检索结果-内蒙古大学图书馆

水土保持研究 2025年第3期32卷 222-230页

作者：吴广霞刘绥华邓玲玲刘冰青宋善海贵州师范大学地理与环境科学学院贵阳550025 贵州师范大学贵州省山地资源与环境遥感应用重点实验室贵阳550025 贵州省生态与农业气象中心贵阳550025

[目的]揭示贵州省植被时空动态变化,探究不同驱动因子及其相互作用对植被的影响机制,可为当地生态环境保护和实现可持续发展提供科学依据。[方法]利用Google Earth Engin(e GEE)获取MODIS(MOD13Q1)数据,计算2001—2023年的KNDVI植被指... 详细信息

[目的]揭示贵州省植被时空动态变化,探究不同驱动因子及其相互作用对植被的影响机制,可为当地生态环境保护和实现可持续发展提供科学依据。[方法]利用Google Earth Engin(e GEE)获取MODIS(MOD13Q1)数据,计算2001—2023年的KNDVI植被指数。利用TS趋势分析及MK检验分析了贵州省植被变化格局。选取温度、降水、高程、坡度及坡向等自然因子及土地利用类型、人口密度等人类活动因素作为研究区植被变化的影响因子,使用偏相关及地理探测器对这些因素进行了分析。[结果]2001—2023年贵州省植被覆盖度呈上升趋势,上升速率为0.0028/a,23年间研究区KNDVI平均值为0.54,年均值0.02~0.68,植被覆盖度呈现东南高西南低的格局。植被改善面积占83.8%,退化面积占9.76%。研究区中部植被显著或极显著退化,西北部、西南部和东北部植被显著或极显著改善。气温和降水与KNDVI呈正相关关系,人口密度与KNDVI呈负相关。单因子中,土地利用对KNDVI的解释力最强,交互作用中,土地利用与人口密度的交互作用最强。[结论]研究期间贵州省植被总体变好,土地利用是贵州KNDVI空间分异的主导因子,多因子之间的交互作用比单因子对KNDVI变化的解释力更大。人类活动因子对贵州植被变化影响最大,其次是气候因子、地形因子。

关键词： KNDVI 植被时空变化驱动因素贵州省

来源：评论

学校读者我要写书评

暂无评论

互相关阈值算法在单脉冲候选体识别流程中的研究

引用

自动化应用 2025年第8期 117-123页

作者：刘子毅游善平张鸿兵贵州师范大学贵州省先进计算全省重点实验室贵州师范大学网络空间安全学院

作为一种高效的脉冲星探测手段，单脉冲搜索技术在探测旋转射电暂现源及快速射电暴的科学研究中占据了举足轻重的地位。然而，射频干扰（RFI）对数据质量的影响，导致许多正样本候选体出现误报，并且一些脉冲星信号因RFI干扰无法识别。... 详细信息

作为一种高效的脉冲星探测手段，单脉冲搜索技术在探测旋转射电暂现源及快速射电暴的科学研究中占据了举足轻重的地位。然而，射频干扰（RFI）对数据质量的影响，导致许多正样本候选体出现误报，并且一些脉冲星信号因RFI干扰无法识别。为增强FAST多科学目标同时扫描巡天（CRAFTS）多波束数据中的脉冲星信号识别效果，将直观且功能强大的RFI识别算法互相关阈值（CCF-ST）与Heimdall软件的处理流程相结合。CCF-ST算法由信号互相关函数（CCF）和求和阈值（ST）算法构成，能有效识别RFI。Heimdall是目前集成度较高的单脉冲信号处理软件。通过在19波束数据上的有效识别和处理，该RFI识别流程在应用于CRAFTS多波束望远镜的数据处理时，提升了正样本的识别率，增幅达到2.85%。同时，在含有已知源信号的M06波束与M19波束文件上，该流程有效降低了负样本的误判率，其分别降低了13.4%和5.56%。

