【目的】矿产资源是人类生存和经济发展的重要物质基础,开展矿山监测、建立矿山监测模型对矿产资源的高效开发和矿区环境保护具有重要意义。针对露天矿区背景复杂、目标尺度多样且小目标聚集的特点,本研究旨在构建兼顾监测精度与效率的...【目的】矿产资源是人类生存和经济发展的重要物质基础,开展矿山监测、建立矿山监测模型对矿产资源的高效开发和矿区环境保护具有重要意义。针对露天矿区背景复杂、目标尺度多样且小目标聚集的特点,本研究旨在构建兼顾监测精度与效率的轻量化模型,以提升矿区目标地物监测的准确性和效率。【方法】现有遥感数据集存在的样本单一、地域局限等问题,因此本文基于0.9 m天地图与1.8 m谷歌影像构建了不同气候背景、大范围和多种地物的六大露天煤矿基地OMTSFD(Open-pit Mine Typical Surface Features Dataset)数据集,提出改进的YOLO11-DAE算法进行模型训练与验证。首先,在骨干网络和特征金字塔中引入C3K2-DBB模块以增强多尺度特征捕获能力;其次,采用ADown模块替换网络下采样卷积,增强了模块对不同特征的表征能力,减少了低对比度场景的细节丢失;最后,采用E_Detect高效检测头降低模型复杂度和参数量,实现模型轻量化。【结果】实验表明,YOLO11-DAE的每秒帧数(Frames Per Second,FPS)为528.100,模型推理速度较快,精确率(Precision,P)、召回率(Recall,R)、综合评价指标(F1-Score,F1)、平均精度均值(Mean Average Precision,mAP)分别达到0.932、0.894、0.913和0.950,显著优于YOLOv5n、YOLOv8n和YOLOv10n算法,相较于YOLOv11n各项指标分别提高7.600%、10.000%、8.800%、8.000%。【结论】YOLO11-DAE算法能够满足矿区实时监测,并适用于多尺度、多背景等复杂场景的目标识别,实现了高精度、低漏检率的监测目标,达到了模型可应用性与实时性的平衡。展开更多
深入分析了城市物流竞争力的研究现状,结合深度学习相关理论,以深层自编码器(Deep Auto Encoder,DAE)标准模型与标准算法为基础,提出了基于Widrow函数的深层自编码器动量更新算法(DAE-WMA)。依据城市物流竞争力分析数据量特点,选取三种...深入分析了城市物流竞争力的研究现状,结合深度学习相关理论,以深层自编码器(Deep Auto Encoder,DAE)标准模型与标准算法为基础,提出了基于Widrow函数的深层自编码器动量更新算法(DAE-WMA)。依据城市物流竞争力分析数据量特点,选取三种UCI数据集,对基于误差函数的标准算法(DAE-ESA)、基于交叉熵的标准算法(DAE-CSA)以及DAE-WMA的模式分类能力进行仿真,仿真结果表明后者的性能优于前两者。依据物流竞争实力与竞争潜力,基于层次分析法(Analytic Hierarchy Process,AHP)通过选取7个评估维度与19个评价指标构建城市物流竞争力指标体系,利用DAE-WMA方法与社会网络分析(Social Network Analysis,SNA)方法,对我国西北五省区13个主要城市的物流竞争力进行聚类分析与实证研究,仿真结果表明DAE-WMA方法相对于SNA方法,对核心节点城市的分类结果更加合理,更有利于对问题的分析。研究结果为确定新丝绸之路经济带沿线城市物流发展策略,促进国内物流业未来的协作与发展奠定了研究基础。展开更多
第五代(fifth-generation,5G)移动通信技术的兴起,推动了物联网(Internet of things,IoT)的发展。然而,随着物联网数据传输量的爆发式增长,频谱资源短缺问题越来越严重。频谱感知技术极大的提高了物联网频谱利用率。但是,物联网移动通...第五代(fifth-generation,5G)移动通信技术的兴起,推动了物联网(Internet of things,IoT)的发展。然而,随着物联网数据传输量的爆发式增长,频谱资源短缺问题越来越严重。频谱感知技术极大的提高了物联网频谱利用率。但是,物联网移动通信环境的复杂性高以及信号易畸变的特性,对现有的频谱感知算法提出了重大挑战。因此,提出了一种融合去噪自编码器(denoising autoencoder,DAE)和改进长短时记忆(long short term memory,LSTM)神经网络的智能频谱感知算法。DAE通过编码和解码过程挖掘移动信号的底层结构特征,改进的LSTM频谱感知分类器模型结合过去时刻信息特征对时序信号序列进行分类。与支持向量机(support vector machine,SVM)、循环神经网络(recurrent neural network,RNN)、LeNet5、学习矢量量化(learning vector quantization,LVQ)和Elman算法相比,该算法的感知性能提高了45%。展开更多
