城市河流提供了影响住宅生活的水环境。河流表面监测对于决定在哪里确定清洁工作以及何时自动开始清洁处理至关重要。我们专注于有机泥浆或“浮渣”，该泥浆积聚在河流的表面上，并给予其特殊的气味和对景观的外部经济影响。由于其具有稀疏分布和不稳定的有机形状模式的特征，因此很难自动进行监测。我们建议使用混合图像增强物进行斑块分类管道，以检测河流表面上的浮渣特征，以增加漂浮在河流上的浮渣与附近建筑物，例如建筑物，桥梁，杆子和障碍物（如建筑物，桥梁和障碍物）所反映的河流背景的多样性。此外，我们建议在河流上覆盖的浮渣索引，以帮助在线监视较差的等级，收集浮渣并决定化学处理政策。最后，我们展示了如何在每十分钟的时间序列数据集中使用框架的时间序列数据集录制河流浮渣事件。我们讨论管道的价值及其实验发现。
translated by 谷歌翻译
预测洪水损害缓解的大坝流入是重要的。水文照片提供关键信息，例如开始时间，峰值等级和体积。特别是，大坝管理需要基于未来水文的大坝流入预测的6小时递送时间。作者提出了新的目标流入权重，以产生从分析的海面图像中提取的海洋特征向量。我们在预训练的VGG16网络的FC6层中提取了尺寸向量的4,096个元素。随后，我们将其减少到T-SNE的三个维度。此外，我们使用PCA创建了海温重量的主要成分。我们发现这些重量有助于通过数值实验的预测性重要性的稳定性。作为基础回归模型，我们通过核心扩展进行校准最小二乘性，定量随机森林最小化袋误差，以及与多项式内核的支持向量回归。当我们计算预测的重要性时，我们可视化我们所提出的权重引入的每个变量重要性的稳定性，与其他没有重量的结果相比。我们将我们的方法应用于日本的Kanto地区的大坝，专注于2007年至2018年的训练有素的术语，从6月到10月有一个有限的洪水期限。我们在2019年的洪水期间测试准确性。最后，我们展示了应用的结果和进一步的统计学习，对未知的洪水预测。
translated by 谷歌翻译
我们使用Relu激活功能调查一个隐藏层网络的Fisher信息矩阵（FIM），并在某些条件下获得FIM的近似光谱分解。从这种分解中，我们可以近似主要特征值和特征向量。我们通过数值模拟确认，当隐藏节点的数量约为10000时，所获得的分解大致正确。
translated by 谷歌翻译