关键词：射频干扰 Heimdall软件 CCF-ST

来源：评论

学校读者我要写书评

暂无评论

基于U-Net和KAN的FAST射频干扰检测方法

引用

自动化应用 2025年第08期 135-138页

作者：李宏伟于徐红张思聪游善平张彬何兵贵州师范大学贵州省先进计算全省重点实验室贵州师范大学网络空间安全学院

射电干扰是影响射电天文观测的重要因素之一。针对500 m口径球面射电望远镜（FAST）高灵敏度易受RFI影响的现状及传统多层感知机（MLPs）高计算成本与不可解释性的问题，构建了RFI区域时频域图像识别神经网络系统KEU-Net，通过将通道注... 详细信息

射电干扰是影响射电天文观测的重要因素之一。针对500 m口径球面射电望远镜（FAST）高灵敏度易受RFI影响的现状及传统多层感知机（MLPs）高计算成本与不可解释性的问题，构建了RFI区域时频域图像识别神经网络系统KEU-Net，通过将通道注意力机制模块ECA和基于深度可分离卷积改进的U-Net进行融合，并应用Kolmogorov-Arnold网络（KANs）替换深层MLPs，在有效提高RFI检测精度的同时降低了参数量。实验基于FAST早期观测数据，结果表明，KEU-Net的RFI识别召回率、交并比、F1分数分别为85.94%、80.29%、89.07%，显著优于主流模型，且参数量仅为9.2 M；最后通过消融实验验证了KAN层对于性能提升的关键作用。ECU-Net提高了RFI识别的准确性，并降低了计算资源的需求。

关键词：射频干扰 KEU-Net Kolmogorov-Arnold网络 U-Net 深度学习通道注意力机制脉冲星

来源：评论

学校读者我要写书评

暂无评论

基于增量学习的SVM-KNN网络入侵检测方法

引用

计算机工程 2020年第4期46卷 115-122页

作者：付子爔徐洋吴招娣许丹丹谢晓尧贵州师范大学贵州省信息与计算科学重点实验室贵阳550001

为满足入侵检测的实时性和准确性要求,通过结合支持向量机(SVM)和K最近邻(KNN)算法设计IL-SVM-KNN分类器,并采用平衡k维树作为数据结构提升执行速度.训练阶段应用增量学习思想并考虑知识库的扩展,分类阶段则利用SVM和KNN算法将待分类数... 详细信息

为满足入侵检测的实时性和准确性要求,通过结合支持向量机(SVM)和K最近邻(KNN)算法设计IL-SVM-KNN分类器,并采用平衡k维树作为数据结构提升执行速度.训练阶段应用增量学习思想并考虑知识库的扩展,分类阶段则利用SVM和KNN算法将待分类数据分成3种情况应用不同的分类策略.基于KDD CUP99和NSL-KDD数据集进行实验,结果表明,IL-SVM-KNN能够区分正常流量和异常流量并准确判断异常流量的攻击类型,其准确率较KNN算法和SVM算法有明显提升,判断攻击类型的准确性高于决策树、随机森林和XGBoost算法,并且较两层卷积神经网络消耗时间更少,资源消耗更低.

关键词：支持向量机 K最近邻算法 k维树入侵检测增量学习卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

基于MLS点云模型特征的提取算法

引用

沈阳工业大学学报 2014年第3期36卷 308-315页

作者：谢晓尧葛邵飞贵州师范大学贵州省信息与计算科学重点实验室贵阳550001

针对以往特征提取算法提取边界特征效果不理想和特征识别时间较长的问题,提出了一种改进的点云模型特征边界线提取算法.该算法以移动最小二乘法为基础,在对已有的边界特征提取方法研究的基础上,结合研究对象棱角分明的特点,提取点云模... 详细信息

针对以往特征提取算法提取边界特征效果不理想和特征识别时间较长的问题,提出了一种改进的点云模型特征边界线提取算法.该算法以移动最小二乘法为基础,在对已有的边界特征提取方法研究的基础上,结合研究对象棱角分明的特点,提取点云模型边界特征点集,利用双向搜索方法快速生成模型的特征边界线,并对得到的特征边界线进行特征修复,从而得到较为稳定的点云模型的特征边界线.实验结果表明,该算法能快速地提取点云模型的特征边界线,为后续基于特征边界的建模节约了大量时间.

