多尺度網路

❶ 論文里什麼是目標值

論文里的目標值就是你要圍繞什麼目標寫論文啊，
要達到什麼水平

❷ 退化廢棄地監控與評估信息服務系統功能的智能化設計

系統功能的智能化設計包括構建退化廢棄地監測與評價知識庫，設計系統引導與人機交互相結合的空間采樣網路框架設計流程、退化廢棄監測流程、退化廢棄地評價流程等自動定製技術，以及面向區域多尺度的人機協作式的監測與評價指標體系構建技術，基於數據場理論的退化廢棄地評價因子自動量化技術和面向區域特徵的評價單元的自適應劃分技術。

( 一) 退化廢棄監測與評價知識庫構建

退化廢棄地監測與評價知識庫主要用於進行退化廢棄地評價知識的有效存儲和推理，其核心是退化廢棄地評價知識的獲取、解釋、表達和更新等技術，以及知識庫組織、維護和管理知識的機理。

1. 退化廢棄地監測與評價知識獲取

知識獲取可分為四個階段，即尋找知識表示方法、確定知識庫存儲結構、知識轉化成計算機可識別代碼和調試、精煉知識庫。基於已有知識庫系統，一般可以通過以下幾個步驟完成: ① 用戶通過規則知識編輯對話框向系統輸入規則的前提、結論、規則強度、不確定性因子及解釋等，或者通過事實編輯對話框向系統輸入事實的內容、可信度等。② 用語法檢查器檢查輸入知識的語法是否有錯誤、遺漏或重復，如果有，則提示用戶修改。③ 對新知識與知識庫中已有的知識進行一致性檢查。④ 將正確的知識送入知識庫。

2. 退化廢棄地監測與評價專家知識庫的構建

知識庫是將專家在處理土地利用問題中的知識與經驗轉化為能存儲在計算機中的知識，以便進行智能決策。知識庫中存儲有大量的知識，因此其設計重點之一是對知識表示方法的選擇，目前常用的知識表示方法有產生式規則、謂詞邏輯、語義網路、面向對象的表示等。由於在退化廢棄地評價中多具有因果關系，因此可用 「IF ＜ 條件 ＞ THEN ＜ 動作 ＞ 」解釋，或者用產生式規則解釋。

3. 退化廢棄地監測與評價專家知識的決策樹推理

決策樹推理就是從根結點開始，通過重復在內部結點上進行屬性及其取值比較，確定決策樹向下延伸分支，最終到達葉子結點，得到所要結論。退化廢棄地評價專家知識決策樹推理流程如圖 7 －6 所示。

圖 7 －6 專家知識決策樹推理流程

知識庫管理系統的功能是在決策過程中，通過人機交互作用，模擬決策者的思維方法和思維過程，提供決策者的經驗、判斷和推測，得出具有一定可信度的結果。

( 二) 系統引導與人機交互集成的采樣、監測與評價功能自動化流程定製

工作流 ( Workflow) 技術是計算機支持協同工作技術 ( Computer Supported Cooperative Work，CSCW) 的一部分，是在協同決策確定過程執行規則的基礎上，完全或部分自動執行一系列過程的技術。技術框架應用工作流技術，針對復雜業務流程特性採用請求與響應機制通過人機協作和系統自動引導的方式進行智能化的業務流定製，具體包括采樣方案設計流程定製、退化廢棄監測流程定製和退化廢棄地評價流程定製。

採用系統引導的方式為用戶自動定製業務的流程主要包括存在樣點布局情況下采樣方案設計流程、不存在樣點布局情況下采樣方案設計流程、基於匹配本底數據模型的退化廢棄地監測流程、基於匹配退化基準的監測流程、基於匹配與多因素綜合評價方法的恢復效果評價流程、基於多因素綜合評價方法的現狀評價流程、基於人工神經網路模型的現狀評價流程和基於模糊綜合評判模型的現狀評價流程。具體流程如圖 7 －7 所示。

圖 7 －7 退化廢棄地監測與評價流程圖

采樣方案設計、退化廢棄地監測和退化廢棄地評價的具體流程如圖 7 －8、圖 7 －9 和圖 7 －10 所示。

( 三) 面向區域多尺度的人機協作式的監測與評價指標體系構建

針對退化廢棄地研究的區域多尺度與評價多目標的特性，系統面向不同類型區域的土地污染、土地退化、災毀土地等退化廢棄地類型構建了監測評價指標候選庫，在此指標體系層次框架下建立了用於構建退化廢棄地評價指標體系的層次模型，設計了相應的人機交互界面。

