科学网 › 标签 › 亚马逊 › 相关日志

标签: 亚马逊

相关日志

亚马逊空中航母开始派送？别把愚人节玩笑当新闻了！: 热度 2 spins 2019-4-17 16:54; 4月1号，网上爆出了一个惊天的视频，是亚马逊使用大型混合式载重飞艇作为空中航母，飞行过程中投放出无数小型四旋翼无人机，自动投递货物。视频的制作非常精良，几乎达到了以假乱真的效果。视频：https://v.qq.com/x/page/n085643o7do.html 作为浮空器业界人士，我也想为这个视频点赞：CG做的不错，感谢视频制作者再次让浮空器成为公众焦点。由于当天淘宝也推出了大宝箭业务，想想大家也能明白这不过是一些愚人节玩笑。但是事态的发展有些出乎意料，大宝箭确实是被当成了一个愚人节玩笑，很快就翻篇了，但是亚马逊空中航母业务越发酵越热，甚至被一些新媒体当成了新闻报道，看看这些标题是多么耸人听闻吧。再见,快递员,亚马逊空中航母来了!!! 亚马逊空中航母曝光:飞艇货栈无人机送货动态|亚马逊快递航母面世——飞艇的最新应用快递,巨变!刚刚,亚马逊扔出重磅炸弹!!! 空中航母?亚马逊飞艇快递曝光里面全是无人机! 马云坐不住了!亚马逊开始无人机大规模派件,没有一个快递员图片来源：http://m.sohu.com/a/306978728_196843 我这暴脾气实在看不下去了，我想说，各位做媒体的朋友，发消息之前先调查清楚好不好，人家快递小哥已经很辛苦了，不要再给人家贩卖焦虑了。这只是一个对未来的美好畅想，亚马逊距离实现视频中的场景还早的很呢！不过也怪不得大家，只是因为这个视频做的实在是太好了，不但效果逼真，连采用的创意和飞艇原型都是现实存在的。首先看创意，亚马逊用载重飞艇作为空中仓库，为无人机提供仓储的创意早在2016年已经注册专利，专利中的图纸如下：这一专利设想的航空物流中心（AFC）是依靠巨大的飞艇来实现的，飞艇能够飞翔在海拔4.5万英尺的高空，然后再利用单个的无人机来将亚马逊的货物配送给顾客。另外，小号的穿梭飞艇，它们可以给AFC送去货物补给、燃料和工作人员等。因为在空中进行，所以无人机的配送范围就会更广，在从空中下降配送货物的时候消耗的燃料也更少。因为空中仓库的可移动性，这让亚马逊在面临需求变更的时候可以灵活地进行库存管理。例如，假设一种情况，我们可以把AFC建在体育场附近，这样就在比赛进行的过程中即时提供比赛用品和零食。在2018年的时候，亚马逊专门为这个专利制作了一个宣传动画，不过效果远没有这个CG逼真（电商巨头竟然被鄙视了，哈哈）。视频：https://v.qq.com/x/page/u0625uhyrru.html?start=2 再看看这个飞艇的原型，它就是大名鼎鼎的洛克希德.马丁公司臭鼬工厂出品的P-791混合式载重飞艇（注意英文字母和数字混编，“-”可省略不读）。上面是P-791飞艇真身，应该说CG视频的作者对P-791还原度非常高，真.良心制作，我第一眼就是以为是P-791在飞行，还心想它什么时候刷了亚马逊的涂装。对比一下，甚至怀疑视频作者有P-791的图纸。当然对于浮空界人士来说，这个视频还是有一些硬伤的，硬伤一：首先艇尾部的臭鼬工厂标志画蛇添足。注意尾部的臭鼬工厂标志！（视频制作者画蛇添足，不应该加这个臭鼬工厂的标志，因为打臭鼬工厂标志的一般都只是原型机，既然是亚马逊无人机快递这种实用场景，肯定不会使用原型机了）。大名鼎鼎的臭鼬工厂出品过很多如雷灌耳的产品，包括U-2侦察机、SR-71黑鸟式侦察机以及F-117夜鹰战斗机和F-35闪电II战斗机、F-22猛禽战斗机等。也许有人会说，难道就不能是洛马用P-791的那架原型机给做的飞行演示？ Nope 这个绝无可能。因为P-791首飞早在2006年，十几年都没有露面过（严格讲是十几年没有飞过，前几年洛马推销LMH1飞艇的时候，曾经展示过原型机P-791，是在艇库内充气静态展示的），这会儿说不定瘪在哪个角落里吃灰呢。不过P-791飞艇倒是值得大书一笔，曾经踌躇满志的它也有一段令人心酸的经历。早在上世纪90年代，美国国防部高级研究计划局曾经实施了“超大型混合式飞行器”（HybridUltra-LargeAircraft,HULA）计划，也被称为“海象”（Walrus）计划，目标是建造一种可以在7天内将500吨至1000吨货物运至12000千米以外的地方。海象计划飞艇概念图当时参加招标的主要公司集中在两家，其一是洛克希德·马丁公司，另一家则是诺斯罗普·格鲁曼公司，两者均是美国最为知名的军火商。前者给出的方案原型就是P-791,而且洛马为了增加竞标成功率，还自己出资造了一架原型机。 P-791属于典型的混合式重载飞艇。混合式重载飞艇是主要依靠轻于空气的浮升气体产生静升力，同时利用高气动升力外形和矢量推进器等多种升力源提供动升力，以静升力为主、动升力为辅，具备可控飞行能力和升力控制能力的新型运输类浮空飞行器。由于结合了传统飞艇技术和固定翼、旋翼飞机技术，混合式重载飞艇的操纵特性和稳定特性得到了极大地提升。现代重载飞艇混合动力源图片来源：闫峰,黄宛宁,杨燕初,etal.现代重载飞艇发展现状及趋势 .科技导报,2017(09):70-82. 混合式重载飞艇采用组合艇囊的高升力布局形式，在静浮力基础上增加了气动升力和矢量推进力，采用混合动力源的方法显著提高了飞艇的运载能力，对于飞艇而言，大载重与长航时存在必然的联系，当飞艇具有大载重飞行能力时，势必将为燃料重量提供更多可利用的空间。基于此，现代重载飞艇具有大载重、长航时的特点，是一种适用于跨洲际、越洋运输的优质平台。现代重载飞艇高升力布局图片来源：闫峰,黄宛宁,杨燕初,etal.现代重载飞艇发展现状及趋势 .科技导报,2017(09):70-82. 混合式重载飞艇应用了基于气垫船技术设计而成的气垫着陆器（AirCushionLandingSystem，ACLS），如下图所示。气垫把具有一定压力的空气围封在飞艇下形成空气层，利用空气产生的静压力支承飞艇，由于气垫的阻力系数小，可以有效地减小飞艇在地面移动过程中受到的摩擦力。ACLS技术不仅使现代重载飞艇具有短距离滑跑起降的能力，在艇上装备的大功率动力系统和矢量控制系统的配合下，还具有高地面操纵特性，极大地降低了飞艇对地面基础设施的依赖程度。吸附、垫升状态下的气垫着陆器图片来源：闫峰,黄宛宁,杨燕初,etal.现代重载飞艇发展现状及趋势 .科技导报,2017(09):70-82. 现代重载飞艇对运行场地要求宽松，只需地面较为平坦即可，飞艇可在草地、沼泽甚至水面上完成起降、移动过程，当飞艇安全着陆后，ACLS可在飞艇与支撑面之间形成真空密封，使飞艇像吸盘一样牢牢地吸附在地面上，形成一个稳定的平台，这样不仅可以抵抗地面风速变化带来的侧向力，而且便于货物的装载与卸载过程。因此，现代重载运输飞艇可用于执行向基础设施水平较低的偏远地区进行点对点精确运输的任务。 P-791飞艇的蒙皮由具有高强度质量比的Vectran纤维织物热合而成，内部填充压力为700Pa的氦气，依靠氦气内压维持飞艇气动外形。在飞艇两侧和尾部安装有两组共4个可90°偏航，90°俯仰的矢量涵道螺旋桨推进器，如下图所示，发动机采用100hp四缸两冲程风冷HirthF-30-ES，可以辅助飞艇实现爬升、下降以及姿态控制，飞艇的最高速度为30节。 P-791飞艇矢量推进器图片来源：闫峰,黄宛宁,杨燕初,etal.现代重载飞艇发展现状及趋势 .科技导报,2017(09):70-82. P-791飞艇于2006年1月31日进行了时长为5min的首飞，成功地完成绕场一周的飞行。首次试飞中，P-791先进行了短距离滑跑起飞，随后在空中进行了爬升和转弯，飞行十分平稳，最后飞艇使用气垫着陆器安全返回地面。此后，在飞行员EricHansen和BillFrancis的操作下共进行了6次、每次30min的飞行测试，其中进行了发动机停机测试，飞艇反应正常，并且在一次试验中一个着陆气垫意外的磨损失效，飞艇仍平稳着陆。拿着原型机P-791参加投标，老司机洛克希德.马丁以为胜券在握。结果却让所有人大跌眼镜。经过复杂艰难的评估认定，诺斯罗普·格鲁曼公司提出的LEMV（长航时多源传感器飞行器）飞艇（其设计理念来自英国HAV公司的天猫SkyCat飞艇）脱颖而出，获得了来自美国军方上亿美元的支持，（P-791在竞标中失败，黯然失色，只能躲在艇库里面吃土了）。 LEMV（渲染图上还是美军涂装）可惜的是，就在LEMV原理样机成功飞行后不久，美国军方因经费等问题取消了这项计划的后续工作。尔后，几经辗转，英国HAV（混合航空飞行器）公司决定低价回购这个庞然大物的研发，并将其更名为Airlander10，自此，其重回英国。airlander10一度因为其奇特的造型，成为网红飞艇，绰号“飞天屁股”。网友将卡戴珊的上身PS到airlander10上，竟毫无违和感。 2017年11月，airlander10在机场锚泊时遭遇风切变，艇体受损严重，HAV后来宣布放弃修复，直接生产定型艇！ X2 而P-791的后续型号LMH1据称已经获得了不少订单，预计2020年首批交付，这也将是重载飞艇的首批交付型号，整个浮空界都翘首以盼。某种意义上说，洛克希德马丁在这场与HAV公司的重载飞艇竞赛中又暂时扳回一城。 LMH1飞艇渲染图说完P-791的故事，我们再回到这个视频的硬伤上。硬伤二：不应该使用P-791飞艇作为空中航母原型。作为混合式重载飞艇，全世界目前可选择的在研型号有洛克希德马丁公司的LMH1（预计2020年下线），英国HAV公司的airlander50(2020年下线)，中法合作的LCAT-60（预计2022年下线）。所以既然拍科幻大片就应该选择下线时间比较早的LMH1比较合适，而不应该选用一个十几年前的原理验证型号。中法合作飞鲸公司LCA60T重载飞艇渲染图当然我们办事情还是很严谨的，托国际友人从某社交网站上找到了这个视频作者对它的制作方法的解释，虽然我看不懂日语。但是我们能够看出来，这是一个CG动画的制作过程。图片来源：Twitter.com 原来这个视频做得实在是太像真的了，以至于国外也有很多媒体把它当新闻了，这时候，视频的作者，一位日本视频制作教师有些慌张了，赶紧出来澄清，说这只是一个CG动画而已，不是实拍，就是以P-791飞艇为原型的。这里还是为这位视频老师的精湛手艺点赞。参考文献：【1】闫峰,黄宛宁,杨燕初,etal.现代重载飞艇发展现状及趋势 .科技导报,2017(09):70-82. 【2】杨宇科，零售业巨头的飞艇专利PK:亚马逊VS沃尔玛【EB/OL]】浮空飞行器公众号，2017 【3】浮空君，【惋惜】当今最大飞行器飞天屁股结束其历史使命！【EB/OL]】浮空飞行器公众号，2019 【4】刘乾石，在中国的帮助下，重载飞艇将颠覆航空货运行业【EB/OL]】浮空飞行器公众号,2019 【5】中国科学报，飞艇，强势归来!?【EB/OL]】 http://blog.sciencenet.cn/blog-3057882-967197.html; 个人分类: 浮空器|5340 次阅读|5 个评论

