课程文献中心 更多>>

关键词： 水资源集约利用   碳排放约束   Super-SBM模型   驱动因素   岭回归   沙颍河流域  

摘要： 加快推进水资源利用方式由粗放用水向集约利用转变,是实现水资源高效合理利用的关键。文章以沙颍河河南段为研究对象,构建基于碳排放约束视角的投入产出指标体系,采用包含非期望产出的Super-SBM模型计算2013—2022年沙颍河河南段水资源利用效率,划分5个等级定量评估水资源集约利用水平,并结合Global Malmquist-lunberger指数法分析其动态演进特征。在此基础上,采用岭回归模型探讨不同因素对水资源集约利用水平的影响程度。结果显示,2013—2022年沙颍河河南段整体水资源集约利用水平基本处于“较高”;郑州、平顶山、漯河、周口和驻马店5个地级市的GML指数多年平均值大于1.0,全要素生产率整体处于上升状态;经济水平、人口密度是水资源集约利用的主要正向影响因素,经济结构是主要负向影响因素;水资源禀赋、用水结构对水资源集约利用水平的驱动作用存在空间异质性。基于水资源集约利用驱动因素分析,提出提升沙颍河流域水资源集约利用的措施建议。

关键词： 集合经验模态分解(EEMD)   样本熵(SpEn)   GNSS时间序列   噪声   Ensemble Empirical Mode Decomposition (EEMD)   Sample Entropy (SpEn)   GNSS Time Series   Noise  

摘要： 文章基于集合经验模态分解方法(EEMD)联合样本熵(SpEn)对山西太原GNSS站点时间序列降噪。首先，将原始站点时间序列进行EEMD分解，得到不同IMF (intrinsic mode function)分量，其次，计算每个IMF分量进行样本熵计算，根据样本熵值统计选择一个适当的去噪声阈值。最后，根据样本熵值去除小于阈值的小波系数，并重构IMF分量。得到去噪信号。计算结果显示，通过信噪比，相关系数评估去噪结果，得到结果可靠、高精度毫米级时间序列，为地震预报业务提供更好的服务。

关键词： 传染病检测样本转运   无人机   路径优化模型   遗传算法  

摘要： 针对传染病检测样本转运的多物流无人机路径规划问题,在刻画了完整的基于无人机的传染病检测样本转运流程的基础上,建立以总成本最小的无人机路径优化模型.针对所建立的模型,设计基于模糊逻辑控制与邻域搜索的遗传算法进行求解.结果表明无人机任务主要根据需求点距离远近及密集程度进行分配,且每架无人机的配送任务均满足约束限制.进一步开展了参数分析,发现最大电池容量和最小剩余电量限制是影响总成本的重要因素,两者的变化会引起传染病检测样本转运所需无人机数量的变化,并导致总成本的大幅变化.研究成果可为解决传染病检测样本转运问题提供新思路,并为相关物流企业的决策提供理论依据.

关键词： 期望   方差   协方差   相关系数   Expectation   Variance   Covariance   Correlation Coefficient  

摘要： 随机变量的数字特征是概率论和统计学中的重要概念，它们提供了关于随机变量分布的关键信息，同时也是学生不易掌握和应用的一个知识点。在投资组合优化、市场分析、金融建模、信号处理等多领域中有广泛应用，在解决实际问题扮演着至关重要的作用，然而学生对这类实际问题常常感到无从下手，究其原因在于对其概念“知其然，不知其所以然”，使得数学概念与实际脱节。本文在概率论与数理统计教材的基础上，对随机变量的几个重要的数字特征所表达的实际意义进行分析，使之与生活相通，与实际相符，达到学以致用的目的。

关键词： 算法公平   机会公平   算法审计   场景化   关系公平  

摘要： 《个人信息保护法》第24条要求自动化决策的“公平、公正”，但却未能对此概念进一步细化。细化完善本条所规定“公平、公正”的规范含义对于规范落地具有十分重要的意义。规范意义上的自动化算法系指评价性算法。通过对伦理学上各种“公平”观点铺陈与批判，发现罗尔斯式的公平理念内在契合社会化应用中的算法决策公平理念。因而以“机会公平”为核心维度的算法决策公平内涵，在规范层面包括以下三个方面：关系公平、统计公平、程序公平。通过对各种罗尔斯式的算法决策公平技术实现方式的探讨，发现其实现路径存在不兼容性和场景化特征，结合目前三种算法规范治理路径，提出实现算法决策“公平、公正”规范化建议：第一，要求数据处理者承担算法决策结果公平性保障义务；第二，用户享有获得决策结果公平性的说明解释义务以及针对违法性决策提起诉讼的权利；第三，完善以“机会公平”为核心的算法审计和监管制度。

关键词： 冬小麦分布信息提取   Sentinel-2   时间序列   迁移学习   多物候特征指数  

摘要： 遥感作物识别中，样本数据对识别精度有重要影响，而大区域多年份获取样本数据是一项十分繁琐的工作。为减少逐年样本采集的工作量，提高作物识别效率，提出一种多物候特征指数的样本迁移策略。使用焦作市2019年冬小麦分布图，利用多物候特征指数时间序列曲线相关性迁移生成2020、2021年高质量样本数据，并利用随机森林机器学习方法实现了焦作市2020、2021年的冬小麦自动高效识别。结果表明：利用提出的样本迁移策略获取样本数据，当相关性在显著性水平达到0.001时，2年冬小麦识别的总体精度均在94%以上，Kappa系数均在0.91以上，各县（市）识别面积与统计面积的决定系数(R2)达到了0.957，均方根误差（RMSE）为20.16km2。与单一植被指数时间序列曲线相关性迁移方法相比，该方法2020年与2021年识别的总体精度分别提高了1.32、2.27个百分点，Kappa系数分别提升了0.022、0.037，2年各县（市）识别面积与统计面积的R2提高了0.026，RMSE减少了20.1%。此外，将该迁移策略应用于新乡市与鹤壁市，冬小麦识别的总体精度均在92%以上，识别面积与统计面积的R2也达到了0.92以上。表明提出的样本迁移策略在跨时间与跨地域中均表现较好，可为进一步快速、精准获取大区域长时序作物分布信息提供思路与技术支撑。