深度学习方法在作物遥感分类中的应用和挑战

[目的]准确估算作物的面积和分布对粮食安全至关重要。与传统的机器学习方法相比,深度学习具有多种优势,如端到端训练、可迁移性。为有效利用高时空数据进行作物识别提供了新的机遇。已有多种模型被应用于作物分类任务中,针对不同的分类任务,如何有效地选择模型,并对其进行训练和使用已成为关键问题。[方法]文章回顾了利用深度学习模型对作物分类的主要研究。N维卷积神经网络(N-D CNN)(N=1、2、3)和递归神经网络(RNN)已被有效用于作物分类任务。长短期记忆RNN(LSTM RNN)和门控循环单元RNN(GRU RNN)是RNN的变体,解决了随着时间序列增加RNN出现的梯度消失或爆炸问题。此外,还有研究使用CNN和RNN(我们称为RCNN)的混合模型对作物进行分类。该文首先阐述了使用深度学习方法进行作物制图的背景和意义,并介绍了CNN和RNN模型结构。然后回顾了一些典型的研究,包括模型的结构、遥感数据源、数据处理方法和分类精度。最后,总结了使用深度学习方法进行作物分类的挑战以及现有解决方案的局限性。[结果](1)1-D CNN可用于提取时间特征,或时间+光谱特征,分类效果良好;2-D CNN已被广泛应用于单时相数据的空间特征提取,分类精度依赖于数据源;3-D CNN应用较少,但具有很大的潜力,尤其是时间+空间维度的特征提取;(2)相同条件下(架构、数据源、研究区域、类别),LSTM RNN和GRU RNN分类效果通常高于普通RNN,而前两者的效果差距不大,但GRU RNN训练时间较短;(3)CNN+RNN混合模型(RCNN)用RNN比3-D CNN更适合提取时间特征。这主要是由于RNN建立了对序列数据的长期依赖,而3-D CNN卷积核是局部计算的。[结论]通过分析,认为深度学习技术是作物遥感分类的有效工具。此外,与其他模型相比,RCNN,3-D CNN和GUR RNN具有更大的潜力。     

绿色物流视角下生活垃圾回收处理研究文献综述

近些年来,我国众多城市都出现了"垃圾围城"的现象,垃圾回收处理也成为了社会广泛关注的热点,但是众多学者对相关理论的研究成果并没有被系统性的总结。文章将在绿色物流视角下,对生活垃圾回收处理的相关研究进行全面梳理,从居民垃圾分类意识、垃圾回收处理服务网络构建、垃圾回收站点及中转站的选址等三个方面进行综述,最后进行述评和研究展望。     

军事遗产旅游资源分类与价值评估

军事遗产是重要的历史资源,尤其在历史教育、知识输出、国情教育等方面具有重要价值,因而可被视为独特的旅游资源。本文在国内外军事遗产研究综述的基础上,提出军事遗产的分类方法,共计2个大类、7个亚类、28个子类。在梳理国内外研究的基础上结合专家评价,提出军事遗产的旅游价值评估指标体系,包含要素价值、存续特征2个一级指标及游憩价值、历史价值、审美价值、社会价值、独特程度、规模程度、知名度、完整性、适游性、承载力和安全性11个二级指标,并进一步划分为可观赏性等23个三级指标。采用基于专家打分的层次分析法对指标权重赋值,形成军事遗产旅游价值评价的方法体系,并构建军事遗产旅游价值评价对比关系图,以指导资源群中的单体开发梯次。     

Target‐Setting,Pay for Performance,and Quality Improvement: A Case Study of Ontario Hospitals’ Quality‐Improvement Plans

This study examines whether difficult targets and quality indicators in executives' pay‐for‐performance (P4P) plans affect performance. The impact of target‐setting and P4P plans on quality improvement in the public sector is unclear. The Ontario government initiated the Quality Improvement Plan (QIP), which requires hospitals to set targets for quality indicators annually and link executive pay to target achievement since 2011. Analyzing Health Quality Ontario's database and hospitals' 2012–2013 QIPs, this study shows greater quality improvement in hospitals with difficult targets than hospitals with easy targets or without assigned targets; however, the positive impact disappears for high‐performance hospitals relative to their peers. We find no significant effect of the use of quality indicators in executives' P4P plans on quality improvement. Copyright © 2018 ASAC. Published by John Wiley & Sons, Ltd.     