亚马逊雨林干旱的遥感监测+组会感受+帮人改文章两则: chenhuansheng 2019-1-4 23:50; 毕健的学术报告今天，兰大资环院引进的一个副教授毕健，在观云楼做了一个报告。题目是 Drought sensitivity of Amazon forest 。亚马逊地区雨林面积约 550km2 ，在全球碳循环方面意义重大。气象记录表明， 2005 、 2010 年该地区发生了明显的干旱，这位科学见探测雨林在干旱条件下的变化提供了契机。 2007 年， Saleska 的研究发现，亚马逊地区干旱发生的区域，其 EVI 较常规年份有所升高。这一现象与一般的认识不同。一般来说，干旱会造成植被光合作用下降和减弱，那么对应的植被指数比如 EVI 应该降低拆对。亚马逊地区的这一特殊现象，如何解释呢？一种解释认为该地区常年云雾遮盖，光照成为制约因素。干旱状态下，云层较常规年份为少，则可能会有更多太阳辐射的照射，这是不是促进光合作用和植被绿度增强的原因？这一文章发表在 Sciene 上。引起广泛关注和争论。有 20050904 的 MODIS 遥感数据显示，干季的亚马逊森林区存在许多火点，产生较多烟雾。烟雾理论上存在对遥感数据及其产品精度阐述干扰。比如在短波长部分造成显著的散射，这可能造成 EVI 数据的失真。这是过去人们可能没有注意到的。 2010 年， Samanta 利用消除云雾干扰的 MODIS 数据重新计算了亚马逊地区的 NDVI ，发现其干旱区域光合作用并未下降。这一结论与先前的 Saleska 的不一致。（或许对于这一点我的记忆不准确）一项新的遥感研究发现， 2010 年确实存在绿度的下降，但是未干旱的 2009 年同一地区也出现下降。如何解释呢？有人据此质疑，基于遥感的分析不能充分捕捉植被绿度的变化。美国 nasa 对于 MODIS 数据产品进行了新的算法，主要在两个方面提出了改进：考虑多角度信息，过去主要是多日合成，现转变为多角度合成；将所有的数据都进行角度归一化，统一到太阳光照入射角为 45 度的情况下。这样实现了角度的归一化。这一新的数据产品被命名为 MAIAC ， NASA 内部下发，目前未免费公开。毕健利用 MAIAC 数据中的 VI 产品，检测了 2002-2012 年之间亚马逊森林地区植被状态的变化；同时对比了基于 Modis 植被指数的 V5 、 V6 产品的观察结果。 V5 数据被认为存在遥感器退行性变化，这可能导致 EVI 数据的逐年变大，这种变大是虚假的，并非地面植被真实的光合作用增强。 V6 消除了这种问题。用于检测植被变化的方式是构建了一个“异常指数”： Anomaly=（x-均值）/标准差这个异常指数 A ，如果取 0 ，则表示没有出现异常；如果取正则表示比常年偏高，反之偏低。通过分析发现： 1、 MAIAC 指数中， 2005 、 2010 年两个干旱年份，研究区的植被绿度确实出现了下降；而且发现 2004 、 2007 年也出现了不同程度的下降。 2、植被指数下降、光合作用减弱，与 TRMM 数据和 GRACE 重力卫星数据探测的降水变化一致。 GRACE 数据还可以区分不同季节的水分确实情况。 3、细致研究发现，干旱发生在旱季还是雨季，对林地植被的影响是有差异的。发生在旱季的话，植被指数下降的变化会更加显著。但是发生在雨季也会产生影响。但是如果笼统地以年降水数据进行分析，可能会忽略一些东西。比如年总降水并未下降，但是个别季节出现干旱，则从气象数据角度干旱会被忽略。但是遥感可以记录下来。 4、干旱发生，可能与厄尔尼诺有关。 5、因为旱季的火灾和烟雾，包含有蓝光信息的 EVI 数据存在失真，其对植被的表达能力不如 NDVI 。这一点在应用时需要注意。感受： 1、亚马逊是热点地区，干旱的影响存在争议。所以即便是多年过去了，仍有研究价值。 2、一般人认为像亚马逊这样滴降水丰沛的地区，水分可能不是限制因子。但是毕健的研究结果表明，此地仍会发生干旱，且植被存在明显的响应。 3、所以有时候相问题不能想当然，仅仅限于常识也不一定准确。今天下午组会，王巨分析河西和祁连山地区植被的变化，仅仅考虑降水而不考虑问题，理由是他觉得气温的影响不重要、气温不是限制因子或者关键因子。事实上，在我看来，他从走廊绿洲的 1000m 到山区超过 4000m 的地方，海拔差异较大，限制因子本身可能已经发生变化了。这种只考虑降水的做法太武断。今天薛晓玉分析北方农牧交错带 NDVI 变化的问题时候，也存在这个问题。用整个区域的平均值做分析，是不妥当的。因为北方农牧交错带的东边到黑龙江，西边到甘肃定西。东西跨度超过 2000km ，环境条件可能不同了。王巨的组会报告感觉王巨对残差分析理解存在问题。但是我的理解也存在问题。 1 、王巨的问题在于，他用 NDVI 与降水进行回归，然后取残差分析。这里的关键问题是他仅仅考虑降水，而且当降水与 NDVI 的相关系数超过 0.482 时，就认为这个回归是有效的、 NDVI 是主要由降水引起变化的。在我看来，相关系数为 0.482 时，其回归方程的决定系数 R2 不到 0.25 ，也就是说， NDVI 的变化，仅有 25% 的内容可以归因于降水的变化。还有 75% 的因素笼统地归因于人类活动，这是不合理的。但是他说别人也这么做。 2 、我的错误在于，我认为残差应该不会有趋势性。但是王巨告诉我，残差的趋势分析是观察残差随时间变化的趋势，而不是随降水量变化的趋势。后者当然没有趋势性，但是前者有。刚才再次粗略地看了 Jason Evans Roland Geerken 的文章《 Discrimination between climate and human-induced dryland degradation 》，确实是关注残差随时间过程所体现出来的趋势。我错了。给李汝嫣、薛晓玉改文章以前我给董敬儒改过文章。其他几个人都知道了，觉得我很用心。但是也说我很偏心，说我偏爱小弟。我心里不舒服。以前薛、李照给我发过他们的文章，我因为前一次组会、现在因为要赶到年前把论文写好，都没有顾得上。他们有说出“偏爱”之类的话来。今天薛晓玉在前面汇报，他有一个论文的纸质版，我就顺便看了，在上面用笔做了标记。然后就在会议室跟他交流了。说我的意见在哪里？建议怎么改等。总体上，薛的文章是一个数据分析，不存在过多的语言方面的问题。但是文章的结构还要好好改。但是体现出来就是我没有提几条意见。她大概会这么想。晚饭后我让李把文章发给我。既然已经看了，索性一下子全看了。看了李的电子版，注记了，我又去办公室跟他面对面交流。我不知道薛怎么向，我自己感觉有些不舒服。说实话我跟李说了很多的很久的话。这会不会让薛觉得我对他的文章不上心？或许是我多想了。但是他们说的话我确实感觉到不舒服。什么叫偏爱？我没有义务啊。何况我自己也有很多事情要做。我给你们改了，你们并不会在文章上署我的名，或者把我的名字往前署。王晓云帮王巨、魏宝成改文章，他都成了第三作者。我呢？上次董的文章中我的署名是第五。不看无所谓，但是有了比较就有了伤害。不想说了。想起一句古话：唯女子与小人难养也，近之则不逊，远之则怨。当然重点在后面两句。算了，不想了，广结善缘吧！; 个人分类: 农牧交错带|3 次阅读|0 个评论