退化廢棄地監測、評價因子權重主要通過多種方法比較分析最終確定，本系統提供的指標權重確定方法包括特爾斐法、層次分析法和成對因素比較法。

1. 特爾斐法

特爾斐法 ( Delphi) 是一種常用的、有效的，通過綜合多數專家經驗與主觀判斷技巧進行技術測定的方法。一般來說，可用於各種領域的決策和判斷過程，實施過程包括確定因素、選擇專家、設計評估意見征詢表、專家征詢和輪間信息反饋、權重測定結果的數據處理。因素評估結果處理可分為等級評估和分值評估兩種情況，分值評估可採用五分制或百分制，等級評估可用等級序號作為量化值。

圖 7 －8 采樣方案設計流程圖

圖 7 －9 退化廢棄地監測流程圖

2. 層次分析法

層次分析法 ( AHP) 的基本原理就是把所要研究的復雜問題看作一個大系統，首先通過對系統中多個因素的分析劃分出各因素間相互聯系的有序層次，再請專家對每一層次的各因素進行較客觀的判斷並相應給出相對重要性定量表示，進而建立數學模型，計算出每一層次全部因素的相對重要性權數並加以排序，最後根據排序結果進行規劃決策和選擇，進而解決問題的措施。

圖 7 －10 退化廢棄地評價流程圖

3. 成對因素比較法

成對因素比較法是系統工程中常用的一種確定權重的方法，其應用有兩個重要的前提: ① 因素間的可成對比較性，即因素集合中任意兩個目標均可以通過主觀判斷確定彼此重要性的差異; ② 因素比較的可轉移性，假設有 A、B、C 三個因素，若 A 比 B 重要，B 比 C 重要，則必有 A 比 C 重要。

成對比較是將因素集合中的因素兩兩之間都進行比較，而比較結果只有三種。假設有A、B 兩個因素，即有 A 比 B 重要 ( 給 A 因素賦值 1，給 B 因素賦值 0) 、A 與 B 同等重要( 給 A、B 兩種因素各賦值 0. 5) 、A 不如 B 重要 ( 給 A 因素賦值 0，B 因素賦值 1) 三種結果。最後將所有結果匯總，得到各因素的權重值。

表7－4所示是一個六因素通過「因素成對比較」進行權重調查的例子。當因素數較少時，可採用表格形式來進行因素比較和確定權重，當因素較多時，可編制計算程序，採取人機對話的方式來進行(表中v₇為虛擬因素)。

表7－4 成對因素比較法示意表

( 四) 基於數據場理論的退化廢棄地評價因子分類自動量化

在對退化廢棄地評價數據分析的基礎上，借鑒物理場、經濟場、地理場等基本理論，本研究對退化廢棄地評價空間數據場的基本概念做出如下定義: 退化廢棄地評價空間數據場是以土地質量與土地利用影響因素的互動關系為核心，描述土地質量在地理系統中的實物載體、相互作用、空間關系和場態特徵等。

1. 點狀因子量化

點狀因子主要包括自然屬性點因子和社會屬性點因子。對於自然屬性點因子 ( 具體主要包括采樣樣點) ，主要採用空間插值的方法生成點狀因子數據場，具體包括 IDW 插值、樣條函數插值和克里金插值函數。對於社會屬性點因子主要採用衰減、輻射的方式生成量化數據場，主要包括直線距離依賴場和路徑距離依賴場。

( 1) 場類型

1) 直線距離依賴場。數據對象通過退化廢棄地評價空間數據場對評價單元的土地利用產生影響，場強隨二者之間的空間直線距離的增加而遞減。因為勢能傳遞規律與空間直線距離有關，其勢能場具有各向同性的特徵，其數據能量輻射方式如圖 7 －11 ( b) 所示。

圖 7 －11 直線距離依賴場示意圖

2) 路徑距離依賴場。其對評價單元的影響主要通過路徑距離的遠近，從心理上、經濟上和時間上來影響人們的工作、生產和生活，從而影響土地價值。路徑距離衰減場源實體通過勢能場對評價單元土地利用產生影響，場強隨二者之間的路徑距離的增加而遞減。

( 2) 場強函數及其衰減特性

1) 場強函數

退化廢棄地評價空間數據場的場強函數主要有指數衰減函數和線性衰減函數兩種。

2) 場強衰減距離

對於直線距離依賴場源，其衰減如圖 7 －12 所示。而對於路徑距離依賴場和道路匯聚擴散場，場強衰減距離計算則要計算其路徑距離，當路徑距離計算遇到阻隔時，則要採用最短路徑距離計算方法。研究區的計算結果如圖 7 －13 所示。

