基于多光谱图像的烟雾检测

烟雾检测对于火灾早期防范非常重要,传统的智能视频和图像处理技术易受背景运动信息影响,抗干扰性差,且不容易区分森林水雾和燃烧产生的烟雾,森林防火误报率高。为此提出一种新的多光谱图像检测方法检测烟雾。采用多光谱成像系统,获取400至720 nm波段范围的烟雾、水雾光谱图像序列,对图像进行分层像素整合处理;利用欧氏距离度量不同分块光谱特征差异,获取动态区域光谱特征向量,根据目标与背景间光谱特征向量差异,提取烟雾、水雾区域。室内外试验结果表明：多光谱图像检测方法可用于烟雾检测,能够有效地检测并区分烟雾和水雾,与视频图像方法结合,可有效地用于森林火灾监测,降低森林火灾检测误报率。     

基于非参数特征提取的早期林火烟雾检测

提出了一种基于非参数特征提取的早期森林火灾烟雾检测方法。采用双背景模型进行运动区域检测,得到可疑烟雾区域。再利用早期火灾烟雾颜色特征和运动特性对提取的可疑运动区域进行颜色判别,对增长区域以及上升区域进行检测,排除部分干扰目标。根据提出的非参数特征提取法,计算并科学地选取可疑区域的特征量,将其输入训练好的支持向量机(SVM)进行烟雾判别。对多段视频进行测试表明,该方法能适用于复杂多变的野外环境,排除干扰,有效地检测出早期林火烟雾。     

融合多种特征的烟雾图像检测算法

提出了一种融合烟雾模糊、扩散、主方向角等多种特征的烟雾检测算法。首先对图像进行运动区域提取,在对图像进行二维离散小波变换和四元数小波变换的基础上,获得了运动区域的背景模糊模型和光流场;然后再根据光流场的相位信息,计算出光流相位分布向量和主方向角;最后依据联合判别准则对背景模糊模型、光流相位分布向量和主方向角进行判别,从而判断出运动区域是否为烟雾。实验结果表明,与利用单一特征检测烟雾的算法相比,所提出的算法有效地提高了烟雾的识别率。     

基于机器学习的偏振遥感云检测优化算法

偏振遥感经验阈值云检测算法受主观因素影响较强,极易在亮地表上空出现云检测不准确的问题.针对该问题,本文提出了一种主动和被动遥感卫星相结合的机器学习云检测算法.该算法基于POLDER3载荷多通道多角度偏振特性以及CALIOP载荷高精度云垂直特性展开研究,利用POLDER3载荷和CALIOP载荷观测重合区域数据,搭建了粒子...     

在恒虚警检测下的多假目标干扰效果分析

针对多假目标干扰对恒虚警（CFAR）检测雷达的干扰效果评估问题,根据CFAR检测原理,分析了多假目标干扰下雷达CFAR检测门限和不同间隔的多假目标的干扰效果,得到了在一定密度和功率的多假目标干扰下,部分雷达将出现无任何信号输出的自压制状态的结论,最后通过仿真进行了验证,研究可以用于指导多假目标干扰的设计。     

基于Canny边缘检测的数字稳像算法研究

提出了一种将改进的Canny边缘检测技术应用于数字电子稳像中的方法,通过选择图像边缘线的交叉点作为特征点,以此确定仿射模型的运动参数,并进行运动补偿从而达到输出稳定视频图像的目的。实验结果表明用这种方法提取的特征点具有良好的稳定性,实际应用效果良好。     

一种改进的快速递推干扰抵消多用户检测算法

由于传统的MIMO-OFDM系统干扰消除多用户检测算法对错误传播和干扰消除顺序考虑的较少,针对这一缺点,提出一种采用逆向排列顺序的快速递推干扰消除多用户检测算法。该算法采用逆向检测顺序,选择用户数据相关程度最大的数据进行最后检测,得到信噪比最优的串行干扰消除用户排列,避免了错误传播;采用递推的方法实现最小均方误差(MMSE)检测器与排序的求取,避免了传统检测算法中的直接矩阵求逆运算,降低了算法的计算量。理论分析和实验结果表明,该算法在有效降低复杂度的同时,具有更好的系统容量性能和误码性能。     