亚马逊是自己的雨源: 热度 3 gaojianguo 2017-8-15 12:03; 亚马逊森林巨大的蒸腾能力显著改变了其上空的水汽含量，近期的研究表明，这种加湿作用是亚马逊从干季转为湿季的主要推动力。相关研究论文 “Rainforest-initiated wet season onset over the southern Amazon” 已经发表在 PNAS 上。链接： http://www.pnas.org/content/114/32/8481.long 值得一提的是，本研究的第一作者 Jonathon S. Wright （ http://www.cess.tsinghua.edu.cn/publish/ess/7687/2012/20120619141317866273695/20120619141317866273695_.html ）系清华大学地球系统科学系的副教授。 Abstract Although it is well established that transpiration contributes much of the water for rainfall over Amazonia, it remains unclear whether transpiration helps to drive or merely responds to the seasonal cycle of rainfall. Here, we use multiple independent satellite datasets to show that rainforest transpiration enables an increase of shallow convection that moistens and destabilizes the atmosphere during the initial stages of the dry-to-wet season transition. This shallow convection moisture pump (SCMP) preconditions the atmosphere at the regional scale for a rapid increase in rain-bearing deep convection, which in turn drives moisture convergence and wet season onset 2-3 mo before the arrival of the Intertropical Convergence Zone (ITCZ). Aerosols produced by late dry season biomass burning may alter the efficiency of the SCMP. Our results highlight the mechanisms by which interactions among land surface processes, atmospheric convection, and biomass burning may alter the timing of wet season onset and provide amechanistic framework for understanding how deforestation extends the dry season and enhances regional vulnerability to drought.; 3802 次阅读|10 个评论