圖 7 －12 基於直線距離的點狀場源衰減

圖 7 －13 基於路徑距離的點狀場源衰減

( 3) 場域

退化廢棄地評價空間數據場源的場域即傳統退化廢棄地評價中的影響因子作用范圍，點狀空間距離衰減場源的勢能是以該場源實體幾何中心為起點，向外隨場源與評價單元間空間距離的增加而減小; 等勢線是以場源實體的幾何中心為圓心的同心圓，距離最遠的勢能等於 0 的等勢線就是點狀場源的場域邊界。

2. 線狀因子量化

線狀影響因子形成的數據場，其能量輻射方式理論上應該同樣具有直線距離依賴、路徑距離依賴兩種基本數據能量輻射方式，但是在實際操作中，為簡化計算，一般認為其是直線距離依賴方式。

( 1) 場強函數及其衰減特性

線狀場源的場強函數需要根據實際情況，採用線性函數和指數函數兩種基本函數形式表示，其場強隨距離衰減。

( 2) 場域

線狀要素場源的勢能是以該場源實體為中軸線，向外隨著到中軸線垂線距離的增加而減小，等勢線是以場源為中軸線啞鈴形區域，其勢能等於 0 的環形等勢線就是其場域邊界。

3. 面狀因子量化

由於面狀場源實體只對覆蓋區域評價單元產生影響，其作用度量通過空間疊加計算獲取，數值上等於面狀場源實體的場級，即相當於傳統退化廢棄地評價中的影響因子功能分值。因此，在退化廢棄地評價空間數據場中，假定面狀因子內部均勻，不考慮其對外部輻射數據能量。

( 1) 場強函數及其衰減特性

在假定面狀數據場源不對外輻射數據能量的前提下，面狀場源的場強函數在數值上與其自身的數據能量值相等，並且在面狀區域內均勻分布，在內部不產生數據能量的衰減。

( 2) 場域

由於面狀影響因子形成的數據場不對面狀區域外部輻射數據能量，場域可確定為面狀因子自身覆蓋的區域。

4. 阻隔因素的量化

對有諸如山地、河流、鐵路等阻隔因素的場源，利用傳統的直線量化模型難以滿足要求，如圖 7 －14 所示，在此基礎上提出了最短路徑距離衰減量化模型方法。

圖 7 －14 顧及阻隔因素的最短路徑距離衰減示意圖

( 五) 面向區域特徵的退化廢棄地評價單元自適應劃分

對於不同區域、不同尺度要求和不同退化廢棄地監測評價類型，其評價單元劃分方法不同，本研究系統設計了退化廢棄地評價單元自適應劃分流程並開發了相應人機交互功能界面。具體評價單元劃分流程如下:

1) 退化廢棄地評價單元劃分動態鏈接庫的開發。採用面向對象技術，開發不同退化廢棄地評價單元劃分方法軟體功能模塊，並將其封裝成退化廢棄地評價單元劃分動態鏈接庫，同時提供不同評價單元劃分功能調用的介面和參數，以備不同評價任務的調用。

2) 退化廢棄地評價任務的描述與形式化表達。將退化廢棄地評價任務從評價類型、評價區域類型、評價區域尺度、精度要求、可提供的基礎資料等方面進行定性描述，並根據系統和退化廢棄地評價單元劃分需求，進行形式化描述，實現規范化，便於計算機系統識別。

3) 退化廢棄地評價任務與評價單元劃分方法的自動匹配。根據退化廢棄地評價任務形式化描述，結合已經建立的退化廢棄地評價單元劃分功能的需求、適用條件，進行評價任務與評價單元劃分方法的自動匹配，得到多個匹配方案，並將其反饋給用戶。

4) 人機互動式匹配方案的決策與評價單元自適應劃分。用戶根據候選的匹配方案，進行評價單元劃分方法的最終決策，並調用相應的評價單元以適應評價單元自適應劃分。

依據上述流程，本研究提出了基於單類型圖斑的評價單元劃分、基於圖層疊加的評價單元劃分、基於格網單元的評價單元劃分和基於 Voronoi 圖的評價單元劃分方法，為用戶提供面向區域特徵的評價單元劃分技術。

❸ 什麼是網路安全可視化

網路態勢可視化技術作為一項新技術，是網路安全態勢感知與可視化技術的結合，將網路中蘊涵的態勢狀況通過可視化圖形方式展示給用戶，並藉助於人在圖形圖像方面強大的處理能力，實現對網路異常行為的分析和檢測。這種方式充分結合了計算機和人腦在圖像處理方面的處理能力的優勢，提高了對數據的綜合分析能力，能夠有效的降低誤報率和漏報率，提高系統檢測效率，減少反應時間。並且這種可視化方法對於有些顯示有明顯特徵的異常行為，還具有一定的預測能力。安全態勢可視化系統的目的是生成網路安全綜合態勢圖，以多視圖、多角度、多尺度的方式與用戶進行交互。