基于LBP和PCA机器学习的手势识别算法

为解决听力障碍者与无障碍者的信息交流问题,对哑语手势自动识别技术进行研究。提出了一种改进的手势识别算法。首先通过YUV肤色分割、图像差分、连通域检测等算法进行预处理,获取完整的手型区域图像。然后对手型的二值图像进行轮廓检测,采用LBP变换与主成分分析进行特征提取与压缩。最后运用支持向量机的机器学习算法构建分类器,对哑语手势进行分类识别。通过对630张手势图像进行实验,结果表明,提出的算法有效提高了识别率与速度,识别率达到94.22%,速度达到0.29s/幅,可以满足哑语交流的实时性要求。     

磷烟雾的全遮蔽能力检测与分析

发烟剂的全遮蔽能力TOP(total obscuring power) 值是国内外烟幕技术领域表征发烟剂生成的烟雾对人眼视觉产生遮蔽能力的特征参数。基于辐照度测量法成功研制了烟雾全遮蔽能力检测系统。该系统可以实现对TOP的全过程自动化测量，具有可靠性强，工作效率高，实时性好和可扩展性强等优点。在温度26℃、相对湿度80%的条件下对黄磷烟雾的TOP 进行了检测，所得到的测试结果与经验值很接近。     

基于机器学习XGBoost算法的跨音速离心压气机扩压器气动优化设计

本文以某跨音速离心压气机扩压器为研究对象,提出了一种叶型参数化方法和优化流程,采用机器学习XGBoost算法以及全局寻优模型对其进行了气动优化。研究结果表明,该回归优化模型可以在较少的迭代步数内获得全局最优解,优化速度比传统代理模型具有显著的提升,优化精度与CFD仿真结果相当。优化后的扩压器能够在保证离心压气机压比基本不变的条件下,峰值效率提高1.03%,稳定裕度提高4.79%,对优化后扩压器内部流动进行了分析,讨论了不同设计参数对离心压气机的影响,为离心压气机扩压器设计提供了指导。     

基于图像探测的早期火灾烟气模式研究

烟气是火灾过程中的重要物理现象。为改进早期火灾探测和预警,需要对基于图像探测的火灾烟气模式加以研究。以不同应用背景为依据,对烟气模式提出分类研究的思想。并以提高图像探测的可靠性和灵敏度为目的,对烟气的图像信息特征进行分析,提出了建立早期火灾烟气模式的设想。     

基于机器学习的轨道校正方法

轨道校正是加速器束流调节最基本的步骤之一,也是目前各加速器实验室共同面对的问题之一。在传统方法中,线性代数工具被应用于各种类型的响应矩阵,以解决响应矩阵的奇异性等问题。提出一种基于机器学习的加速器轨道校正方法,可以避免处理响应矩阵的问题通过直接读取BPM数据和校正磁铁强度值实时构建机器学习模型快速地对轨道进行修正。对机器学习的轨道校正方法进行了介绍,并从数学公式、算法模型、在模拟和真实数据上的测试等方面对该方法进行了讨论。结果表明,在误差范围内该方法能有效的对加速器束流轨道进行校正。     

基于鲁棒极端学习机的混沌时间序列建模预测

针对混沌时间序列预测模型易受异常点影响,导致模型预测精度低的问题,在贝叶斯框架下提出一种鲁棒极端学习机.所提模型将具有重尾分布特性的高斯混合分布作为模型输出似然函数,得到一种对异常点和噪声更具鲁棒性的预测模型.但由于将高斯混合分布作为模型输出似然函数后,模型输出的边缘似然函数变成难以解析处理的形式,因此引入变分方法进行近似推理,实现模型参数的估计.在加入异常点和噪声的情况下,将所提模型应用于大气环流模拟模型方程Lorenz序列以及Rossler混沌时间序列和太阳黑子混沌时间序列的预测中,预测结果验证了所提模型的有效性.     

Stability analysis of hydro-turbine governing system based on machine learning

Hydro-turbine governing system is a time-varying complex system with strong non-linearity, and its dynamic characteristics are jointly affected by hydraulic, mechanical, electrical, and other factors. Aiming at the stability of the hydro-turbine governing system, this paper first builds a dynamic model of the hydro-turbine governing system through mechanism modeling, and introduces the transfer coefficient characteristics under different load conditions to obtain the stability category of the system. BP neural network is used to perform the machine study and the predictive analysis of the stability of the system under different working conditions is carried out by using the additional momentum method to optimize the algorithm. The test set results show that the method can accurately distinguish the stability category of the hydro-turbine governing system (HTGS), and the research results can provide a theoretical reference for the operation and management of smart hydropower stations in the future.     