亚马逊要在城市插根大柱子，送…快…递…: pandyliu 2017-6-26 21:20; 上回丁少不是说过京东的智能物流来着嘛。（不记得的戳这里）文中提过亚马逊也在搞类似的东西。像什么无人机送货，亚马逊走得还是更前的。 13分钟就能把快递送达嗯，人家世界巨头嘛……炫炫技、吹吹牛，咱也理解。可我打死也没想到的是，人家的物流黑科技远比想象中多！这不，今天又曝出个新闻，说亚马逊申请了个新专利—— 无人机配送塔这个是概念图啊，看个感觉。一根高高大大的棒子，笔直地耸立在城市之中（密恐犯了），不断有无人机从上面飞出来。放张专利图给你们看看。咦？怎么有点像…… 额……毕竟是专利图，画得肯定会随意一点啦。你要是不满意，他们还准备了好多款呢。比如“子弹头”款； “平房”款；以及这个“不知道叫什么”款。虽然造型不同，但是功能大同小异。它们是为了取代传统配送点而生的。如今的配送点，是这样的↓↓ 遇到双十一、618，爆个仓就变成这样↓↓ 造成这种情况怪货流量太大是没错，但效率低下的人力分拣也绝对是甩不了锅的。来来来，像亚马逊那样，建个塔，就完事啦~ 底层允许卡车和人进出，高层停满了无人机，塔内运用智能无人分拣系统。货运进来→机器没日没夜地智能分拣→无人机送出去。这效率……爆仓？不存在的。这不是亚马逊第一次搞如此脑洞大开的专利了。之前不是曝出了一个“空中仓库”的专利吗？对，你没看错，真的上天了！利用飞艇，把物流仓库建在1.3万米的高空中。有了这个飞艇，仓库就能按需飞到指定的地方去了。比如某地在开一场演唱会，或者一场大型体育赛事。仓库就飞到这个体育场上方，即时配送演唱会和赛事的周边纪念品啊、食品啊什么的。（真尼玛会赚钱）别急，花样还有呢。为了让买家收货更方便，亚马逊还有专利—— 跟路灯结合在一起的无人机投递台。这种路灯，哦不，投递台安装在每家每户的门口。收快递不需要你在家，它直接投进投递台就完事。顺便还能充个电。炫吧，但首先，你得有独门独栋的房子…… 总之呢，亚马逊为了建立一套完整的智能物流体系，实在是费了心思啊。顺丰和京东你们知道该怎么做了吧……; 2285 次阅读|0 个评论

