毫米波云雷达晴空回波的特征研究
这是一篇关于毫米波云雷达,晴空回波,特征提取,特征筛选,自动识别的论文, 主要内容为毫米波云雷达不仅能够探测到云中微小粒子的特征信息,还可以获取云内的微物理结构,所以在云的观测领域得到了广泛应用。但是,由于大气折射率不均匀、湍流等晴空气象因素的影响,大气边界层以内很难准确探测到云的信息,尤其是在云、降水和晴空回波混合的复杂天气背景下问题更大。如何在这种复杂天气背景下消除晴空回波的干扰,并从雷达回波中提取云和降水等有用气象信息,具有重要研究意义和实用价值。本文利用机器学习算法对云雷达回波图中的晴空回波和气象回波实现了自动分类识别,并统计发现了晴空回波随时间分布的特征,概括起来主要研究内容如下:本文的主要研究对象是由湍流散射引起的晴空回波,因此对其散射机理进行了理论分析,并揭示了它的物理本质。大气中的湍流会对雷达发射的电磁波产生湍流散射,且雷达波长与被探测湍流块之间的关系遵循Bragg定律。本课题利用激光云高仪、毫米波云雷达、L波段探空系统、全天空成像仪这四种设备综合判断云信息,从而实现晴空回波和云回波的提取。首先对四种仪器的原理、数据以及地理位置分布进行了介绍,进而利用2015年12月1日到2016年1月31日两个月的数据,分别对比了云雷达、云高仪以及L波段探空的数据获取能力,以及它们对云底的探测能力。结果表明:三种仪器都可以准确探测到云底,其中激光云高仪探测低层薄云的能力最强,云雷达测得的云底高度都略低于云高仪和探空设备。本文提出了一种新的晴空回波自动识别算法,主要分三个步骤进行:特征提取,特征筛选,晴空回波的识别。首先,本文结合毫米波云雷达的基本产品以及功率谱数据,构建出包含28个特征的样本特征集;然后,采用Relief算法对特征进行筛选,可以获得最优特征子集;最后,利用神经网络算法实现毫米波云雷达晴空回波的自动识别。而且,利用2016年3月—8月这6个月的数据对算法模型进行测试,结果表明本文提出的晴空回波识别算法效果较好:对于简单天气状况,晴空回波的识别率可以达到95.86%;对于复杂天气状况,晴空回波的识别率为88.38%。为了研究毫米波云雷达晴空回波的分布特征,本文先对2015年09月到2016年08月的雷达回波图进行晴空回波提取,然后将每个月的晴空回波反射率图做月平均,最后对每个月晴空回波的覆盖率进行统计,总结得到晴空回波随季节的分布特征。结果表明:夏季晴空回波出现频率最为频繁,冬季几乎不会出现晴空回波;而且,春季到夏季的过程中,晴空回波覆盖率逐渐增加,秋季到冬季晴空回波的覆盖率逐渐降低。
高影响力文献的预测与推荐研究
这是一篇关于文献推荐,引用预测,LDA主题模型,特征筛选的论文, 主要内容为信息爆炸时代,学术文献的数量呈现急速增长的态势,这给学术界带来日益突出的信息过载问题,同时也给研究者获取感兴趣的学术论文带来了挑战。对于科研人员来说,如果能在卷帙浩繁的科研文献中尽快找到符合其需求的高影响力论文,将大大提高其文献搜索的效率,并借助于对高影响力论文的阅读加快其对课题的认知。学术论文推荐是解决学术文献过载问题的有效手段,旨在从庞大的文献库中自动筛选研究者感兴趣的学术论文。但是,现有的学术论文推荐系统更多从文献的内容相似度及研究人员间的相似性等角度实施推荐,由于这种推荐方法忽视了研究人员在引用参考文献时的引用偏好,使得推荐的效果不佳。本文的研究分为两个递进的过程,首先针对具备什么样特征的论文更容易被引用的问题,引入了论文的主题内容特性,验证了论文的主题内容特性是影响论文被引用的关键因素;其次,借助于包含主题特征在内的影响论文引用特性的关键因素构建论文推荐模型,对研究人员实施文献推荐。(1)定量学术论文的主题特征,研究主题特征对论文引用特性的影响。本文引入LDA主题模型,通过考察学术论文的内容隶属于当前热门主题的隶属度,实现学术论文主题特征的提取和量化。结合学术论文的主题特征、早期引用特性、文章自身和作者相关的文献计量特征,构建引用行为预测的特征空间。利用Fisher Score、Relief-F和SPEC三种特征选择方法对特征进行排序筛选,采用SVM、KNN、Bagging三种分类算法验证筛选出的核心特征在识别未来的高影响力论文中的效果。