为了获取铭牌图像中的基本参数信息,提出一种基于深度学习的端到端文本识别模型TDRN(Text Detection and Recognition Network)。模型避免了图像裁剪和字符分割,将文本看作一个序列,使用BLSTM(Bidirectional Long Short-term Memory)来...为了获取铭牌图像中的基本参数信息,提出一种基于深度学习的端到端文本识别模型TDRN(Text Detection and Recognition Network)。模型避免了图像裁剪和字符分割,将文本看作一个序列,使用BLSTM(Bidirectional Long Short-term Memory)来获取上下文关系。同时,将文本检测和文本识别整合在同一个网络中共同训练,共享卷积层,以提高整体性能,在文本识别中还引入了注意力机制。模型在公共场景文本数据集SVT(Street View Text)上测试表现良好,F值为68. 69%,高于一般的端到端文本识别模型。与传统铭牌识别方法相比,TDRN准确率更高,鲁棒性更强,能适应复杂的电力场景变化。展开更多
本文采用广义可加模型(GAMLSS),以年份序号作为解释变量拟合模型参数,对黄河流域蒸发皿蒸发量序列的非一致性特征进行研究。考虑到流域空间差异性和年内变化,从年、汛期、非汛期3个时间尺度来研究黄河流域29个水资源三级区面蒸发量序列...本文采用广义可加模型(GAMLSS),以年份序号作为解释变量拟合模型参数,对黄河流域蒸发皿蒸发量序列的非一致性特征进行研究。考虑到流域空间差异性和年内变化,从年、汛期、非汛期3个时间尺度来研究黄河流域29个水资源三级区面蒸发量序列的非一致性特征。研究结果表明,黄河流域各水资源三级区的面蒸发量序列在不同时间尺度上均具有较为明显的趋势变化;非汛期蒸发序列呈现出显著的趋势变化,与一致性模型拟合结果相比,黄河流域非汛期蒸发序列的AIC准则(Akaike Information Criterion)和SBC准则(Schwarz Bayesian Criterion)值减少明显,能更好地反映出非一致性变化的特征。展开更多
文摘本文采用广义可加模型(GAMLSS),以年份序号作为解释变量拟合模型参数,对黄河流域蒸发皿蒸发量序列的非一致性特征进行研究。考虑到流域空间差异性和年内变化,从年、汛期、非汛期3个时间尺度来研究黄河流域29个水资源三级区面蒸发量序列的非一致性特征。研究结果表明,黄河流域各水资源三级区的面蒸发量序列在不同时间尺度上均具有较为明显的趋势变化;非汛期蒸发序列呈现出显著的趋势变化,与一致性模型拟合结果相比,黄河流域非汛期蒸发序列的AIC准则(Akaike Information Criterion)和SBC准则(Schwarz Bayesian Criterion)值减少明显,能更好地反映出非一致性变化的特征。
