机场跑道FOD监测系统技术方案的描述，介绍了该系统组成

这是一批机场卫星可将光成像图片集，一共1000张，图片尺寸为10241024，彩图。数据集包含一类目标：机场。数据集已经打好标签，表格格式为pascal voc 格式（xml文件)。可用于目标检测算法的研究。

这是机场卫星遥感图片数据集，是可将光成像，一共1000张，图片的尺寸为1024x1024，图片包含了一种类别：机场。数据集已经打好标签，标签的格式为pascal voc格式（xml）。数据集可用于目标检测算法的研究，比如Yolo系列目标检测算法。

电子计算机场地通用规范－2887-2000.doc

探索空中交通流时间序列的多重分形特征有助于理解时间序列中的自相似性和相关性，从而有助于深入了解空中交通流的演变机理和规则模式，从而有助于发展有效的空中交通流量管理措施。 利用多元分形趋势波动分析方法，我们确定了北京首都国际机场2017年夏季的总量，到达和起飞空中交通流量时间序列在对应分频以下的尺度上具有多重分形性，并且其主要原因是多重分形的特征是大小波动的远距离相关性。 在时间序列的多重分形上进行的比较表明，总的和到达的空中交通流分别具有最强和最弱的多重分形，而离场的空中交通流介于两者之间。 比较结果还表明，总的和到达的空中交通流量对大的波动不敏感，以小波动为主导，而出发的空中交通流量对小波动不敏感，并且以大波动为主导。 此外，对雷暴季节和非雷暴季节的时间序列的多重分形特征的调查表明，雷暴季节对总空中交通流量的影响最大，并且在多重分形性方面存在显着的本质差异。雷暴季节前后的总空中交通流量。 对于到达的空中交通流量，极端波动率仅存在差异，而对于出发的空中交通流量，除了数量上的一些差异外，本质上没有差异。

202x年基于GIS的智慧机场综合地理系统解决方案(专业完整版).pdf

伊辛模型matlab代码FDRhmrf 该软件包专为 [1] 中提出的错误发现率 (FDR) 控制程序而设计。 该 FDR 程序基于双参数 Ising 模型（经典的隐马尔可夫随机场）和局部显着性指数（LIS；[2,3]），旨在在控制 FDR 的同时最小化错误未发现率 (FNR)在给定级别，尤其是对于 3D 空间数据，例如神经影像数据。 这个包是用 C++ 编写的，可以被 MEX 从 Matlab 调用。 提供了示例，有关详细信息，请参阅。 请引用此包的文章 [1]，该包可用。 [1] Shu, H.、Nan, B. 和 Koeppe, R.（2015 年）。 “通过隐马尔可夫随机场对神经影像进行多重测试”。 生物识别，71, 741-750。 @article{shu2015multiple, title={Multiple testing for neuroimaging via hidden Markov random field}, author={Shu, Hai and Nan, Bin and Koeppe, Robert}, journal={Biometrics}, v

某白云机场外场车辆安全管理机无线生产网络建设项目工程.pdf

基于条件随机场对中文案件语料进行命名实体识别。在学习知识图谱理论课时，我们知道实体（Entity）是知识图谱的基本单位，也是承载信息的重要语言单位。实体识别是知识图谱应用的重要技术。目前实体识别主要有三种方法： 基于规则和词典的实体识别 基于统计机器学习的实体识别 基于深度学习神经网络的实体识别 条件随机场（Conditional random field，CRF）是一种条件概率分布模型 P(Y|X) ，表示的是给定一组输入随机变量 X 的条件下另一组输出随机变量 Y 的马尔可夫随机场。 CRF 是一个序列化标注算法（sequence labeling algorithm），接收一个输入序列如X=(x1, x2,…, xn)并且输出目标序列Y=(y1, y2,…, yn)  ，也能被看作是一种seq2seq模型。这里使用大写 X,Y 表示序列。例如，在词性标注任务中，输入序列为一串单词，输出序列就是相应的词性。 除了词性标注之外，CRF还可以用来做chunking，命名实体识别等任务。一般地，输入序列X被称为 observations, Y叫作 states。

飞常准-2019年全球机场和航空公司准点率报告-2020.1-23页.pdf