实验结果表明,学术论文的主题特征确实对论文的引用行为具有重要影响,它的加入有助于实现高影响力文献的预测。这实际上表明了研究者在引用论文时的一种内容倾向,即论文的内容是决定其是否被研究者引用的关键因素。(2)结合论文的主题特征等影响论文引用行为的关键特征,构建多维信息驱动的Top-N论文推荐模型。利用LDA主题模型提取目标论文和候选论文集的主题特征,根据主题特征对候选论文进行初步筛选,排除与目标论文具有较低主题相似度的候选论文,生成初步的候选推荐论文列表;从文章偏好、声望偏好、内容偏好、引用行为偏好和引文网络偏好五个维度综合度量研究人员对候选列表中论文的感兴趣程度,按照兴趣值由大到小的顺序对候选论文进行排序,并向研究人员推荐排序在前Top-N的科研论文。实验结果表明,相比于基于PageRank和基于文本相似度的基线推荐方法,基于多维信息驱动的Top-N论文推荐模型取得了更好的推荐性能。本文的研究指出学术论文的主题内容是影响学术论文未来引用特性的重要因素,在一定程度上决定着研究者对学术论文的兴趣度。同时,在文献推荐过程中加入对学术论文内容的主题特性以及研究人员引用偏好的考量,有助于提升推荐的效果。这为开发更好的学术论文推荐系统,为研究人员提供更有针对性的论文推荐服务提供了一种有效的思路。
智能烟叶分级算法研究及系统的设计与实现
这是一篇关于烟叶分级,特征筛选,空洞卷积,门控融合机制,系统实现的论文, 主要内容为烟草行业在中国国民经济中具有重要的地位,烟叶分级是将农业生产的烟叶转化为卷烟工业过程中的一个重要环节,因此如何保证烟叶分级的质量至关重要。现有的烟叶分级方式主要依靠人工经验来进行分级,存在很强的主观性。随着智能时代的到来,越来越多的人工智能技术被用于实现烟叶分级。但绝大部分研究都集中在基础理论方面,与实际应用还具有较远的距离。为此,本文从工程化和实用化的角度对烟叶分级算法进行了一定的研究,并初步设计和实现了一个智能烟叶分级系统,使烟叶分级从算法研究向实际应用迈进了一步。具体工作如下:1.特征筛选及XGBoost烟叶等级识别方法。首先提取出了 104个烟叶颜色、形状和纹理特征,并用max-min方法对其进行归一化。其次为提高烟叶分级准确率和分级速度,提出使用离散度差值和自适应遗传算法级联的方法进行特征筛选,最优特征组合的特征个数减少到35个,XGBoost烟叶分级算法的准确率由83.63%增加到90.01%,烟叶分级速度由2381片/s提高到9090片/s。最后进行数据增强并建立XGBoost分级模型,分级准确率提高到90.27%。实验结果表明,本文通过对烟叶特征进行级联筛选和对烟叶图像进行数据增强,有效地提高了烟叶分级的准确率和分级速度。2.基于改进ResNet网络的烟叶等级识别。首先构建传统的ResNet网络模型,然后利用空洞卷积代替传统卷积和池化模块,减少了池化操作带来的特征信息损失,同时增大了图像感受野。其次在改进卷积模块的基础上,提出使用门控融合的方法改变残差学习单元的连接方式,实现不同输入之间的优势互补。实验表明,改进ResNet网络的烟叶分级准确率由88.02%提高到90.5%,烟叶分级速度由280片/s提高到926片/s。最后进行数据增强,改进ResNet网络的烟叶分级准确率进一步提高到93.46%。3.智能烟叶分级系统的设计及实现。在Windows操作系统下,本文以python和前端语言为核心开发语言,运用Pycharm集成开发环境、Django开发框架和MTV设计模式实现了一个初步的智能烟叶分级系统。系统包括图像获取、数据存储、智能分级、分级结果及特征信息显示模块以及各模块之间的集成。实验结果表明,特征筛选及XGBoost烟叶分级方法分级速度较快,硬件化实现成本低,但分级准确率略低;而改进ResNet网络烟叶分级模型具有更好的分级准确率但分级速度较慢,硬件化实现成本高。本文设计和实现的智能系统的智能分级模块同时包括了这两个模块,用户可以根据实际需求选择相应的分级模块。本系统具有良好的拓展性,很容易改进已有模块的性能或增加需要的新功能。
毫米波云雷达晴空回波的特征研究