❹ 蘋果手機顯示「更新驗證失敗 因為您不再連接到互聯網」怎麼解決

0從這個錯誤提示的字面意思，非常容易理解，是因為當前手機的網路連接有問題。大家都並不陌生，系統在更新以前需要對更新進行驗證。由於每次更新的內容，再加上機型的不一樣，更新的容量都不盡不相同

❺ 蘋果11可以用5g網路嗎

您好，不可以的，iPhone11手機是4G手機，不支持5G網路制式，所以是無法使用5G網路的
回答僅供參考，由於電信業務以及政策不定期變動，所以具體套餐或政策請以電信網上營業廳或者電信掌上營業廳發布為准。

❻ 什麼是張量網路

作為我的研究方向，我簡單地介紹一下張量網路是什麼，以及它有什麼應用。
1. 張量（tensor）
張量網路中的張量，和微分幾何和GR中的張量場並不完全相同。在微分幾何中，一點處的張量是基於流形上該點的切空間的。一個(m,n)型張量是指將m個協變矢量（餘切矢量，cotangent vector）和n個逆變矢量（切矢量，tangent vector）映射到數域上的多重線性映射。取定一組基，這個多重線性映射可以用一系列分量表示出來。這些分量當然和基的選取有關。在張量網路中，我們通常不會去作坐標變換，因此，任何一個具有n個指標的分量集合就稱為一個張量。例如，christoffel符號在幾何意義上不構成張量，但它是可以出現在張量網路中的。
2.量子力學里的張量
量子力學有一個基本假設，復合系統的Hilbert空間是其子系統Hilbert空間的張量積。因此，多體波函數天然就是一個張量。對於n體系統來說，它的波函數是一個n階張量。當然，由於維數相同的線性空間是同構的，所以也可以把波函數看成一個矢量，這個矢量的維數是d^n。n體系統的哈密頓量是d^n維的矩陣，當然也可以看成一個(n,n)型的張量。單體運算元可以看成2階張量。兩體運算元可以看成d^2維的二階張量，也可以看成維數為d的（2，2）型（四階）張量。
量子力學中所有可觀測量的平均值都可以寫成內積，從矩陣的觀點看這是二次型。如果波函數是一個張量的形式，算符也可以寫成局域張量的求和，那麼算符的平均值也可以看作這些張量的縮並的和。
3. 張量網路 (tensor network)
張量的基本運算包括線性運算、張量積、轉置和縮並。當涉及的指標較少，縮並關系簡單時我們常用抽象指標記號去作解析運算，例如在GR里。但是，當張量數目多，指標縮並關系復雜時，我們最好能用圖形表示它們的縮並關系，這就是張量網路。在張量網路中，n階張量由帶n條外腿的圓圈（或方形、三角形等）表示，每條外腿代表一個指標。如果某兩個張量的外腿連成一條線，就代表這兩個張量的對應指標縮並。整個圖形由張量、內腿（參與縮並的指標）和外腿（不參與縮並的指標）構成。整個圖形所表示的張量的階數就是其外腿的個數。例如，如果一個張量網路用來表示n體系統的波函數，那麼它就有n條外腿。
4. why tensor networks？
對於量子多體系統，其一般波函數有d^n個分量，當粒子數較大時，這個數目是天文數字，電腦不可以存儲。好在我們知道量子系統的基態一般具有兩個性質：1. area law 2. exponential/algebraic decay of correlations.
首先，任何多體量子系統都可以選取其中L個連續的粒子構成子系統，而子系統與其他部分是有糾纏的。這個糾纏由子系統的約化密度矩陣的本徵值刻畫。把這些本徵值按一定方式組合成一個數，就是糾纏熵（entanglement entropy），記為S。它刻畫了這個長為L的子系統與其他部分的糾纏大小。對於一維系統來說，如果這個系統是gapped，那麼它的基態具有如下性質：S有和L無關的上界；如果它是gapless，那麼它的基態具有如下性質：S的上界和log L成正比。對於N維系統而言，取子系統為一個N維超正方體，邊長為L，那麼糾纏熵S的上界與這個正方體的表面積成正比，或者對於gapless系統而言，可以有log L的修正。以上只是對基態和低激發態說的，而凝聚態物理中我們一般也只關心基態和低激發態。對於Hilbert空間中的一般態，其糾纏熵符合volume law，要遠遠大於基態。
其次，統計物理表明，系統處在臨界點（critical point）附近時，關聯長度趨於無窮大，關聯函數是按多項式遞減的（例如L^(d-2+eta)，eta是臨界指數，稱為反常維度）；在系統為gapped的時候，關聯函數是指數下降的（對應的臨界指數稱為dynamical critical exponent或者z）。
這些性質使得我們在選取系統的波函數時，不需要考慮大部分Hilbert空間的態，從而通過恰當的參數化，減少獨立變數的個數。這種參數化是由tensor network描述的。換而言之，用tensor network表述的量子態能很好的符合系統基態的糾纏和關聯性質，因此是很好的試驗態。其獨立參量個數一般只有O（n），甚至O（1）（當系統具有平移不變性時），這使得高效模擬成為可能。
5.MPS
矩陣乘積態（matrix proct states，MPS）是最先被發現和使用的張量網路。它源於人們對密度矩陣重整化群（density matrix renormalization group，DMRG）的原理探究。DMRG是90年代White等人為了模擬量子多體系統提出的演算法[1]。它被廣泛使用，大獲成功的同時，其演算法的有效性卻沒有理論證明。同時，人們發現DMRG不能准確模擬gapless系統。直到00年代人們發現它本質上是使用MPS作為一維量子系統基態的試驗態[2]。MPS的糾纏熵有上界，正好符合1維gapped系統的性質。因此在處理critical系統時就會出現一些問題，例如，只有短程行為是准確的（technically，這種現象被稱為MPS引入了off-criticality，或者說引入了artifical correlation length）。現在，MPS被高效地用於無限大一維系統的基態和激發態的模擬中[3][4][5]。同時，對MPS取連續極限可以用它模擬量子場論的基態[6][19]。而筆者本人現在的工作是盡量實現用MPS模擬critical系統，實現對Conformal Field Theory的精確模擬。（這一工作已在會議中展示，文章in preparation）
