稠密相对正则语言的一些性质

主要讨论了稠密相对正则语言的一些性质.相对于正则语言的pumping引理,给出了稠密相对正则语言的类似结论.继而证明了稠密相对正则语言都含有本原字.最后给出了稠密相对正则语言和极大码的一些联系.     

Orlicz空间中的单隐层神经网络逼近

本文研究了Orlicz空间中的单隐层神经网络逼近问题,以单隐层神经网络为工具,借助最佳多项式逼近,以构造性的方法研究了单隐层神经网络对Orlicz空间内函数的逼近问题以及稠密性问题.     

茶花盛开 壮丽无比——看看茶花丰花类品种群

人们往往只注意大花朵的茶花品种,其实丰花类茶花群花竞放的效果,同样能给人带来另类的美的震撼。人们提及茶花,通常首先想到的是一朵朵硕大的花,很少会把稠密的花与茶花联系到一起。其实不然,茶花品种中有许多丰花类型的品种,每到开花时节,花朵盖满了整个植株。花色绚丽,壮丽无比,成为吸引人们眼球的靓点(下图)。     

果园优良草种——秃疮花

1)形态特征和生长习性。秃疮花(又名秃子花)，越年生或多年生杂草，株高30cm左右。幼苗灰蓝绿色(子叶除外)，全体疏生长柔毛。初生叶宽卵形，顶端三齿裂，先端渐尖，基部楔形。后生叶五龄裂至羽状浅裂。成株基生叶稠密，呈莲座状，铺散在地面上，有柄。叶倒披针形，长1～15cm，宽2．5～5．5cm，一至二回羽状深裂至全裂。春季开花，花葶2～5条。     

广义Vitali不可测集的构造

将构造实数直线R上的Lebesgue不可测集的Vitali方法推广到R的可数子环,证明了R的不与Z同构的可数子环均在R中稠密,进而证明了相应于可数子环H的广义Vitali集是不可测集当且仅当H不合于整数环Z;证明了广义Vitali不可测集的内测度均是0,而外测度可以是任意正数．     

基于RANSAC方法对极稠密匹配的三维重构

本文在系统图像三维重构的对极几何约束以及SIFT算法基础上,通过RANSAC方法剔除错误匹配点,研究了对极几何关系与SIFT匹配点检测的基本原理并建立了相应的数学模型;通过Quasi稠密匹配来处理高精度的曲面图像,进而采用稀疏的匹配点求取相机参数,然后用稠密匹配点对已标定好的图像进行三维重构。     

苹果落果如何防

1疏花疏果花朵过于稠密会造成树体营养贫乏,代谢失调,到了果实迅速膨大期或接近成熟时,营养跟不上就会导致果实、大量脱落,因而,科学合理地疏花疏果,是防治果实脱落的有效措施之一。2树下追肥根据果园肥力基础和树体营养状况,可在生理     

基于ResNeXt和迁移学习的花卉种类识别研究

针对传统花卉识别方法分类不准确和泛化能力低等问题,提出一种基于ResNeXt50网络和迁移学习的花卉种类识别模型DB-ResNeXt50.首先,使用Mixup数据增强方法进行数据扩充;其次,利用预训练ResNeXt50模型迁移学习,省去网络训练基础特征步骤;最后,在主干网络全连接层前加入含有15层Bottleneck的...     

基于无人机可见光图像的云杉计数方法

目前苗木计数一般通过传统人工计数的方法完成,工作重复枯燥,主观性强,亟需快速准确的苗木计数替代方法。以无人机航拍的云杉可见光图像为对象,通过深度学习技术研究快速准确的云杉计数方法。利用大疆精灵4无人机拍摄云杉图像,按多样性原则选出558幅;通过调整对比度系数和缩放比例系数,模拟不同光照条件和不同长势的云杉,扩充至1 674幅,按照7∶3的比例划分为训练集1 169幅和测试集505幅。在此基础上,根据YOLO v3(You Only Look Once v3)快速准确检测尺寸差异较大目标的优势,构建了YOLOv3云杉计数模型。根据经验设置训练权值衰减、初始学习率和批处理量分别为0.000 5,0.001和64。其中Darknet-53特征提取模块和多尺度预测模块分别提取云杉特征信息和检测云杉目标,检测到的云杉数量即为云杉计数结果。YOLOv3模型的平均计数准确率为90.24%,均方根误差45.82,欠估计、过估计和总误差分别为15.47%,19.25%和34.72%,处理速度0.415 s/幅。对比全卷积神经网络(fully convolutional networks, FCN)分割加Hough圆检测方法,YOLOv3模型平均计数准确率高出2.49%,均方根误差、欠估计、过估计和总误差分别减少29.32,6.7%,5.7%和12.4%。研究结果表明,YOLOv3模型是对计算机视觉角度云杉计数问题的有效探索。     

金银花盆景制作

金银花老茎自然缠绕,扭曲古朴,叶片稠密,花色先白后黄,如金似银,芳香浓郁。花朵及嫩叶还可入药或泡茶,有清热解毒、祛火解暑的功效。所以金银花是一种观赏、药用两相宜的盆景材料,颇受人们喜爱。