关键词：特征边界线提取算法特征提取移动最小二乘法点云模型特征点集双向搜索方法特征边界线特征修复

来源：评论

学校读者我要写书评

暂无评论

基于dCNN的入侵检测方法

引用

清华大学学报（自然科学版） 2019年第1期59卷 44-52页

作者：张思聪谢晓尧徐洋贵州大学计算机科学与技术学院贵阳550025 贵州师范大学贵州省信息与计算科学重点实验室贵阳550001

为了进一步提高入侵检测系统的检测准确率和检测效率,提出了一种基于深度卷积神经网络(dCNN)的入侵检测方法。该方法使用深度学习技术,如tanh、Dropout和Softmax等,设计了深度入侵检测模型。首先通过数据填充的方式将原始的一维入侵数... 详细信息

为了进一步提高入侵检测系统的检测准确率和检测效率,提出了一种基于深度卷积神经网络(dCNN)的入侵检测方法。该方法使用深度学习技术,如tanh、Dropout和Softmax等,设计了深度入侵检测模型。首先通过数据填充的方式将原始的一维入侵数据转换为二维的"图像数据",然后使用dCNN从中学习有效特征,并结合Softmax分类器产生最终的检测结果。该文基于Tensorflow-GPU实现了该方法,并在一块Nvidia GTX 1060 3GB的GPU上,使用ADFA-LD和NSL-KDD数据集进行了评估。结果表明:该方法减少了训练时间,提高了检测准确率,降低了误报率,提升了入侵检测系统的实时处理性能和检测效率。

关键词：网络空间安全深度学习入侵检测卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

贵州高原水库浮游动物分布特征及影响因子——以阿哈水库为例

引用

中国环境科学 2020年第1期40卷 227-236页

作者：胡艺李秋华何应孟纯兰韩孟书贵州师范大学贵州省山地环境信息系统和生态环境保护重点实验室贵州贵阳550001 贵州省国际科技合作研究基地-水生态国际联合研究中心贵州贵阳550001 贵州师范大学贵州省信息与计算科学重点实验室贵州贵阳550001

为研究贵州高原阿哈水库浮游动物群落结构及其与环境因子的关系,基于综合营养状态指数、生物多样性指数、RDA(冗余分析)等方法,于2017年11月(枯水期)、2018年4月(平水期)、2018年7月(丰水期)对浮游动物及水环境理化指标进行了调查分析.... 详细信息

为研究贵州高原阿哈水库浮游动物群落结构及其与环境因子的关系,基于综合营养状态指数、生物多样性指数、RDA(冗余分析)等方法,于2017年11月(枯水期)、2018年4月(平水期)、2018年7月(丰水期)对浮游动物及水环境理化指标进行了调查分析.结果表明:(1)共检出浮游动物38种,其中轮虫25种,枝角类9种,桡足类4种;优势种包括螺形龟甲轮虫(Keratella cochlearis)、曲腿龟甲轮虫(Keratella valga)和矩形龟甲轮虫(Keratella quadrata)等13种;浮游动物枯水期、平水期和丰水期丰度分别为105.47,120.65,524.64ind./L,生物量分别为1.40,0.37,1.61mg/L,其最大值均出现在丰水期.(2)多样性指数时空分布差异显著,其中Shannon-Wiener指数(H')、Margalef指数(D)均值分别为2.52和1.63.(3)冗余分析及主成分分析结果表明,水温、营养盐是影响浮游动物群落变化的主要环境因子.综合后生浮游动物优势种、生物多样性指数及TLI指数结果表明,阿哈水库水体已处于轻度富营养状态,水质处于中污染状态.

