检索结果-南通市图书馆

基于QAR飞行大数据的空中颠簸风险时空分布模式探索与分析

在线全文

学校读者我要写书评

暂无评论

武汉大学学报（信息科学版） 2024年第3期49卷 482-490页

作者：张林意孙华波王纯余长慧卢宾宾武汉大学遥感信息工程学院湖北武汉430079 中国民航科学技术研究院航空安全研究所北京100028

空中颠簸是民航飞行过程中的重大安全风险之一,其空间分布模式的探索与分析对有效规避颠簸区域、提升飞行安全水平有重要意义。利用中国民航行业快速存取记录器(quick access recorder,QAR)大数据提取了2017—2019年中国范围内发生的空... 详细信息

空中颠簸是民航飞行过程中的重大安全风险之一,其空间分布模式的探索与分析对有效规避颠簸区域、提升飞行安全水平有重要意义。利用中国民航行业快速存取记录器(quick access recorder,QAR)大数据提取了2017—2019年中国范围内发生的空中颠簸事件,通过核密度估计和时空可视化对其时空分布特征进行了初步的探索性分析,采用空间自相关分析、热点分析、地理加权主成分分析等时空统计分析技术从不同层次和视角对民航空中颠簸风险进行空间分布模式与规律探索。结果表明,中国民航飞机2017—2019年空中颠簸事件较多出现于西藏地区、中部地区和东南部地区,其中第一阶梯和第二阶梯地区空中颠簸事件发生密度明显高于第三阶梯,且多位于第一阶梯和第二阶梯分界线附近。空中颠簸程度具有较为显著的空间自相关性,表现为高-高值聚集特征。在精细尺度视角下,地理加权主成分分析结果表明,空中颠簸风险与相关属性参数间关系存在典型的空间异质性特征。该研究为切实提升民航行业风险管理与安全水平,从时空视角提供了理论算法与实践应用支撑。

关键词：民航安全时空分布模式空间自相关地理加权主成分分析空间异质性

基于CNN计算局部复杂度的可逆信息隐藏算法

在线全文

学校读者我要写书评

暂无评论

计算机学报 2024年第4期47卷 776-789页

作者：胡润文项世军李晓龙欧博暨南大学信息科学技术学院/网络空间安全学院广州510632 北京交通大学信息科学研究所北京100044 湖南大学信息科学与工程学院长沙410082

在可逆信息隐藏领域,选择较小的预测误差有助于减少信息嵌入过程引起的失真.现有选择方法主要计算预测误差的局部复杂度,将信息嵌入到局部复杂度小的预测误差中.这些局部复杂度计算方法只使用部分相邻像素计算局部复杂度,且计算方法与... 详细信息

在可逆信息隐藏领域,选择较小的预测误差有助于减少信息嵌入过程引起的失真.现有选择方法主要计算预测误差的局部复杂度,将信息嵌入到局部复杂度小的预测误差中.这些局部复杂度计算方法只使用部分相邻像素计算局部复杂度,且计算方法与预测部分使用的预测器无关,因此其选择性能有待提高.本文提出了一种基于CNN的局部复杂度计算方法LCCN,该方法与预测部分的预测器相关,可以使用更多的相邻像素计算局部复杂度,提高局部复杂度与预测误差的相似性.与现有的局部复杂度计算方法相比,所提LCCN利用了CNN的多感受野特性和深度学习的全局优化能力,能使用更多相邻像素计算局部复杂度,从而选择更多数值较小的预测误差,提高嵌入算法性能.此外,我们还提出了一种适用于LCCN的两阶段RDH方案,该方案可以将LCCN应用于多种嵌入方法.实验结果表明,与现有的几种局部复杂度计算方法相比,本文所提方法在标准测试图像和Kodak数据集上嵌入性能更好,在基于LPVO的嵌入技术中,本文所提LCCN模型嵌入10000bits后图像Lena的PSNR为62.09dB,分别高于LV、FV、EE和LAE算法1.05dB、1.02dB、0.78dB和0.90dB.与现有的先进RDH算法比较,本文所提LCCN模型在不同图像上均取得较好效果.

