“数据通信与计算机通信网”课程改革与实践

本文针对目前"数据通信与计算机通信网"课程教学内容与实际应用系统脱节,而无法适应民航行业对人才需求的现状,提出面向民航行业应用课程设计思路。具体思路是将课程关键知识点与民航实际系统所用技术相结合,并将科研成果引入教学,实现了教学内容的系统化、具体应用化和实践化并结合一个范例说明如何使教学内容更加贴近民航应用。     

特征结合和相关反馈技术在医学图像检索中的应用

本文在单一检索的基础上,对基于灰度直方图的颜色特征,基于小波变换的纹理特征和基于不变矩的形状特征进行融合.为了使用户能够参与检索过程,又引入了相关反馈机制,通过调整权值使得检索的结果最终满足用户的检索要求.最后分别给出基于单一特征,特征融合和相关反馈方法的查准率和查全率,并对试验结果进行分析.     

基于CBAM-CondenseNet的航班延误波及预测模型

针对航班延误衍生的航班延误波及问题,该文提出一种基于CBAM-CondenseNet的航班延误波及预测模型。首先,通过分析航班延误在航空网络内产生的延误波及现象,确定会受前序延误航班影响的航班链;其次,对选定的航班链数据进行清洗,将航班信息与机场信息进行数据融合;最后,提出改进的CBAM-CondenseNet算法对融合后的数据进行特征提取,构建Softmax分类器对首班离港航班延误波及的后续离港航班延误等级进行预测。该文提出的CBAM-CondenseNet算法融合了CondenseNet和CBAM的优势,采用通道和空间注意力机制来加强网络结构深层信息的传递。实验结果表明,算法改进后有效提升网络性能,预测准确率可达97.55%。

     

融合气象数据的并行化航班延误预测模型

针对航空数据呈现高维化、海量化趋势但传统模型处理大数据时单机计算资源不足的问题,本文提出一种基于Spark并融合气象数据的并行化航班延误预测模型。该模型利用数据框完成航班数据和气象数据的融合,从而在单个航班数据后加入不同小时的气象数据。然后,采用并行化方式进行随机森林的特征划分和树的生成,可快速进行航班延误预测。实验结果表明融入气象数据后查全率和正确率均有提高,针对不同阈值的延误时间进行预测时,大阈值的预测准确率更高。同时,并行化模型较单机模型更快收敛,具有较强的加速比。      

基于轻量化网络MobileNetV2的航班延误预测模型

针对民航业中航班延误状况的日益凸显,传统算法存在准确率低、计算量以及参数量大的问题,且面对旅客主要使用移动设备查询的需求,传统算法难以直接部署在移动端,本文提出一种基于轻量化网络MobileNetV2的航班延误预测模型。模型首先对数据集做数据融合、编码等预处理;然后将其输入到网络中进行特征提取;最后利用Softmax分类器输出航班延误等级。应用于国内数据集,准确率最高为99.07%,模型参数量为1.31Million、计算量为40.58Million。本文模型在保障准确率的同时,尽可能降低模型的参数量和计算量,其性能优于传统网络,有助于在移动端实现航班延误预测。      

“飞机通信系统”三维动画制作

"飞机通信系统"是我校电子信息工程专业一门重要的专业课程。在民用航空飞机飞行过程中,利用无线电进行的地空通信是一个比较抽象、复杂的过程,所以迫切需要利用计算机制作三维动画来模拟整个通信系统的工作过程,作为录制微视频的基本素材。本文采用STK可视化工具进行动画开发。实践表明,动画演示效果良好。     

基于多任务NR-DenseNet网络的航班延误预测模型

不同于目前大多数只倾向于研究单一的分类或回归任务的航班延误预测方法,该文提出一种基于多任务NR-DenseNet网络的航班延误预测模型,旨在同时实现航班延误等级分类预测与延误时间回归预测。首先,预处理相关数据;其次,建立多任务学习特征提取共享层,使用NR-DenseNet网络提取任务之间的共享参数,深度挖掘任务之间的相关特征;然后,建立多任务学习特定任务层,通过回归器与分类器分别输出特定任务的预测结果;最后,采用损失加权方法对两个任务损失函数进行优化,平衡任务间的收敛速度,提高模型泛化性。将模型应用在宁波机场数据集中,与单任务模型相比回归任务平均MSE降低了23.4%,平均MAE降低了14.2%,分类平均准确率提升了2.7%。实验结果表明,该文方法提升了分类任务的准确率降低了回归任务的误差,可以有效提升模型性能。     

雾霾环境下基于PLATE-YOLO的车牌检测方法

针对目前车牌识别领域中,雾霾环境下车牌检测准确率低的问题,本文提出一种基于深度学习的抗雾霾车牌检测方法,该方法能够检测民用车牌和机场民航车辆车牌。该方法首先利用一种基于卷积神经网络的去雾算法对车牌图片进行去雾预处理,然后将处理过的无雾霾图片送入PLATE-YOLO网络中检测车牌的位置。该PLATE-YOLO网络是本文针对车牌检测的特点,对YOLOv3网络做了修改后得到的适用于车牌检测的网络。主要改进点有两处:第一,提出了一种基于层次聚类算法的锚盒(Anchor Box)个数和初始簇中心的计算方法;第二,针对车牌目标较大的特点,对网络的多尺度特征融合做了优化。优化后的PLATE-YOLO网络更适合于车牌检测,且提高了检测速度。实验证明,PLATE-YOLO网络检测车牌的速度较YOLOv3提高了5 FPS;在雾霾环境下,经去雾预处理的PLATE-YOLO车牌检测方法比未经去雾处理的车牌检测方法准确率提高了9.2%。     

基于Skip-LSTM的机场群延误预测模型

针对目前机场群发展不平衡，国际枢纽机场的延误率居高不下，航班时刻短缺，资源紧张，而区域枢纽机场却存在资源空闲的问题，提出一种基于跳过门的长短时记忆网络 (Skip-LSTM，Skip Long Short Term Memory)的机场群延误预测模型。该模型首先将机场群中各个机场的信息，机场群航班信息以及机场群地区的气象信息进行融合及处理，然后搭建Skip-LSTM网络对融合后的数据信息进行特征提取，最后利用Softmax分类器对机场群的延误状况进行分类预测。Skip-LSTM网络在传统的长短时记忆网络(LSTM， Long Short Term Memory)的基础上增加了Skip门，能更加充分地提取机场群数据信息的时间相关性，获得更高的准确率。实验结果表明，基于Skip-LSTM的机场群延误预测模型的准确率可达95.35%，预测性能优于传统的网络模型，能对机场群的延误状况进行有效的预测。