针对利用卷积神经网络进行辐射源信号识别过程中时间复杂度高的问题进行研究,提出一种基于降噪自编码器和卷积神经网络结合的算法。首先对雷达辐射源信号进行短时傅里叶变换,获取时频图像;然后对图像进行灰度和阈值二值化处理,将处理后...针对利用卷积神经网络进行辐射源信号识别过程中时间复杂度高的问题进行研究,提出一种基于降噪自编码器和卷积神经网络结合的算法。首先对雷达辐射源信号进行短时傅里叶变换,获取时频图像;然后对图像进行灰度和阈值二值化处理,将处理后的图像向量化操作输入到降噪自编码器中,提取降噪自编码器隐藏层特征数据完成降维处理,再重构成图片矩阵输入到卷积神经网络中,利用常用的softmax分类器进行分类识别。通过仿真表明,添加降噪自编码器降维处理后的模型相比原模型,时间复杂度大幅度下降;在SNR=-6 d B时,识别效果能达到80%以上;与利用传统降维方式性能相比,识别效果明显提高。展开更多
文摘【目的】矿产资源是人类生存和经济发展的重要物质基础,开展矿山监测、建立矿山监测模型对矿产资源的高效开发和矿区环境保护具有重要意义。针对露天矿区背景复杂、目标尺度多样且小目标聚集的特点,本研究旨在构建兼顾监测精度与效率的轻量化模型,以提升矿区目标地物监测的准确性和效率。【方法】现有遥感数据集存在的样本单一、地域局限等问题,因此本文基于0.9 m天地图与1.8 m谷歌影像构建了不同气候背景、大范围和多种地物的六大露天煤矿基地OMTSFD(Open-pit Mine Typical Surface Features Dataset)数据集,提出改进的YOLO11-DAE算法进行模型训练与验证。首先,在骨干网络和特征金字塔中引入C3K2-DBB模块以增强多尺度特征捕获能力;其次,采用ADown模块替换网络下采样卷积,增强了模块对不同特征的表征能力,减少了低对比度场景的细节丢失;最后,采用E_Detect高效检测头降低模型复杂度和参数量,实现模型轻量化。【结果】实验表明,YOLO11-DAE的每秒帧数(Frames Per Second,FPS)为528.100,模型推理速度较快,精确率(Precision,P)、召回率(Recall,R)、综合评价指标(F1-Score,F1)、平均精度均值(Mean Average Precision,mAP)分别达到0.932、0.894、0.913和0.950,显著优于YOLOv5n、YOLOv8n和YOLOv10n算法,相较于YOLOv11n各项指标分别提高7.600%、10.000%、8.800%、8.000%。【结论】YOLO11-DAE算法能够满足矿区实时监测,并适用于多尺度、多背景等复杂场景的目标识别,实现了高精度、低漏检率的监测目标,达到了模型可应用性与实时性的平衡。
文摘第五代(fifth-generation,5G)移动通信技术的兴起,推动了物联网(Internet of things,IoT)的发展。然而,随着物联网数据传输量的爆发式增长,频谱资源短缺问题越来越严重。频谱感知技术极大的提高了物联网频谱利用率。但是,物联网移动通信环境的复杂性高以及信号易畸变的特性,对现有的频谱感知算法提出了重大挑战。因此,提出了一种融合去噪自编码器(denoising autoencoder,DAE)和改进长短时记忆(long short term memory,LSTM)神经网络的智能频谱感知算法。DAE通过编码和解码过程挖掘移动信号的底层结构特征,改进的LSTM频谱感知分类器模型结合过去时刻信息特征对时序信号序列进行分类。与支持向量机(support vector machine,SVM)、循环神经网络(recurrent neural network,RNN)、LeNet5、学习矢量量化(learning vector quantization,LVQ)和Elman算法相比,该算法的感知性能提高了45%。
文摘针对利用卷积神经网络进行辐射源信号识别过程中时间复杂度高的问题进行研究,提出一种基于降噪自编码器和卷积神经网络结合的算法。首先对雷达辐射源信号进行短时傅里叶变换,获取时频图像;然后对图像进行灰度和阈值二值化处理,将处理后的图像向量化操作输入到降噪自编码器中,提取降噪自编码器隐藏层特征数据完成降维处理,再重构成图片矩阵输入到卷积神经网络中,利用常用的softmax分类器进行分类识别。通过仿真表明,添加降噪自编码器降维处理后的模型相比原模型,时间复杂度大幅度下降;在SNR=-6 d B时,识别效果能达到80%以上;与利用传统降维方式性能相比,识别效果明显提高。