关键词：可逆信息隐藏局部复杂度深度学习卷积神经网络预测误差隐私计算

在线全文

学校读者我要写书评

暂无评论

体域网中基于多因子优先级的高效资源调度

电子与信息学报 2024年第4期46卷 1247-1256页

作者：张政易琛林金朝庞宇李国权李章勇李春国重庆邮电大学通信与信息工程学院重庆400065 东南大学信息科学与工程学院南京210096

媒体访问控制(MAC)在确保无线体域网(WBAN)的正常运行方面起着关键的作用。然而,动态环境下紧急数据低延迟和低能耗的高性能需求仍未很好地解决。该文提出一种多因子紧急调度方案(MESS)来满足这样一个严格的需求。首先,针对实际应用场... 详细信息

媒体访问控制(MAC)在确保无线体域网(WBAN)的正常运行方面起着关键的作用。然而,动态环境下紧急数据低延迟和低能耗的高性能需求仍未很好地解决。该文提出一种多因子紧急调度方案(MESS)来满足这样一个严格的需求。首先,针对实际应用场景中数据异质性的特性,设计一种数据分类方法,该方法将数据分为周期数据和紧急数据,这对不同的节点来说更加符合实际情况;其次,设计一种多因子优先级划分方案,包括疾病相关因子、关键程度因子、健康严重程度因子和信息年龄因子,4个因子可以更全面地考虑节点的关键特征;此外,还设计了一种动态时隙分配和排序方法,将节点的时隙依据数据分类和多因子优先级进行动态分配和排序。理论分析和仿真实验结果表明,相较于传统方案所提方案在延迟和能效方面具有明显优势。

关键词：无线体域网动态感知媒体访问控制资源调度多因子

在线全文

学校读者我要写书评

暂无评论

基于迁移学习和参数优化的干扰效能评估方法

电子与信息学报 2024年第6期46卷 2515-2524页

作者：孙志国肖硕吴毅杰李诗铭王震铎哈尔滨工程大学通信与信息工程学院哈尔滨150001 上海航天电子技术研究所上海201109

针对数字通信系统中传统误码率评估导致干扰效能评估结果单一的问题,该文提出了一种基于迁移学习和参数优化的干扰效能评估方法。该方法选取各信号处理模块的核心参数作为机器学习的训练指标,并以优劣解距离的评估结果作为分类标准,采... 详细信息

针对数字通信系统中传统误码率评估导致干扰效能评估结果单一的问题,该文提出了一种基于迁移学习和参数优化的干扰效能评估方法。该方法选取各信号处理模块的核心参数作为机器学习的训练指标,并以优劣解距离的评估结果作为分类标准,采用支持向量机训练评估模型。通过改进蚁群算法的全局搜索能力和迁移学习的知识传递特性分别解决了支持向量机中的参数优化问题和训练样本中的数据缺失问题。仿真实验结果表明,掌握源域数据集的支持向量机在模型准确度方面提升4.2%,牺牲初始收敛能力的参数优化与最优解的靠近程度提升4.7%,并且可以应用于数字通信系统的干扰效能评估。

关键词：干扰效能评估数字通信支持向量机蚁群优化迁移学习

在线全文

学校读者我要写书评

暂无评论

在线社交网络中用户地理位置预测综述

计算机研究与发展 2024年第2期61卷 385-412页

作者：刘乐源代雨柔曹亚男周帆电子科技大学信息与软件工程学院成都610054 中国科学院信息工程研究所北京100093

随着智能移动终端的日益普及,人们越来越多地利用社交网络平台(如Twitter、新浪微博等)获取信息、评论和交流.虽然全球卫星定位系统(GPS)设备能够精确获取位置信息,但是大量用户出于隐私和安全的考虑不会直接共享自己的位置信息.因此,... 详细信息