6. PEPS
投影糾纏對態（projected entangled pair states，PEPS）是MPS在二維的拓展，它比MPS更難操縱，盡管獲得了較大成功，但演算法復雜度要比MPS高很多。二維系統有很多更有趣的物理性質，例如拓撲序、拓撲相變。PEPS可以用來研究這些性質。[7][8]
7.MERA
多尺度糾纏重整化試驗態（multiscale entanglement renormalization ansatz，MERA）是一種一維量子系統基態的試驗態。它具有log L的糾纏，符合一維臨界系統的基態性質。而且MERA天然有尺度不變性（scale invariance），符合統計物理中對critical system的描述（critical point是重整化群流的不動點）[9][10]。MREA可以看成從直積態出發，按尺度逐層引入糾纏的過程。這一過程和holograhy的思想類似。MERA作為臨界系統的試驗態取得了極大成功，能夠精確求解共形場論（conformal field theory，一種描述臨界系統的場論），得到scaling operator的scaling dimension、conformal spin和operator proct expansion [11]。並能構造具有正確fixed point的重整化群流[12][13]。高維的MERA也被發現並應用，例如2D MERA，branching MERA[14]。現在，MERA還被看成是實現AdS/CFT對偶的一種方式，成為一種全息對偶（holographic ality）的玩具模型[15][16]。MERA也被連續化為cMERA，因此可以用來模擬量子場論和共形場論[17][18]。
8.其他應用
除了模擬量子系統，tensor network還廣泛運用於經典統計物理、量子化學和機器學習中。由於作者本人對其中的某些領域不熟悉，所以本文也止步於此。
9. 更新：最近的「張量網路與量子場論」會議上有很多非常精彩的進展。我將會稍後補充，敬請期待。
--Interested readers may want to refer to following literatures and references therein--
For general information, Arxiv: 1603.03039.
For specific details, please see below:
[1] S. R. White, Phys. Rev. Lett. 69, 2863 (1992).
[2] U. Schollwoeck, Annals of Physics 326, 96 (2011)
[3] G. Vidal, Phys. Rev. Lett. 91, 147902 (2003)
[4] G. Vidal, Phys. Rev. Lett. 98, 070201 (2007)
[5] J. Haegeman etal, Phys. Rev. B 88, 075133 (2013)
[6] J. Haegeman etal, Phys.Rev.Lett.104:190405,2010
[7] S. Yang etal, Phys. Rev. Lett. 114, 106803 (2015)
[8] N. Schuch, Phys. Rev. Lett. 111, 090501 (2013)
[9] K.G. Wilson, Rev. Mod. Phys. 47, 773 (1975)
[10] Scaling and Renormalization in Statistical Physics, J. Cardy (Cambridge
University Press, 1996)
[11] G. Vidal, Phys. Rev. Lett. 99, 220405 (2007), G. Vidal, Phys. Rev. Lett. 101, 110501 (2008).
[12] G. Evenbly, G. Vidal, Phys. Rev. Lett. 115, 180405 (2015)
[13] G. Evenbly, G. Vidal, Phys. Rev. Lett. 115, 200401 (2015)
[14] G. Evenbly, G. Vidal, Phys. Rev. B 89, 235113 (2014)
[15] B. Swingle, Phys. Rev. D 86, 065007 (2012)
[16] B. Czech etal, arXiv:1512.01548
[17] J. Haegeman etal, Phys. Rev. Lett. 110, 100402 (2013)
[18] Q, Hu, G.Vidal, arXiv:1703.04798
[19] M. Ganahl etal, arXiv:1611.03779