一种基于预测值量测转换的卡尔曼滤波跟踪算法

在雷达目标跟踪中，系统量测信息通常在球坐标系下获得。为了采用经典卡尔曼滤波算法实现有效目标跟踪，通常采用量测转换方法将非线性量测信息转换到直角坐标系中。针对传统量测转换方法基于量测值计算转换误差统计特性而导致的估计结果有偏问题，提出了一种基于预测值的量测转换方法，并将其与卡尔曼滤波算法相结合，获得了一种基于预测值量测转换的卡尔曼滤波跟踪算法。仿真结果表明，与现有的基于量测转换的卡尔曼滤波算法相比，该算法能在不提高运算量的情况下有效改善目标跟踪效果，跟踪精度提升约20%。     

采用航迹特征的智能机型识别

针对空战目标识别中机型自动识别比较困难的问题，提出了采用航迹特征的智能目标识别方法。利用卷积神经网络（Convolutional Neural Network，CNN）分层学习特征的能力，训练CNN算法模型自动地从航迹数据中学习有用的特征并分类。利用沿海实地采集的15个类别的飞机航迹数据，经一系列数据预处理后作为智能识别算法的训练和测试数据，在验证实验中描述了算法网络的相关配置,对比了CNN与其他分类器的识别结果。实验结果表明，CNN具有很好的识别性能。     

采用目标假设的三被动式传感器数据关联算法

被动式传感器目标跟踪是多传感器多目标跟踪领域的一个重要研究方向。针对三被动式传感器多目标定位系统全局最优数据关联的三维分配问题，在允许传感器漏检和虚警的情况下，通过分析拉格朗日松弛算法，提出一种假定真实目标的快速收敛算法。该算法通过粗关联假定真实目标并重新修改代价矩阵，然后进行细关联，使得拉格朗日松弛算法在保证关联精度的前提下有效地提高了收敛速度。理论分析和实验结果表明，该算法提高了数据关联的速度,并在一定程度上提高了关联准确率。     

Machine learning for financial transaction classification across companies using character-level word embeddings of text fields

An important initial step in accounting is mapping financial transfers to the corresponding accounts. We devised machine-learning-based systems that automate this process. They use word embeddings with character-level features to process transaction texts. When considering 473 companies independently, our approach achieved an average top-1 accuracy of 80.50%, outperforming baselines that exclude the transaction texts or rely on a lexical bag-of-words text representation. We extended the approach to generalizes across companies and even across different corporate sectors. After standardization of the account structures and careful feature engineering, a single classifier trained on 44 companies from 28 sectors achieved a test accuracy of more than 80%. When trained on 43 companies and tested on the remaining one, the system achieved an average performance of 64.62%. This rate increased to nearly 70% when considering only the largest sector.     

一种经验模式分解下的海杂波小目标检测方法

利用海杂波有效探测海上小目标是目前雷达探测领域的热点问题，具有重要的应用价值。鉴于海杂波是一种非线性非平稳性的雷达回波信号，充分发挥整体平均经验模式分解的优势，将海杂波分解为若干个不同尺度的独立分量。通过研究发现有目标时，分解出的前5个分量与未分解前信号的相关系数明显减小，因此提出了一种新的海杂波背景下的目标检测方法。通过实测和模拟的海杂波数据进行训练和测试，研究结果表明，该方法能有效地实现海杂波下目标的探测，性能优于经典时域下、分数阶傅里叶变换域下以及平均经验模式分解后的广义Hurst指数的目标检测方法。     

基于多重交叉残差方法的空间目标旋转特性分析

针对传统的频谱分析和自相关函数反演周期时常出现虚假周期的问题，提出了多重交叉残差法处理空间旋转目标雷达散射截面(Radar Cross Section，RCS)的时间序列。以空间跟踪和监视系统(Space Tracking and Surveillance System,STSS)卫星为例，仿真了空间目标失稳旋转状态，对比了频谱分析、自相关函数和多重交叉残差3种方法的处理结果，发现当目标存在进动运动时多重交叉残差法抗干扰能力更强。在此基础上，进一步研究了不同章动角时多重交叉残差法对旋转周期的反演效果，结果表明章动角大小会影响旋转周期的反演准确度，且章动角达到一定数值后，卫星进动幅度过大导致RCS序列周期性模糊，无法用多重交叉残差法反演出旋转周期。