随着智能移动终端的日益普及,人们越来越多地利用社交网络平台(如Twitter、新浪微博等)获取信息、评论和交流.虽然全球卫星定位系统(GPS)设备能够精确获取位置信息,但是大量用户出于隐私和安全的考虑不会直接共享自己的位置信息.因此,如何获取在线用户的地理位置成为了一个前沿的研究领域以及学术界和工业界共同关注的重要课题,并且成为众多下游应用的基础,例如基于位置的定向广告投放、事件/地点的推荐、自然灾害或疾病预警和网络犯罪的追踪等.详细总结了预测社交网络用户地理位置的方法、数据、评价体系和基础算法.首先,归纳了不同的定位任务以及相应的评价指标;其次,针对不同的任务梳理所用的数据类型和数据融合方式,并且,详尽分析了已有的信息抽取和特征选择方式及其优缺点;再次,对现有定位模型和算法进行分类,从地名词典、传统机器学习和深度学习3个方面对用户定位方法进行阐述和分析;最后,总结了社交网络用户地理位置预测的难点和面临的挑战,并展望该领域的发展趋势和未来研究所需要关注的方向.

关键词：社交网络地理位置预测数据分析与融合信息抽取时空特征

基于YOLO v5的农田杂草识别轻量化方法研究

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2024年第1期55卷 212-222,293页

作者：冀汶莉刘洲邢海花西安科技大学通信与信息工程学院西安710600 海南师范大学信息科学技术学院海口571158

针对已有杂草识别模型对复杂农田环境下多种目标杂草的识别率低、模型内存占用量大、参数多、识别速度慢等问题,提出了基于YOLO v5的轻量化杂草识别方法。利用带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration, MS... 详细信息

针对已有杂草识别模型对复杂农田环境下多种目标杂草的识别率低、模型内存占用量大、参数多、识别速度慢等问题,提出了基于YOLO v5的轻量化杂草识别方法。利用带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration, MSRCR)增强算法对部分图像数据进行预处理,提高边缘细节模糊的图像清晰度,降低图像中的阴影干扰。使用轻量级网络PP-LCNet重置了识别模型中的特征提取网络,减少模型参数量。采用Ghost卷积模块轻量化特征融合网络,进一步降低计算量。为了弥补轻量化造成的模型性能损耗,在特征融合网络末端添加基于标准化的注意力模块(Normalization-based attention module, NAM),增强模型对杂草和玉米幼苗的特征提取能力。此外,通过优化主干网络注意力机制的激活函数来提高模型的非线性拟合能力。在自建数据集上进行实验,实验结果显示,与当前主流目标检测算法YOLO v5s以及成熟的轻量化目标检测算法MobileNet v3-YOLO v5s、ShuffleNet v2-YOLO v5s比较,轻量化后杂草识别模型内存占用量为6.23 MB,分别缩小54.5%、12%和18%;平均精度均值(Mean average precision, mAP)为97.8%,分别提高1.3、5.1、4.4个百分点。单幅图像检测时间为118.1 ms,达到了轻量化要求。在保持较高模型识别精度的同时大幅降低了模型复杂度,可为采用资源有限的移动端设备进行农田杂草识别提供技术支持。

关键词：杂草识别目标检测 YOLO v5s 轻量化特征提取网络 Ghost卷积模块注意力机制

利用离散时间聚合图的无人机编队最短时延路由协议

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

电子与信息学报 2024年第5期46卷 1931-1939页

作者：李博王改芳杨洪娟茹雪菲张敬淳王钢哈尔滨工业大学(威海)信息科学与工程学院威海264209 哈尔滨工业大学通信技术研究所哈尔滨150001

针对传统的无人机编队路由算法无法有效利用拓扑变化的可提前预知特性、以发送探测包的方式获取链路的连接情况会导致开销大等问题,该文引入时变图模型,提出了基于离散时间聚合图的无人机编队最短时延路由协议。首先,利用无人机编队网... 详细信息