巴西采集纪行 I：自然观感、采集生活、学术交流: 热度 9 hypermarket 2017-1-25 22:07; 说到巴西，大概最先能被联想起来的是足球、亚马逊、桑巴舞。从空间距离来说，巴西算是距离中国最远的国家之一，中国在东半球，而巴西在西半球，中国在北半球，而巴西的绝大部分领土在南半球。2016年11月，经过大约20个月的各种手续办理，我们最终踏上了去巴西采集昆虫的旅程。采集主要在亚马逊州（Amazonas，巴西面积最大的一个州）、里约热内卢州（Rio de Janeiro）、米纳斯盖瑞斯州（Minas Gerais）、圣保罗州（Sao Paulo）四个州进行。时间方面则是赶在了旱季末期、雨季初期。亚马逊州位于巴西的西北部，与举办奥运会的里约差2个时区。在亚马逊采集期间，印象最深刻的是看到了亚马逊丛林中一个专门为生态学和生物多样性研究建立的一座五六十米高的铁塔（图1），登上去之后可以看到林冠层（图2）。而依托于这样的建筑，昆虫学家们还可以每10米高放置一个Malaise trap，进行得天独厚的生物多样性研究（图3）。图1. 亚马逊雨林中的生态学研究用铁塔图2. 登到塔顶后看到的林冠层景象图3. 铁塔上放置的大型Malaise trap 除了高大的铁塔令人深刻之外，巴西各个保护区的居住和生活条件普遍也比较好；如果考虑到巴西的整体经济发展水平的话，应该说保护区里的生活条件格外地好，普遍具有宽敞洁净的用餐环境（图4），住所中也都修建有洗浴设施。图4. 保护区餐厅一角在采集的过程中，也遇到了一些问题。一个问题是，在树木上扫网的时候，遇到胡蜂的频率很高，所以被蛰的风险很高（图5）。另外一个问题是，雨林中有很多奇怪的植物，比如说一种绿色的柔韧藤本，藤条从树上垂下来，有多个棱边，每个棱边都有比拟禾本科植物叶边的锋利细齿，只轻轻缠一下，就能在身上留下十几个口子（图6）。图5. 被一种胡蜂蜇后2小时的反应图6. 被雨林中的一种柔韧藤本轻轻缠一下留下的痕迹传说中的捕鸟蛛（狼蛛），我们没有专门去找，只是在参观亚马逊国立研究所的标本时看到了一些（图7）。图7. 捕鸟蛛的浸制标本，板子的背面还有体型相近的同种另一个体在东南部三个州采集的过程中，也遇到了一些有趣的动物，比如荧光叩甲（图8）、一种大型天牛（图9），以及在一个植物园垃圾桶中看到的长鼻浣熊（图10）。荧光叩甲在被养到瓶子里之后，就不太发光了，但是受到扰动之后普遍会发光，在凉爽避光的环境中不吃不喝能活5-7天。天牛是灯诱时上灯的。长鼻浣熊经常在垃圾桶周围出没，有的时候能见到“一家子”。图8. 荧光叩甲图9. 一种大型的天牛图10. 植物园垃圾桶中出没的长鼻浣熊图11. 植物园垃圾桶周围成群出现的长鼻浣熊在采集活动的间歇，我们还赴巴西国立亚马逊研究所（据说这是第一次有中国官方的学术机构赴亚马逊进行采集活动）和巴西国家博物馆进行了学术交流。其中在巴西国家博物馆所做的学术报告，还被作为里约热内卢联邦大学研究生课程的一部分（图12）。图12. 巴西国家博物馆和里约热内卢联邦大学赠予的授课证书^_^; 8788 次阅读|12 个评论

为什么亚马逊要梦想建造一个空中仓库: 热度 2 spins 2017-1-16 08:31; 本文出自Discovery专栏作家Jeremy Hsu之手，由张晓军博士倾情翻译，在此隆重致谢！　2015年底，亚马逊推出了一款名为Prime Air快递无人机。如果你在亚马逊下单购买一个重量在5磅以下的商品，就可选择无人机送货到家！ Prime Air 装载货物，全自动化，全程无人干预。亚马逊公司将要像圣诞老人一样可以把几乎任何可以想到的物品送抵到客户手中。但是这个技术巨人并没有通过雪橇和会飞的鹿来递送物品订单。相反地，最近亚马逊的一项专利揭示了一个令人惊叹的技术，这个技术就是通过一个巨大的飞艇作为飞行仓库来部署蜂群式的无人机将货物投递给客户。许多和新技术有关的专利文档经常专注在美好幻想中的飞行器。但是亚马逊的这个专利文档中所设想的各种真实的情景值得关注。一个设想情景是人类或者机器工人繁忙地将各种物品装上悬浮在各主要城市上空 45 ， 000 英尺的飞艇中。另一个情景是飞艇中的厨房制作各种冷的或者热的食物，这些食物将被装到无人机上，然后在几分钟内送达。第三个情景是无人机群将食物或者 T 恤衫送抵给正在参加音乐会或者在赛场的观众。亚马逊的专利文档甚至考虑到如何将飞艇飞到足够低的高度，在这个高度飞艇可以作为巨大的广告牌或者巨大的扩音器以便来为广告做宣传，并将物品直接销售给下方的人群。你确定这样能销售？会不会造成踩踏事件？有一个方法可以实现这些疯狂的想法。亚马逊现在的目标是通过许诺将几乎任何物品 — 衣服，电子产品和食品杂物 — 在几天甚至几个小时内送达来吸引更多的客户。亚马逊正在和 Google 竞争，而这种快递无人机将这种竞争变成了对于那些希望快速获得所购商品的客户的一种 Go-to 服务。亚马逊的这种‘空中服务中心’的想法也许永远也不会变成现实，但是它代表了公司的一种让客户“立即获得满足”的目标。在计划的核心，亚马逊的这种飞行仓库的想法目标是要解决两个问题。第一，理论上，一个飞行在城市上空的可移动的仓库将会使亚马逊有能力将它的物品和产品移动到离客户的家庭或公司更近的位置，而且可以缩短最后一英里送抵所需要的时间。亚马逊可以根据临时的需要，将一定数量的飞行仓库部署不同的地点（例如人群聚集的体育馆或者音乐会）。第二，飞行仓库需要尽力解决无人机的距离问题。亚马逊测试的小型无人机可以飞行有限的距离，大概 10-20 英里。这就为亚马逊的空中服务提出了挑战，这种空中服务最近在英国的剑桥附近开始了第一次送抵服务，这种服务许诺在 30 分钟内将物品送达。作为飞行母船，这种 LTA 飞艇使得无人机在半小时内完成任务。通常情况是，从无人机带着货物起飞，直到它们达到目的地然后返航都一直使用自己的电池。电池一直是限制它们送抵航程的主要因素。通过对比，亚马逊的专利文档设想无人机只是简单地从飞行母船上下滑飞行，依靠引力而不是它们自己的能源。理论上，这种节能方式加上飞艇母船提供的扩展的距离可以让无人机飞行向着快速送抵飞行更远的距离。专利中是这么描述的： “这种货运速度提供了让用户几乎立即获得所购货物的能力，并且极大得增加了可以被速递的货物的种类。例如，易腐烂的，甚至刚准备好的肉类可以马上送抵给用户。” 小型送货无人机可以不用考虑依靠自己的动力返回悬浮在 45 ， 000 英尺上空的飞行母船。相反地，亚马逊的专利文档建议可以用更加小型的飞行器作为“摆渡车“来运载这些货运无人机返回母船。这些摆渡飞船持续地为母船提供新的货物，油料和人员或者机器工人。亚马逊的专利文档用了很多时间来谈论使用飞艇作为飞行广告显示。使用 LTA 飞艇，例如作为广告显示闪光牌不是一项新技术。但是亚马逊的专利把这个想法向前买进了一大步，因为这种飞艇广告展示了一种可能，例如将流行的鞋或者热的食物在看到它的广告的几分钟内就送到。这种专利文档甚至想像到飞艇的广告随着物品的销售，不断更新特定的物品的数量。在亚马逊的飞行仓库变得可行前还有很长的一段路要走。其中一件事就是，美国 FAA 还在定制规划以便允许货运无人机群安全地飞行在人口密度比较大的城市上空。 FAA 目前不允许任何无人机飞行在人群聚集的运动会或者音乐会上空。即使理论上货运飞艇可以在高于普通商业客机高度的上空飞行，但是如何在一群货运无人机突然从母船上向地面飞出的情况下保持安全，仍然是个未知数。这个专利文档只是亚马逊和无人机有关的大胆设想的专利中的一个。但是如果有一天你看到亚马逊的飞艇在低空飞过，并且展示乘坐 SpaceX 火箭到火星殖民地的旅行的广告，你也许想提醒自己，你并不是因为看了 1982 年的科幻电影‘银翼杀手’而在做梦。银翼杀手; 个人分类: 浮空器|3665 次阅读|3 个评论

