基于时空优化长短期记忆网络与烟花算法的AQI预测

针对传统深度学习模型在预测空气质量指数(air quality index,AQI)时,难以从时间角度建模、网络超参数选取困难等问题,提出一种基于长短期记忆(long short-term memory,LSTM)网络和烟花算法(fireworks algorithm,FWA)的AQI预测模型LSTM-FWA。首先,以武汉市历史空气质量和气象监测数据为研究对象,利用LSTM网络中隐含层节点之间相互连接的结构特点,对空气质量的时间变化特征进行建模;接下来,考虑到种群多样性和并发性,将烟花算法应用到超参数组合优化问题中;最后,对模型输入分别进行时间、空间、时空角度的优化,实验结果表明基于时空优化的LSTM-FWA模型预测性能提升最为明显。将LSTM-FWA与其他预测模型进行比较,并全面分析不同模型在各种优化策略下的性能。实验结果显示,本文提出的时空优化LSTM-FWA模型对于AQI预测具有最优的性能。     

基于场景传输渐进估计的单幅图像能见度快速复原

该文提出一种基于场景传输渐进估计的单幅图像能见度快速复原方法。利用场景辐射的边界条件,结合大气散射模型估计场景传输的初始值,并采用递归双边滤波对其精化。通过梯度域递归双边滤波分解复原结果,对得到的基层和细节层分别进行色调调整和增强,获取高质量的清晰图像。利用高斯KD树对原始图像的高维特征空间进行自适应剖分,获取其高斯采样以加速复原计算。与相关工作比较,所提方法能够保持边缘和细节,有效避免光晕效应。采用客观指标评价复原结果。实验结果表明,该方法有效易行,复原结果更加符合真实场景。