这是一篇关于毫米波云雷达,晴空回波,特征提取,特征筛选,自动识别的论文, 主要内容为毫米波云雷达不仅能够探测到云中微小粒子的特征信息,还可以获取云内的微物理结构,所以在云的观测领域得到了广泛应用。但是,由于大气折射率不均匀、湍流等晴空气象因素的影响,大气边界层以内很难准确探测到云的信息,尤其是在云、降水和晴空回波混合的复杂天气背景下问题更大。如何在这种复杂天气背景下消除晴空回波的干扰,并从雷达回波中提取云和降水等有用气象信息,具有重要研究意义和实用价值。本文利用机器学习算法对云雷达回波图中的晴空回波和气象回波实现了自动分类识别,并统计发现了晴空回波随时间分布的特征,概括起来主要研究内容如下:本文的主要研究对象是由湍流散射引起的晴空回波,因此对其散射机理进行了理论分析,并揭示了它的物理本质。大气中的湍流会对雷达发射的电磁波产生湍流散射,且雷达波长与被探测湍流块之间的关系遵循Bragg定律。本课题利用激光云高仪、毫米波云雷达、L波段探空系统、全天空成像仪这四种设备综合判断云信息,从而实现晴空回波和云回波的提取。首先对四种仪器的原理、数据以及地理位置分布进行了介绍,进而利用2015年12月1日到2016年1月31日两个月的数据,分别对比了云雷达、云高仪以及L波段探空的数据获取能力,以及它们对云底的探测能力。结果表明:三种仪器都可以准确探测到云底,其中激光云高仪探测低层薄云的能力最强,云雷达测得的云底高度都略低于云高仪和探空设备。本文提出了一种新的晴空回波自动识别算法,主要分三个步骤进行:特征提取,特征筛选,晴空回波的识别。首先,本文结合毫米波云雷达的基本产品以及功率谱数据,构建出包含28个特征的样本特征集;然后,采用Relief算法对特征进行筛选,可以获得最优特征子集;最后,利用神经网络算法实现毫米波云雷达晴空回波的自动识别。而且,利用2016年3月—8月这6个月的数据对算法模型进行测试,结果表明本文提出的晴空回波识别算法效果较好:对于简单天气状况,晴空回波的识别率可以达到95.86%;对于复杂天气状况,晴空回波的识别率为88.38%。为了研究毫米波云雷达晴空回波的分布特征,本文先对2015年09月到2016年08月的雷达回波图进行晴空回波提取,然后将每个月的晴空回波反射率图做月平均,最后对每个月晴空回波的覆盖率进行统计,总结得到晴空回波随季节的分布特征。结果表明:夏季晴空回波出现频率最为频繁,冬季几乎不会出现晴空回波;而且,春季到夏季的过程中,晴空回波覆盖率逐渐增加,秋季到冬季晴空回波的覆盖率逐渐降低。
智能烟叶分级算法研究及系统的设计与实现
这是一篇关于烟叶分级,特征筛选,空洞卷积,门控融合机制,系统实现的论文, 主要内容为烟草行业在中国国民经济中具有重要的地位,烟叶分级是将农业生产的烟叶转化为卷烟工业过程中的一个重要环节,因此如何保证烟叶分级的质量至关重要。现有的烟叶分级方式主要依靠人工经验来进行分级,存在很强的主观性。随着智能时代的到来,越来越多的人工智能技术被用于实现烟叶分级。但绝大部分研究都集中在基础理论方面,与实际应用还具有较远的距离。为此,本文从工程化和实用化的角度对烟叶分级算法进行了一定的研究,并初步设计和实现了一个智能烟叶分级系统,使烟叶分级从算法研究向实际应用迈进了一步。具体工作如下:1.特征筛选及XGBoost烟叶等级识别方法。首先提取出了 104个烟叶颜色、形状和纹理特征,并用max-min方法对其进行归一化。其次为提高烟叶分级准确率和分级速度,提出使用离散度差值和自适应遗传算法级联的方法进行特征筛选,最优特征组合的特征个数减少到35个,XGBoost烟叶分级算法的准确率由83.63%增加到90.01%,烟叶分级速度由2381片/s提高到9090片/s。最后进行数据增强并建立XGBoost分级模型,分级准确率提高到90.27%。实验结果表明,本文通过对烟叶特征进行级联筛选和对烟叶图像进行数据增强,有效地提高了烟叶分级的准确率和分级速度。2.基于改进ResNet网络的烟叶等级识别。首先构建传统的ResNet网络模型,然后利用空洞卷积代替传统卷积和池化模块,减少了池化操作带来的特征信息损失,同时增大了图像感受野。