鄂尔多斯盆地NL油田延9流动单元研究

从国内外流动单元研究现状出发,结合研究区实际的岩心、地质、测井和生产动态资料,根据流动带指标和岩性-物性划分法划分流动单元.研究中遵循单井、剖面到平面的思路,开展了流动单元特征参数优选、取心井流动单元分析、非取心井的流动单元划分工作.运用动态资料验证流动单元划分的合理性,进行了流动单元剖面、平面特征研究及流动单元生产能力分析.研究表明,所选用的渗透率、孔隙度和流动层带指标IFZ3个参数可满足本区流动单元划分要求,研究区延9储层流动单元可划分为Ⅰ、Ⅱ、Ⅲ、Ⅳ类.     

基于GaussNewton-NL2SOL法的前馈神经网络及应用

目前基于高斯牛顿法及其衍生算法的前馈神经网络虽然可以达到局部二阶收敛速度,但只对小残量或零残量问题有效,对大残量问题则收敛很慢甚至不收敛.为了实时解决神经网络学习过程中可能遇到的小残量问题和大残量问题,引入NL2SOL优化算法,并与GaussNewton法相结合,构建基于GaussNewton-NL2SOL法的前馈神经网络.仿真实例表明,该神经网络较好地解决了残量问题,具有良好的收敛性和稳定性.     

地图数字化数据误差的NL分布检验

根据地图数字化随机误差的性质异于正态和Ｌａｐｌａｃｅ分布的性质，推导出服从正态分布和Ｌａｐｌａｃｅ分布的组合分布－ＮＬ分布随机误差的密度函数和数字特征的计算方法。结合三幅地图数字化实例，作者采用ｘ＾２的Ｋｏｌｍｏｇｏｒｏｖ检验进行ＮＬ分布拟合检验，得出地图数字化随机误差服从ＮＬ分布的结论这些工作对解决地理信息系统精度与质量控制等问题具有理论和实际应用价值。     

基于NL模型的北京公共交通票价对出行方式影响研究

利用SP(stated preference)调查挖掘了更多乘客选择出行方式时关注的因素,对比研究了MNL(multinomial logit)与NL(nest logit)模型机理,构建了更具适用性的交通方式选择NL模型,以北京市为例验证了模型的可靠性。应用模型分别探究了常规公交及地铁票价变化对乘客交通方式选择的影响。结果表明,随着常规公交票价的增加,0~10 km范围内常规公交出行者向私家车转移,10 km以上则会选择地铁出行;而随着地铁票价的增加,地铁出行方式的分担率明显下降,并导致公共交通分担率的下降。通过探究公共交通票价变化对乘客出行方式选择的影响,为北京市公共交通票价调整提出合理建议。     

轨道线路调整后考虑习惯影响的居民出行方式变化

为研究轨道线路调整下居民的出行选择行为,从出行决策机理入手,考虑并量化个体出行习惯对方式选择的影响,构建了包含动态效益变化感知函数的巢式Logit(nested Logit,NL)模型,并通过案例验证了模型的可行性和有效性,进一步分析模型中习惯参数对决策的影响,提出优化策略.结果 表明,线路调整对轨道交通选择概率的影响最大,公交车其次,小汽车最小,且对不同起迄点(origin and destination,OD)的影响存在差异;个体出行习惯则会削弱这种影响,表现为对行为变化的抑制,模型中阈值越大,个体保持习惯方式出行的概率越大;方式依赖程度越大,个体越难以向具有更高效益的方式转移,且随着阈值的增大,方式依赖程度对决策结果的影响逐渐增大.通过配套政策措施的完善,能够有效发挥线路调整的作用,减小习惯对决策结果的影响.     

基于巢式和交叉巢式logit的行人步行行为模型

为量化分析行人行为并仿真行人步行轨迹,建立基于巢式和交叉巢式logit的行人步行行为模型.首先,提出建模思路,重点分析行为理论、NL模型和CNL模型等基本理论.其次,将行人分为自由流和非自由流两种状态,针对保持原方向、距离目的地更近、自由流下的变速、躲避对向行人和超越同向行人5种步行意愿,分别建立效用函数,构建行人步行行为的NL模型和CNL模型.最后,通过视频采集的数据,运用biogeme软件标定模型系数,并与实际的行人轨迹比较分析模型的准确性,发现模型能够以80.26%的准确性拟合实际行人轨迹.结果表明,模型能准确拟合低密度情况下的行人步行轨迹,具有实际应用价值.     

说两种不同的“NL＋V＋着＋NM”结构

现代汉语中存在两种不同的“NL＋V＋着＋NM”结构,它们有着不同的变换方式。一种可以变换成“NM＋V＋在＋NL”,另一种则不可。词尾“着”虚化的分期以及虚化过程中对动词要求的限制造成了共时平面两种不同的“NL＋V＋着＋NM”结构。     

引入全局上下文模块和高效注意力机制的车辆跟踪算法

孪生全卷积神经网络目标跟踪算法(SiamFC)近些年成为车辆跟踪领域的研究热点。但该算法缺乏对目标车辆的深层特征提取和整体感知,在背景复杂、低分辨率、光照变化的情况下容易跟丢。提出使用深度残差网络ResNet50作为主干网络,根据跟踪模型特性,从剪裁特征图、调整网络总步长和嵌入高效通道注意力模块三方面对其进行优化,高效提取特征的同时增强模型的差异化认知,并在分支网络引入全局上下文模块(non-local network, NLNet),增强跟踪模型对目标车辆的整体感知。经实验证明,提出的算法在低分辨率、光照变化和复杂背景的情况下跟踪速度和鲁棒性显著提升。在VOT2018和OTB2015数据集中测试均能得到较好的跟踪结果,与经典跟踪模型SiamFC相比,在OTB2015数据集中测试的跟踪精度提高了5.5%,跟踪成功率提高了2.7%,跟踪速度提高了14%可达98帧/s。     

基于多尺度局部对比度和限邻域经验模式分解的遥感图像融合方法

传统二维EMD（empirical mode decomposition）算法在估算图像的均值包络面时易出现＂过冲＂现象,这使得分解的内蕴模式函数中会出现＂灰斑＂.针对这个问题,改进一种NLEMD（neighborhood limited empirical mode decomposition）算法.它基于局部均值平稳特性的方法估算图像的最佳局部均值,进而得到图像的均值包络面.该算法在克服了传统二维EMD算法的＂过冲＂现象的同时降低了时间复杂度.结合人类视觉系统对局部对比度敏感这一特性,提出一种基于多尺度局部对比度和NLEMD的遥感图像融合算法.该算法以NLEMD分解的内蕴模式函数的多尺度局部对比度为指导,对图像的内蕴模式函数进行融合处理.仿真实验表明：该融合算法能更清晰地反映融合图像中的复杂细节信息,提高了图像融合的质量.     

前馈神经网络权值学习综合算法

目前基于高斯牛顿法及其衍生算法的前馈神经网络虽然可以达到局部二阶收敛速度,但只对小残量或零残量问题有效,对大残量问题则收敛很慢甚至不收敛.为了实时解决神经网络学习过程中可能遇到的小残量问题和大残量问题,引入NL2SOL优化算法与GaussNewton法相结合,并引入熵误差函数,构建基于GaussNewton NL2SOL法的前馈神经网络.仿真实例表明,该神经网络较好地解决了残量问题,具有良好的收敛性和稳定性.