❼ 為什麼無尺度網路叫做無尺度網路

無尺度或者說多尺度這個是相對於隨機圖（必須得先了解這個）的一個概念。無尺度網路中，節點的連接度沒有明顯的特徵長度（隨機圖有）。

❽ 什麼是「小波神經網路」能幹什麼用呀

小波神經網路（Wavelet Neural Network， WNN）是在小波分析研究獲得突破的基礎上提出的一種人工神經網路。它是基於小波分析理論以及小波變換所構造的一種分層的、多解析度的新型人工神經網路模型。

 即用非線性小波基取代了通常的非線性Sigmoid 函數，其信號表述是通過將所選取的小波基進行線性疊加來表現的。它避免了BP 神經網路結構設計的盲目性和局部最優等非線性優化問題，大大簡化了訓練，具有較強的函數學習能力和推廣能力及廣闊的應用前景。

「小波神經網路」的應用：

1、在影像處理方面，可以用於影像壓縮、分類、識別與診斷，去污等。在醫學成像方面的減少B超、CT、核磁共振成像的時間，提高解析度等。

2、在信號分析中的應用也十分廣泛。它可以用於邊界的處理與濾波、時頻分析、信噪分離與提取弱信號、求分形指數、信號的識別與診斷以及多尺度邊緣偵測等。

3、在工程技術等方面的應用。包括電腦視覺、電腦圖形學、曲線設計、湍流、遠端宇宙的研究與生物醫學方面。

(8)多尺度網路擴展閱讀：

小波神經網路這方面的早期工作大約開始於1992 年，主要研究者是Zhang Q、Harold H S 和焦李成等。其中，焦李成在其代表作《神經網路的應用與實現》中從理論上對小波神經網路進行了較為詳細的論述。近年來，人們在小波神經網路的理論和應用方面都開展了不少研究工作。

小波神經網路具有以下特點：首先，小波基元及整個網路結構的確定有可靠的理論根據，可避免BP 神經網路等結構設計上的盲目性；其次，網路權系數線性分布和學習目標函數的凸性，使網路訓練過程從根本上避免了局部最優等非線性優化問題；第三，有較強的函數學習能力和推廣能力。

❾ 蘋果11可以升級5g嗎

您好，不可以的，iPhone11手機是4G手機，不支持5G網路制式，所以是無法使用5G網路的，目前iPhone12手機是5G手機，可以使用5G網路的。

用戶如需選購iPhone12手機，也可以登錄安徽電信網上營業廳選購的

回答僅供參考，更多安徽電信套餐，業務資訊可以關注安徽電信公眾號。

❿ 多尺度分割

與傳統的基於像元的分類方法不同，面向對象的遙感影像分類方法處理的基本單元是影像對象，而不是單個的像元。其採用一種基於遙感影像的多尺度分割方法，可以生成任意尺度的、屬性信息相似的影像多邊形 ( 對象) ，運用模糊數學方法獲得每個對象的屬性信息，以影像對象為信息提取的基本單元，實現分類和信息提取。面向對象的遙感影像分類有兩個獨立的模塊: 對象生成 ( 影像分割) 與信息提取 ( 影像分類) ( Blaschket et al. ，2000; Metzler et al. ，2002) 。對象生成即採用多尺度分割技術生成同質對象，其是進行分類識別和信息提取的必要前提。信息提取是基於模糊邏輯分類的思想，建立特徵屬性的判別規則體系，計算出每個對象屬於某一類別的概率，達到分類識別和信息提取的目的。