其次在改进卷积模块的基础上,提出使用门控融合的方法改变残差学习单元的连接方式,实现不同输入之间的优势互补。实验表明,改进ResNet网络的烟叶分级准确率由88.02%提高到90.5%,烟叶分级速度由280片/s提高到926片/s。最后进行数据增强,改进ResNet网络的烟叶分级准确率进一步提高到93.46%。3.智能烟叶分级系统的设计及实现。在Windows操作系统下,本文以python和前端语言为核心开发语言,运用Pycharm集成开发环境、Django开发框架和MTV设计模式实现了一个初步的智能烟叶分级系统。系统包括图像获取、数据存储、智能分级、分级结果及特征信息显示模块以及各模块之间的集成。实验结果表明,特征筛选及XGBoost烟叶分级方法分级速度较快,硬件化实现成本低,但分级准确率略低;而改进ResNet网络烟叶分级模型具有更好的分级准确率但分级速度较慢,硬件化实现成本高。本文设计和实现的智能系统的智能分级模块同时包括了这两个模块,用户可以根据实际需求选择相应的分级模块。本系统具有良好的拓展性,很容易改进已有模块的性能或增加需要的新功能。
智能烟叶分级算法研究及系统的设计与实现
这是一篇关于烟叶分级,特征筛选,空洞卷积,门控融合机制,系统实现的论文, 主要内容为烟草行业在中国国民经济中具有重要的地位,烟叶分级是将农业生产的烟叶转化为卷烟工业过程中的一个重要环节,因此如何保证烟叶分级的质量至关重要。现有的烟叶分级方式主要依靠人工经验来进行分级,存在很强的主观性。随着智能时代的到来,越来越多的人工智能技术被用于实现烟叶分级。但绝大部分研究都集中在基础理论方面,与实际应用还具有较远的距离。为此,本文从工程化和实用化的角度对烟叶分级算法进行了一定的研究,并初步设计和实现了一个智能烟叶分级系统,使烟叶分级从算法研究向实际应用迈进了一步。具体工作如下:1.特征筛选及XGBoost烟叶等级识别方法。首先提取出了 104个烟叶颜色、形状和纹理特征,并用max-min方法对其进行归一化。其次为提高烟叶分级准确率和分级速度,提出使用离散度差值和自适应遗传算法级联的方法进行特征筛选,最优特征组合的特征个数减少到35个,XGBoost烟叶分级算法的准确率由83.63%增加到90.01%,烟叶分级速度由2381片/s提高到9090片/s。最后进行数据增强并建立XGBoost分级模型,分级准确率提高到90.27%。实验结果表明,本文通过对烟叶特征进行级联筛选和对烟叶图像进行数据增强,有效地提高了烟叶分级的准确率和分级速度。2.基于改进ResNet网络的烟叶等级识别。首先构建传统的ResNet网络模型,然后利用空洞卷积代替传统卷积和池化模块,减少了池化操作带来的特征信息损失,同时增大了图像感受野。其次在改进卷积模块的基础上,提出使用门控融合的方法改变残差学习单元的连接方式,实现不同输入之间的优势互补。实验表明,改进ResNet网络的烟叶分级准确率由88.02%提高到90.5%,烟叶分级速度由280片/s提高到926片/s。最后进行数据增强,改进ResNet网络的烟叶分级准确率进一步提高到93.46%。3.智能烟叶分级系统的设计及实现。在Windows操作系统下,本文以python和前端语言为核心开发语言,运用Pycharm集成开发环境、Django开发框架和MTV设计模式实现了一个初步的智能烟叶分级系统。系统包括图像获取、数据存储、智能分级、分级结果及特征信息显示模块以及各模块之间的集成。实验结果表明,特征筛选及XGBoost烟叶分级方法分级速度较快,硬件化实现成本低,但分级准确率略低;而改进ResNet网络烟叶分级模型具有更好的分级准确率但分级速度较慢,硬件化实现成本高。本文设计和实现的智能系统的智能分级模块同时包括了这两个模块,用户可以根据实际需求选择相应的分级模块。本系统具有良好的拓展性,很容易改进已有模块的性能或增加需要的新功能。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码工坊 ，原文地址：https://m.bishedaima.com/lunwen/54326.html