专著《声学事件检测理论与方法》正式出版: Riemann7 2016-8-16 15:55; 和导师合作的专著《声学事件检测理论与方法》终于正式出版，目前在各大网店，如京东（ http://item.jd.com/10563712295.html ）、淘宝、亚马逊和当当等，均有销售。本书系统地介绍声学事件检测的相关理论与方法，以及该学科领域的新进展。内容包括声学事件检测的基本原理、一般数据规模下的声学事件检测方法、大数据情况下的声学事件检测方法等方面。在一般数据规模下检测中，重点介绍基于长时特征的检测理论与方法，内容涉及基于基频段特征的检测、基于混合模型的检测、基于稀疏低秩特征的检测，以及基于松弛边际与并行在线的模型训练方法。在大数据下的检测中，重点介绍适合大规模流式数据的快速和在线式模型训练方法，内容涉及基于 SVM 的加速训练、基于深度模型的加速训练、通用型在线及随机梯度下降算法，以及牛顿型随机梯度下降算法等。虽然该书主要是是基于我的博士论文，但是我的导师韩纪庆教授为该书做了大量的工作，很多次在出差期间还在修改手稿，非常感谢导师不仅在本书上付出，还有平时对学生的谆谆教导。该书很荣幸能够在科学出版社出版，期间责任编辑张海娜女士对我们的手稿做了认真、专业而且及其细致的校对以及编辑工作，非常感谢。在此也为她做个广告，请有意在科学出版社出书的老师和她联系。 Last but not the least, 感谢家人包括太太和孩子对我工作的支持，我爱你们。附：将封面和目录附在本文结尾，感兴趣的读者可以阅读原书，也欢迎交流指正。目录前言第 1 章绪论 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.1 声学事件检测技术的发展 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . 1 1.1.1 声学事件检测的起源与发展脉络 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . 2 1.1.2 基于特征的声学事件检测 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .12 1.1.3 基于模型的声学事件检测 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .17 1.2 声学事件检测技术的应用 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . 20 1.3 声学事件检测系统的结构 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . 21 1.4 本书的结构 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 第 2 章声学事件检测中的常用特征和模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . 30 2.1 声学事件检测中的常用特征 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . .30 2.1.1 声音信号的数字化 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.1.2 声音信号的时域特征 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .31 2.1.3 声音信号的频域特征 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .33 2.1.4 声音信号的时频域特征 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .41 2.1.5 特征降维与选择 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 2.2 声学事件检测中的常用模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . .47 2.2.1 浅层模型 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . 47 2.2.2 深度模型 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . 53 2.3 本章小结 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 第 3 章基于基频段特征的声学事件检测 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . 54 3.1 引言 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .54 3.2 长时特征提取 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 3.2.1 长时统计特征提取 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 3.2.2 基于基频段的特征提取 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .59 3.3 基于长时统计特征的声学事件检测 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . .59 3.3.1 基于单分类器和多分类器融合的声学事件检测 . . . .. . . . . . . . . . . . . . . . . . . . 60 3.3.2 基于类内细分聚类的声学事件检测 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . 61 3.3.3 基于拒识和确认的声学事件检测 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . 62 3.4 实验和结果 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 3.4.1 实验设置 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . 63 3.4.2 实验结果与分析 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 3.5 本章小结 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 第 4 章基于混合模型的声学事件检测 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 69 4.1 引言 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .69 4.2 伪高斯混合模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . .70 4.2.1 伪高斯混合模型的构建 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .70 4.2.2 伪高斯混合模型参数估计的 EM 算法 . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . .72 4.3 异质混合模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 4.3.1 多变量 Logistic 混合模型的可辨识性 . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 4.3.2 异质混合模型的构建 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .78 4.3.3 异质混合模型的参数估计 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .79 4.4 实验和结果 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 4.4.1 基于伪高斯混合模型的声学事件检测 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . 82 4.4.2 基于异质混合模型的声学事件检测 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . 83 4.5 本章小结 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 第 5 章基于稀疏低秩特征的声学事件检测 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . 87 5.1 引言 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .87 5.2 基于稀疏表示特征的声学事件检测 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . .89 5.3 基于低秩矩阵表示特征的声学事件检测 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . 92 5.3.1 低秩矩阵表示特征提取 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .92 5.3.2 低秩矩阵分类的问题描述 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .93 5.3.3 基于加速近似梯度方法的矩阵分类学习 . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . 94 5.4 基于低秩张量表示特征的声学事件检测 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . 96 5.4.1 张量计算相关记号 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97 5.4.2 低秩张量表示特征提取 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .97 5.4.3 基于加速近似梯度方法的张量分类学习 . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . 99 5.5 实验和结果 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 5.5.1 基于稀疏表示特征的声学事件检测 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . 102 5.5.2 基于低秩矩阵表示特征的声学事件检测 . . . .. . . . . . . . . . . . . . . . . . . . . . . . . 104 5.5.3 基于低秩张量表示特征的声学事件检测 . . . .. . . . . . . . . . . . . . . . . . . . . . . . . 108 5.6 本章小结 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .112 第 6 章基于松弛边际下模型训练的声学事件检测 . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 6.1 引言 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 6.2 基于迹范限制下的最大边际矩阵分类 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . 113 6.2.1 基于迹范限制与松弛边际的矩阵分类问题描述 . . . .. . . . . . . . . . . . . . . . . . .113 6.2.2 基于交替搜索方式的矩阵分类学习算法 . . . .. . . . . . . . . . . . . . . . . . . . . . . . . 114 6.3 基于迹范限制下的最大边际张量分类 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . 116 6.3.1 基于迹范限制与松弛边际的张量分类问题描述 . . . .. . . . . . . . . . . . . . . . . . .116 6.3.2 基于交替搜索方式的张量分类学习算法 . . . .. . . . . . . . . . . . . . . . . . . . . . . . . 117 6.4 实验和结果 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119 6.5 本章小结 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .122 第 7 章基于在线并行模型训练的声学事件检测 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .123 7.1 引言 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123 7.2 在线并行的矩阵数据分类学习方法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . 123 7.2.1 基于加速近似梯度方法的矩阵分类在线学习 . . . .. . . . . . . . . . . . . . . . . . . . .123 7.2.2 基于逼近加速近似梯度方法的在线学习 . . . .. . . . . . . . . . . . . . . . . . . . . . . . . 125 7.2.3 基于小批量更新的在线学习 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . 126 7.2.4 基于并行计算加速的矩阵分类学习 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . 126 7.3 在线并行的张量数据分类学习方法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . 128 7.4 实验和结果 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131 7.4.1 基于在线并行学习的低秩矩阵特征分类 . . . .. . . . . . . . . . . . . . . . . . . . . . . . . 131 7.4.2 基于在线并行学习的低秩张量特征分类 . . . .. . . . . . . . . . . . . . . . . . . . . . . . . 133 7.5 本章小结 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .135 第 8 章基于锚空间的声学事件检测 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . 136 8.1 引言 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136 8.2 锚模型简介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137 8.3 基于状态变化统计量的锚空间声学事件检测 . . . . . . . . . . . . . . . . . . . . . . . . . 139 8.3.1 基于状态变化统计量的锚空间生成方法 . . . .. . . . . . . . . . . . . . . . . . . . . . . . . 140 8.3.2 实验与讨论 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 143 8.4 基于高斯混合模型锚空间的声学事件检测 . . . . . . . . . . . . . . . . . . . . . . . . . . . 144 8.4.1 基于高斯混合模型锚空间的目标与集外锚模板的生成 . . . .. . . . . . . . . . . . 144 8.4.2 基于高斯混合模型的声学事件检测机制 . . . .. . . . . . . . . . . . . . . . . . . . . . . . . 146 8.5 基于稀疏分解锚空间的声学事件检测 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . 146 8.5.1 基于稀疏分解锚空间的目标与集外锚模板的生成 . . . .. . . . . . . . . . . . . . . . .147 8.5.2 基于稀疏分解的声学事件检测机制 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . 148 8.5.3 实验与讨论 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 149 8.6 本章小结 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .151 第 9 章面向大数据环境下声学事件检测的凸优化理论 . . . . . . . . . . . . . . . . . . . . . . 152 9.1 引言 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152 9.2 与声学事件检测相关的凸优化理论 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . 153 9.2.1 早期凸优化 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 154 9.2.2 凸优化基础 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 155 9.2.3 一阶方法的动机 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156 9.3 光滑与非光滑的凸优化一阶方法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . 157 9.3.1 光滑目标 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . 157 9.3.2 复合优化目标函数 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .160 9.3.3 近端目标 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . 161 9.4 随机化技术 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162 9.5 并行和分布式计算 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . 164 9.6 本章小结 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .164 第 10 章面向大数据处理的支持向量机模型的加速算法 . . . . . . . . . . . . . . . . . . . . .165 10.1 随机对偶坐标上升法 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .165 10.1.1 问题描述及相关工作 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .165 10.1.2 基于对偶间隙边界的 SDCA 收敛性分析 . . . .. . . . . . . . . . . . . . . . . . . . . . . 167 10.2 加速近端随机对偶坐标上升法 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . 172 10.2.1 问题描述及相关工作 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .172 10.2.2 基于对偶间隙边界的 Prox-SDCA 收敛性分析 . . . .. . . . . . . . . . . . . . . . . . 173 10.3 本章小结 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . .180 第 11 章面向大数据处理的深度模型的加速算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . .181 11.1 引言 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 181 11.2 全梯度与随机梯度下降算法 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . 183 11.3 加速梯度算法 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. .190 11.4 指数型收敛的随机梯度下降算法 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .192 11.4.1 随机平均梯度法 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .192 11.4.2 随机方差减梯度方法 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .194 11.5 坐标梯度下降算法 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194 11.6 本章小结 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . .199 第 12 章面向大数据的通用型在线及随机梯度下降算法 . . . . . . . . . . . . . . . . . . . . .200 12.1 引言 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 200 12.2 通用在线梯度法 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .202 12.2.1 通用的在线原始梯度方法 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . 203 12.2.2 通用的在线对偶梯度方法 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . 205 12.2.3 通用的在线快速梯度方法 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . 208 12.3 通用随机梯度法 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .212 12.3.1 算法描述 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . 212 12.3.2 收敛性分析 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .212 12.4 数值实验 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . .215 12.4.1 Lasso 问题 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .216 12.4.2 施泰纳问题 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .218 12.5 本章小结 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . .221 第 13 章面向大数据的牛顿型随机梯度下降算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . .223 13.1 引言 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 223 13.2 近端牛顿型随机梯度法 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226 13.2.1 正则化的二次模型 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .228 13.2.2 Hessian 矩阵的近似 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229 13.3 算法的收敛性分析 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229 13.4 数值实验 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . .234 13.5 本章小结 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . .235 第 14 章基于声学事件检测的行车周边声音环境感知 . . . . . . . . . . . . . . . . . . . . . . . 236 14.1 引言 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 236 14.2 实验环境与基线系统 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .237 14.3 基于径向基函数神经网络噪声建模的声学事件检测 . . . .. . . . . . . . . . . . .240 14.4 基于等响度曲线的声学事件检测 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .246 14.5 基于基频轨迹特征的声学事件检测 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . 250 14.6 本章小结 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . .255 第 15 章音频场景识别 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . 256 15.1 引言 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 256 15.2 基于高斯直方图特征的音频场景识别 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . 257 15.2.1 高斯直方图特征 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .257 15.2.2 分类模型 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . 259 15.3 基于迁移学习的音频场景识别 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . 259 15.3.1 迁移学习概述 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259 15.3.2 基于样本平衡化的音频场景识别 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . 260 15.3.3 基于改进样本平衡化的音频场景识别 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . 263 15.4 实验和结果 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . 265 15.5 本章小结 . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . .266 参考文献 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. .267; 个人分类: 软件发布|4683 次阅读|0 个评论