针对传统的无人机编队路由算法无法有效利用拓扑变化的可提前预知特性、以发送探测包的方式获取链路的连接情况会导致开销大等问题,该文引入时变图模型,提出了基于离散时间聚合图的无人机编队最短时延路由协议。首先,利用无人机编队网络的先验知识,如节点的运动轨迹以及网络拓扑变化情况,使用离散时间聚合图对网络的链路资源和拓扑进行表征。其次,基于该图模型设计路由决策算法,即在路由探索阶段将链路时延作为链路权重求解网络的源节点到目的节点的最短时延路由。最后,性能仿真结果表明,该路由协议与传统按需距离矢量路由协议相比提高了网络的分组投递率、降低了端到端时延和网络的控制开销。

关键词：无人机自组网无人机编队时变图模型最短时延路由

在线全文

学校读者我要写书评

暂无评论

电子鼻技术及其应用研究进展

材料导报 2024年第14期38卷 56-69页

作者：穆申玲沈文锋吕大伍宋伟杰谭瑞琴宁波大学信息科学与工程学院中国科学院宁波材料技术与工程研究所中国科学院大学

电子鼻(Electronic nose, E-nose)技术作为一种有效的嗅觉模拟与气体识别的方法被广泛应用。电子鼻系统由气体传感器阵列组成，利用其交叉敏感性对气体进行检测。电子鼻系统利用机器学习算法，对气体进行定性定量分析。传统的机器学习... 详细信息

电子鼻(Electronic nose, E-nose)技术作为一种有效的嗅觉模拟与气体识别的方法被广泛应用。电子鼻系统由气体传感器阵列组成，利用其交叉敏感性对气体进行检测。电子鼻系统利用机器学习算法，对气体进行定性定量分析。传统的机器学习算法在电子鼻系统中的应用已经成熟，如今深度学习算法也慢慢在电子鼻系统中应用。电子鼻系统具有选择性高、精密度好、反应快速、稳定性和延展性好的特点，被应用于包括有毒气体检测、空气质量管理、食品新鲜度和质量预测等方面。本文从气体传感器阵列的组成、信号采集与处理单元、模式识别算法的分类以及电子鼻系统在实际中的应用等方面综述了电子鼻系统气体识别的最新研究进展，最后对电子鼻系统气体识别目前所存在的问题以及发展前景进行了总结和展望。

关键词：传感器阵列信号采集与处理模式识别算法电子鼻技术气体识别

SAR ATR中标签噪声不确定性建模与纠正

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

雷达学报（中英文） 2024年第5期13卷 974-984页

作者：于跃王琛师君陶重犇李良唐欣欣周黎明韦顺军张晓玲苏州科技大学电子与信息工程学院苏州215000 电子科技大学信息与通信工程学院成都611731 四川航天系统工程研究所成都610100 重庆交通大学信息科学与工程学院重庆400074 电磁空间安全全国重点实验室成都610036

深度监督学习在合成孔径雷达自动目标识别任务中的成功依赖于大量标签样本。但是,在大规模数据集中经常存在错误(噪声)标签,很大程度降低网络训练效果。该文提出一种基于损失曲线拟合的标签噪声不确定性建模和基于噪声不确定度的纠正方... 详细信息

深度监督学习在合成孔径雷达自动目标识别任务中的成功依赖于大量标签样本。但是,在大规模数据集中经常存在错误(噪声)标签,很大程度降低网络训练效果。该文提出一种基于损失曲线拟合的标签噪声不确定性建模和基于噪声不确定度的纠正方法:以损失曲线作为判别特征,应用无监督模糊聚类算法获得聚类中心和类别隶属度以建模各样本标签噪声不确定度;根据样本标签噪声不确定度将样本集划分为噪声标签样本集、正确标签样本集和模糊标签样本集,以加权训练损失方法分组处理训练集,指导分类网络训练实现纠正噪声标签。在MSTAR数据集上的实验证明,该文所提方法可处理数据集中混有不同比例标签噪声情况下的网络训练问题,有效纠正标签噪声。当训练数据集中标签噪声比例较小(40%)时,该文所提方法可纠正98.6%的标签噪声,并训练网络达到98.7%的分类精度。即使标签噪声比例很大(80%)时,该文方法仍可纠正87.8%的标签噪声,并训练网络达到82.3%的分类精度。

关键词：合成孔径雷达标签噪声标签噪声纠正标签噪声不确定性建模模糊聚类算法