基于极端学习机的多变量混沌时间序列预测

针对多变量混沌时间序列预测问题, 提出了一种基于输入变量选择和极端学习机的预测模型. 其基本思想是 对多变量混沌时间序列进行相空间重构后, 采用互信息方法选择与预测输出统计相关最高的重构输入变量, 借助极端学习机的通用逼近能力建立多变量混沌时间序列的预测模型. 为进一步提高预测精度, 采用模型选择算法选择具有最小期望风险的极端学习机预测模型. 基于Lorenz, Rössler多变量混沌时间序列及Rössler超混沌时间序列的仿 真结果证明所提方法的有效性.     

基于自适应核学习相关向量机的乳腺X线图像微钙化点簇处理方法研究

采用自适应核学习相关向量机方法, 结合形态学滤波和Kallergi分簇标准, 研究了乳腺X线图像中微钙化点簇的处理. 首先将微钙化点检测看作一个监督学习问题, 然后应用自适应核学习相关向量机作为分类器判断图像中每一个位置是否为微钙化点并采用形态学处理滤除干扰噪声, 最后对获得的微钙化点采用Kallergi标准进行分簇. 为提高运算速度, 在微钙化点检测时将整个图像分解为多个子图像并行运算, 实现了一种基于自适应核学习相关向量机的微钙化点簇快速处理方法. 实验结果和分析表明, 自适应核学习相关向量机方法算法性能优于相关向量机方法, 特别是实现的快速方法能进一步降低微钙化点簇的处理时间. 关键词： 乳腺X线图像 微钙化点簇 相关向量机 自适应核学习     

How machine learning conquers the unitary limit

Machine learning has become a premier tool in physics and other fields of science.It has been shown that the quantum mechanical scattering problem cannot only be solved with such techniques,but it was argued that the underlying neural network develops the Bom series for shallow potentials.However,classical machine learning algorithms fail in the unitary limit of an infinite scattering length.The unitary limit plays an important role in our understanding of bound strongly interacting fermionic systems and can be realized in cold atom experiments.Here,we develop a formalism that explains the unitary limit in terms of what we define as unitary limit surfaces.This not only allows to investigate the unitary limit geometrically in potential space,but also provides a numerically simple approach towards unnaturally large scattering lengths with standard multilayer perceptrons.Its scope is therefore not limited to applications in nuclear and atomic physics,but includes all systems that exhibit an unnaturally large scale.     

An interpretable intrusion detection method based on few-shot learning in cloud-ground interconnection

An enterprise’s private cloud may be attacked by attackers when communicating with the public cloud. Although traffic detection methods based on deep learning have been widely used, these methods rely on a large amount of sample data and cannot quickly detect new attacks such as Zero-day Attacks. Moreover, deep learning has a black-box nature and cannot interpret the detection results, which has certain security risks. This paper proposes an interpretable abnormal traffic detection method, which can complete the detection task with only a few malicious traffic samples. Specifically, it uses the covariance matrix to characterize each traffic category and then calculates the similarity between the query traffic and each category according to the covariance metric function to realize the traffic detection based on few-shot learning. After that, the traffic images processed by the random masks are input into the model to obtain the predicted probability of the corresponding traffic category. Finally, the predicted probability is linearly summed with each mask to generate the final saliency map to interpret and analyze the model decision. In this paper, experiments are carried out by simulating only 15 and 25 malicious traffic samples. The results show that the proposed method can obtain good accuracy and recall, and the interpretation analysis shows that the model is reliable and interpretable.     

自然循环流动不稳定性的多目标优化极限学习机预测方法

极限学习机是近年来提出的一种前向单隐层神经网络训练算法,具有训练速度快、不会陷入局部最优等优点,但其性能会受到随机选取的输入权值和阈值的影响.针对这一问题,提出一种基于多目标优化的改进极限学习机,将训练误差和输出层权值的均方最小化同时作为优化目标,采用带精英策略的快速非支配排序遗传算法对极限学习机的输入层到隐层的权值和阈值进行优化.将该算法应用于摇摆工况下自然循环系统不规则复合型流量脉动的多步滚动预测,分析了训练误差和输出层权值对不同步长预测效果的影响.仿真结果表明,优化极限学习机预测误差可以用较小的网络规模获得很好的泛化能力.为流动不稳定性的实时预测提供了一种准确度较高的途径,其预测结果可以作为核动力系统操作员的参考.