[转载][劇情] [芝拉克 Chi-Raq (2015)][1080p + 720p][美国][主演: 尼: lcj2212916 2016-1-9 00:04; 导演: 斯派克·李编剧: 凯文·威尔默特 / 斯派克·李主演: 尼克·卡农 / 韦斯利·斯奈普斯 / 泰娜·帕丽斯 / 詹妮弗·哈德森 / 史蒂夫·哈里斯 / 更多... 类型: 剧情官方网站: www.chiraqthemovie.com 制片国家/地区: 美国语言: 英语上映日期: 2015-12-04(美国) 片长: 118分钟又名: Chiraq IMDb链接: tt4594834 电商巨头亚马逊正式宣布，他们将大举进军电影业，计划每年出品12部影片。近日，有消息传出，亚马逊确定投拍美国黑人导演斯派克·李的新作《Chiraq》。影片剧本细节及项目进程状况都尚未公布，据称电影卡司囊括“复联队长”塞缪尔·杰克逊、“侃爷”坎耶·韦斯特、科曼等一众黑人男星，演员杰里米·皮文亦有望参演。　　Chiraq实质上是美国城市芝加哥的别称——该城市近年频频因枪支暴力事件见诸报端。坎耶·韦斯特是土生土长的芝加哥人，而杰里米·皮文的童年也基本是在芝加哥度过。参照斯派克·李此前执导影片的路数，《Chiraq》应该还是会持续关注黑人生存境遇。下载地址： http://page92.ctfile.com/file/140310352; 2457 次阅读|0 个评论

