the average classification accuracy by the proposed method (95.4%) higher than that of the MLE (93.77%). Use of PCA to reduce the dimensionality of the feature vector helps reduce the memory requirements and computational cost, thereby enhancing the speed of the process.