地表信息在不同的尺度 ( 時間或空間跨度) 上有著不同的表現，例如從圖 5 －1 中分辨出的就是兩個圓形的物體，當把觀察距離拉遠時，我們看到了圖5 －2，這時我們根據其與相鄰物體之間的關系能立刻分辨出左邊的圓形物體是盤子，右邊的圓形物體是車輪。這是空間尺度上的一個簡單例子。時間尺度就更加簡單，例如一片耕地，在夏季的時候是綠色的，到了秋季變成黃色的。上述的例子說明，當我們要正確識別目標地物的時候，必須要選擇一個合適的尺度，達到最佳的分辨效果。傳統的基於像元的信息提取方法均是在同一個尺度上進行，該尺度即影像的空間解析度，由於它無法兼顧地物的宏觀和微觀特徵，導致在影像信息十分豐富的時候 ( 高解析度影像) ，往往達不到很好的提取效果，出現許多破碎的區域，這也就是常說的高解析度影像分類的 「胡椒鹽效應」。針對這一問題，面向對象的分類方法引進了多尺度分割的概念。

圖 5 －1 兩個圓形物體

圖 5 －2 盤子和車輪

( 一) 多尺度分割的概念

多尺度分割是指在影像信息損失最小的前提下，以任意尺度生成異質性最小、同質性最大的有意義影像多邊形對象的過程，其是一種影像抽象 ( 壓縮) 的手段，即把高解析度像元的信息保留到低解析度的對象上，不同的地物類型可以在相應尺度的對象上得到反映( 黃慧萍，2003) 。影像的多尺度分割從任意一個像元開始，採用自下而上的區域合並方法形成對象。小的對象可以經過若干步驟合並成大的對象，每一對象大小的調整都必須確保合並後對象的異質性小於給定的閾值 ( 王岩等，2009) 。因此，多尺度分割可以理解為一個局部優化過程，而對象的同質性標准則是由對象的顏色 ( color) 因子和形狀 ( shape)因子確定，分別代表了影像分割時 「顏色」和 「形狀」各自所佔的權重，兩者之和為 1。而 「形狀因子」又由光滑度 ( smoothness) 和緊致度 ( compactness) 兩部分組成，兩者權重之和為 1，這四個參數共同決定分割效果 ( 圖 5 －3) 。

圖 5 －3 多尺度分割的參數構成

( 二) 多尺度分割參數的選擇

同質性標准包括光譜 ( 顏色) 和形狀兩個因子，其中形狀因子又包括光滑度和緊致度。大多數情況下，顏色因子對生成對象最重要，形狀因子有效控制著影像對象的破碎程度，可以避免 「同物異譜」和 「同譜異物」現象與 「胡椒鹽效應」，以此提高分類精度( 田新光，2007) 。傳統的基於像元的方法不考慮形狀因子，而將光譜因子設置為 1，即完全依靠像元的光譜值進行信息提取。光滑度是通過邊界平滑來優化影像對象的，其描述的是對象邊界與一個正方形的相似度; 緊致度是通過聚集度來優化影像對象的，其作用是利用較小的差別把緊湊和不緊湊的目標對象區分開。光滑度和緊致度兩個形狀因子相互作用、相互影響，但並不完全對立，即通過光滑度優化的對象也可能會有好的緊致度，反之，通過緊致度優化過的對象也可能會有光滑的邊界。

在參數設置時，首先應當明確光譜信息的重要性，應充分利用光譜 ( 顏色) 信息，形狀因子權重太高會導致對象同質性的破壞，出現一個對象包含若乾地類的情況，不利於信息提取。因此，在進行多尺度分割時要遵循兩條基本原則: ① 盡可能使用較大的顏色因子; ② 如果遇到邊界不很光滑但是聚集度較高的影像對象，可嘗試使用較大的形狀因子來加以控制。

( 三) 分割尺度的選擇

多尺度分割的一個突出貢獻是同一空間解析度的遙感影像信息不再只由一種尺度來表示，而是在同一遙感影像中可以由多種適宜的尺度來描述 ( 黃慧萍，2003) 。多尺度分割不僅生成了有意義的影像對象，並且將原解析度的影像信息擴展到不同尺度上，實現了信息的多尺度表達與描述。多尺度分割表示在影像分割過程中採用不同的分割尺度值，所生成的對象大小取決於分割前確定的分割尺度值，其值越大，所生成對象的多邊形面積就越大而數目越少，反之多邊形面積越小，數目越多。因此，影像分割時尺度的選擇很重要，其直接決定了分類和信息提取的精度。

最優尺度的確定一直是面向對象分類方法的一個研究重點，但是最優尺度是相對的，是相對於某一特定目標或要求的，某一特定變數的最優分割尺度值不一定適用於其他變數，所以最優尺度只能是一個數值范圍。但是分割尺度的選擇應當遵守以下規則: 對於某一特定地物類別，最適合的尺度是指分割後的對象邊界清晰，能用一個或者多個對象來表達這種地物類別，既不能太破碎也不能出現混合類別對象，單個對象能夠很好地表達這種地物類別特有的屬性特徵，使其能很好地與其他地物類別區分開來 ( 黃慧萍，2003) 。一般來看，分割尺度越小，產生的對象就越 「純」，不同地物類別被劃分到單個對象的概率就越小，這樣信息提取的精度就越高; 但是分割尺度越小會導致同一地物類別對象之間差異性增加，不同地物類別對象之間的異質性反而降低，並不利於分類和識別，而且分割對象數目過多，過於破碎，反而增加了計算機的運算量，降低了提取的精度，並不可取，所以，必須在分割尺度和分類精度之間尋找到平衡點。