[转载]高堡奇人[第一季全]中英文字幕高清下载: lcj2212916 2015-11-25 20:23; 高堡奇人 The Man in the High Castle (2015) / 高城堡里的人导演: 大卫·塞梅尔编剧: 弗兰克·斯伯特尼 / 菲利普·迪克主演: 艾莉克莎·黛沃洛斯 / 鲁珀特·伊文斯 / 卢克·克莱恩坦克 / DJ·考尔斯 / 乔尔·德·拉·冯特 / 更多... 类型: 剧情 / 科幻 / 惊悚制片国家/地区: 美国语言: 英语首播: 2015-01-15(美国) IMDb链接: 8.5/10 from 2,131 users 高堡奇人的剧情简介　　亚马逊发布了13部原创剧的试播剧之一。　　《高堡奇人》讲述了一个替代现实故事，德国和日本打赢了二战，美国被德国和日本统治，希特勒感染了梅毒，德国开始征服太阳系，而一位高堡奇人却在创作一本书讲述美国打赢二战的故事。下载地址： http://page92.ctfile.com/file/134131001; 3331 次阅读|0 个评论

[转载]高堡奇人[第一季01 - 09]中英文字幕高清下载: lcj2212916 2015-11-22 20:29; 高堡奇人 The Man in the High Castle (2015) / 高城堡里的人导演: 大卫·塞梅尔编剧: 弗兰克·斯伯特尼 / 菲利普·迪克主演: 艾莉克莎·黛沃洛斯 / 鲁珀特·伊文斯 / 卢克·克莱恩坦克 / DJ·考尔斯 / 乔尔·德·拉·冯特 / 更多... 类型: 剧情 / 科幻 / 惊悚制片国家/地区: 美国语言: 英语首播: 2015-01-15(美国) IMDb链接: 8.5/10 from 2,131 users 高堡奇人的剧情简介　　亚马逊发布了13部原创剧的试播剧之一。　　《高堡奇人》讲述了一个替代现实故事，德国和日本打赢了二战，美国被德国和日本统治，希特勒感染了梅毒，德国开始征服太阳系，而一位高堡奇人却在创作一本书讲述美国打赢二战的故事。下载地址： http://page92.ctfile.com/file/133405214; 1324 次阅读|0 个评论

[转载]高堡奇人[第一季01 - 04]中英文字幕高清下载: lcj2212916 2015-11-21 20:07; 高堡奇人 The Man in the High Castle (2015) / 高城堡里的人导演: 大卫·塞梅尔编剧: 弗兰克·斯伯特尼 / 菲利普·迪克主演: 艾莉克莎·黛沃洛斯 / 鲁珀特·伊文斯 / 卢克·克莱恩坦克 / DJ·考尔斯 / 乔尔·德·拉·冯特 / 更多... 类型: 剧情 / 科幻 / 惊悚制片国家/地区: 美国语言: 英语首播: 2015-01-15(美国) IMDb链接: 8.5/10 from 2,131 users 高堡奇人的剧情简介　　亚马逊发布了13部原创剧的试播剧之一。　　《高堡奇人》讲述了一个替代现实故事，德国和日本打赢了二战，美国被德国和日本统治，希特勒感染了梅毒，德国开始征服太阳系，而一位高堡奇人却在创作一本书讲述美国打赢二战的故事。下载地址： http://page92.400gb.com/file/133175117; 1538 次阅读|0 个评论

1 23

帐号		自动登录	找回密码
密码			注册

关闭 安全验证

标签: 亚马逊

相关日志

关闭安全验证