关键词：阿哈水库浮游动物环境因子多样性指数冗余分析

来源：评论

学校读者我要写书评

暂无评论

一种基于三通道图像的恶意软件分类方法

引用

武汉大学学报（理学版） 2022年第1期68卷 26-34页

作者：杨春雨徐洋张思聪李小剑贵州师范大学贵州省信息与计算科学重点实验室贵州贵阳550001

针对传统恶意软件采用图像分类方法准确率不高、抗混淆能力弱、模型训练收敛慢的缺点,本文对恶意软件图像表示方法进行改进,将恶意软件、字节Bigram、Lst文件转化成3种灰度图像,将3种灰度图像组合成三通道彩色图像进行分类,并将图像分... 详细信息

针对传统恶意软件采用图像分类方法准确率不高、抗混淆能力弱、模型训练收敛慢的缺点,本文对恶意软件图像表示方法进行改进,将恶意软件、字节Bigram、Lst文件转化成3种灰度图像,将3种灰度图像组合成三通道彩色图像进行分类,并将图像分类效果好的EfficientNet模型用于恶意软件图像分类。结合迁移学习领域中的微调技术将ImageNet数据集的分类权重应用于EfficientNet,提高模型的收敛速度和分类效果,减少模型的训练开销。实验表明在微调技术下模型收敛速度快于预训练,且微调后的最优模型对20种恶意软件的分类准确率达到97.22%。相比ResNet、VGG16等网络,本文的模型具有参数量和浮点运算次数少、准确率高的优点。

关键词：恶意软件 EfficientNet ImageNet 微调

来源：评论

学校读者我要写书评

暂无评论

基于混沌系统的数字水印加密算法研究

引用

计算机工程与科学 2013年第12期35卷 126-133页

作者：吴静景凤宣齐富民贵州师范大学贵州省信息与计算科学重点实验室贵州贵阳550001

针对目前大多数图像数字水印鲁棒性不强以及安全性较弱等问题,提出了基于多因子加密和Contourlet变换的图像数字水印算法。利用Chebyshev映射良好的伪随机性、数学统计特性及生成序列简单快捷等优点产生三个混沌序列,其中两个用于对水... 详细信息

针对目前大多数图像数字水印鲁棒性不强以及安全性较弱等问题,提出了基于多因子加密和Contourlet变换的图像数字水印算法。利用Chebyshev映射良好的伪随机性、数学统计特性及生成序列简单快捷等优点产生三个混沌序列,其中两个用于对水印图像加密,另外一个作为水印嵌入的密钥;利用Contourlet变换提取出原始载体和加密后水印的子带系数,再将水印的系数嵌入原始载体的系数中,完成水印嵌入。将提出的水印算法与其他文献中的方法进行鲁棒性和安全性比较,结果表明,提出的算法在具有较强的鲁棒性和安全性的同时,数字水印的不可见性也得到较好的均衡。

关键词：数字水印混沌加密 Chebyshev映射 Contourlet变换

来源：评论

学校读者我要写书评

暂无评论

网络流量异常检测方法:SSAE-IWELM-AdaBoost

引用

武汉大学学报（理学版） 2020年第2期66卷 126-134页

作者：李小剑谢晓尧徐洋贵州师范大学贵州省信息与计算科学重点实验室贵州贵阳550001

针对传统入侵检测方法在高维海量数据且类别分布不均衡的环境下检测性能较差的问题,提出一种流量异常检测方法SSAE-IWELM-AdaBoost,该方法基于堆叠稀疏自编码网络(stacked spare auto encoder,SSAE)并融合改进加权极限学习机(weighted e... 详细信息

针对传统入侵检测方法在高维海量数据且类别分布不均衡的环境下检测性能较差的问题,提出一种流量异常检测方法SSAE-IWELM-AdaBoost,该方法基于堆叠稀疏自编码网络(stacked spare auto encoder,SSAE)并融合改进加权极限学习机(weighted extreme learning machine,WELM)。该方法首先使用堆叠稀疏自编码网络直接从原始流量数据中自动学习并提取特征,获取原始数据的低维抽象表示,然后以WELM作为集成算法(AdaBoost)的基础分类器,利用修改的训练样本权值分配规则和基分类器权值更新公式迭代训练基分类器,通过加权投票表决的方法得到最优强分类器完成网络攻击流量的识别。在UNSW-NB15数据集上进行仿真实验,实验结果表明,SSAE-IWELM-AdaBoost算法可以提高整体的检测精度以及小样本攻击的检测率,缩短分类器的训练时间,能较好地满足大规模网络环境下原始流量数据实时检测,对不均衡流量数据识别也具有较好的表现。

关键词：网络流量异常检测堆叠稀疏自编码加权极限学习机集成算法深度学习

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：