( 四) 多尺度分割的網路層次關系

不同的分割尺度生成相應的對象層，從而構建影像對象之間的層次等級網路，它以不同的空間尺度表達了影像所包含的信息，每一個對象都有它的鄰域 ( 左右) 對象、上層父對象和下層子對象 ( 圖 5 －4) 。對象網路層次結構按照從大到小、從上到下的方式安排:原始層 ( 像元層) 放在最底層，尺度最大的放在最高層。分割尺度較小的層中包含的對象數量較多，每個對象包含的像元數較少; 而分割尺度較大的層中，單個對象包含的像元數目比較多，而包含的對象數量比較少。在這個對象網路層次結構中，每一個對象都包含了鄰域對象、下層子對象和上層父對象之間復雜的屬性關系，在處理這些關系的時候，上、下層次對象間的關系顯得尤為重要，因為通常可以根據父對象的屬性確定子對象類別、根據子對象的平均屬性對父對象的紋理屬性進行分類以及根據已確定類別的子對象組成對父對象進行分類等。此外，相鄰對象也十分重要，因為如果有些對象的光譜、紋理和形狀信息都十分相似，若以它們的對象作為分類判定的一個標准，則信息提取就容易得多。

圖 5 －4 多尺度分割的網路層次結構圖

( 五) 基於異質性最小原則的區域合並演算法

多尺度分割採用的是基於異質性最小原則的區域合並演算法，其基本思想是把具有相同或相似性質的相鄰像元集合起來組成區域多邊形 ( 對象) 。首先在每個需要分割的區域中找一個種子像元作為生長起點，然後將種子像元鄰域中與種子像元有相同或相似性質的像元合並到種子像元所在的區域中，將這些新的像元當作新的種子像元繼續進行上面的過程，直到再沒有滿足條件的像元，由此生成一個區域 ( 對象) ( 章毓晉，2000) 。區域合並演算法的目的是實現分割後影像對象的權重異質性最小，如果僅考慮光譜異質性最小會導致分割後的對象邊界比較破碎，因此，需要把光譜異質性的標准和空間異質性的標准配合使用。在分割前，需要首先確定影響異質性大小的光譜因子和形狀因子，因為只有同時滿足光譜異質性、光滑度異質性和緊致度異質性最小，才能使整幅影像中所有對象的平均異質性最小 ( 戴昌達等，2004) 。

( 六) 模糊分類方法

面向對象的遙感影像分類方法採用的是基於模糊邏輯分類系統的模糊數學分析方法。模糊理論是由美國加州伯克萊分校 Zadeh 教授於 1965 年提出的，主要用來處理模糊不清、不嚴密和不明確的問題。模糊性是客觀世界存在的普遍現象 ( 陳文凱，2007) ，遙感影像中的模糊性主要表現在一個對象 ( 像元) 內可能出現多個地物類別在這種情況下如何確定其歸屬。

模糊分類系統一般由模糊化、模糊推理和去模糊三個部分組成。模糊化就是把特徵值向模糊值轉化的過程，實質上是一個特徵標准化的過程，成員函數是一個模糊表達式，能把任意特徵值范圍轉換為 ［0，1］ 這個統一的范圍。模糊推理是指對模糊集合建立相關的模糊判斷規則並進行最終推理。去模糊實際上是通過模糊推理以及綜合評價方法最終確定結果的過程。

遙感影像經過分割後得到的對象不再是硬性地屬於某個特定的地物類別，而是在不同程度上與該類別相關，它們之間的關系不再是 「是」與 「非」的硬性關系，而是不確定的。模糊分類方法是一種量化不確定狀態的數學分析方法。採用模糊分類方法有以下三點優勢:① 特徵值向模糊值轉化，這實際上是一個特徵標准化的過程; ② 允許特徵之間的相互組合，甚至是范圍和大小迥異的特徵也可以組合起來作為分類的規則; ③ 提供了靈活的、可調整的特徵描述，通過模糊運算和層次分析，能夠進行復雜的分類和信息提取 ( 張永生等，2004) 。

本研究面向對象的地物分類方法技術流程如圖 5 －5 所示。

圖 5 －5 面向對象的地物分類方法技術流程圖