基于k-means的机场终端区对流天气场景识别

针对天气现象和空中交通的不确定性,通过k-means聚类算法识别终端区对流天气相似性,将历史运行场景分类.提取相似性天气和交通特征,运用皮尔逊相关系数法选择特征,通过主成分分析进行特征降维.结合空域结构使用聚类算法确定分类,并从时空及典型日视角切入,分析不同对流天气场景对空域通行能力的影响.以广州终端区为例进行实验,结果表明,影响终端区交通情况的天气分类具有一定的合理性,能为交通流量管理措施提供指导辅助决策.     

终端区空中交通管制运行品质评价因子研究

终端区空中交通管制运行品质包含多个因素,每个因素都会对其运行品质造成一定的影响,也就是说每个因素之间的关系是相互联系关系,如果对其中的一个因素进行改进都会影响到其它因素,因此,为了能保证终端区空中交通管制运行的最优化,需要对每一个影响运行品质的因素进行综合性评价.本文基于因子分析的方法对评价因子进行了相关研究.以南京终端区为例,采用专家调查法选取六项指标作为重点研究对象,采集终端区空中交通管制运行繁忙时段作为样本,进行品质评价因子的研究.研究结果表明,流量,安全、效率是终端区空中交通管制运行品质最为重要的评价因子.通过管制专家展开模糊性综合评价,所得结果证明因子分析结果和实际情况相符合.经研究结果得出定量分析是综合改善终端区管制运行品质的重要决策导向和检验依据.     

基于SDAE的终端区气象场景模式识别方法

气象条件是影响终端区航空器运行安全及效率的主要因素之一。为提高终端区气象场景模式识别精度,采用基于堆叠降噪自编码(SDAE)的聚类模型,在输入层添加随机噪声、构建3层自编码、逐层贪婪训练,降维后的特征作为聚类的输入,实现气象场景的模式识别。以天津滨海国际机场2022年气象观测数据为例,基于SDAE与欧氏距离、汉明距离、曼哈顿距离等传统相似性距离度量方法,分别使用K-medoids与FCM两种聚类方法进行验证。结果表明：基于SDAE的相似性度量在K-medoids与FCM聚类中均表现最优,与其他相似性度量相比差异率分别达到22.4%,12%,17.7%与24.8%,10.7%,11.8%,且运算时间最短,证明了基于SDAE的度量、聚类效果最优,最终识别出8个气象场景,各场景分类清晰明确。     

典型室内场景显著性稀疏识别

随着信息技术和智能机器人的发展与普及,场景识别作为重要的研究内容,已成为计算机视觉和模式识别领域的重要研究问题.解决室内场景分类精度低的问题,将有助于室内场景分类在场景图片检索、视频检索及机器人等领域中的应用.针对常规场景识别方法在室内环境中性能显著下降的问题,提出一种基于显著性检测的稀疏表示室内场景识别方法.该方法利用显著性区域检测算法提取出场景图像中人眼感兴趣的区域,并与稀疏表示结合进行场景识别.实验结果表明,将本方法应用在典型家庭室内场景(如卧室、厨房、衣帽间等),在识别正确率方面有一定的优势.     

基于PHMM的终端区航空器综合态势识别

航空器在终端区飞行时,由于受到诸多因素的影响,导致其不能严格按照计划航线飞行。通过分析历史航迹数据,提出了一种基于并行隐马可夫模型的终端区航空器综合态势识别方法。首先提取航迹数据的各类特征点,然后根据其x坐标、Y坐标以及Z坐标建立3个隐马尔可夫模型。通过训练3个模型的参数,对航空器在终端区内的高度态势、速度态势以及方向态势进行识别。最后采用综合分析方法对航空器的综合态势进行识别。实验表明,该方法能够快速、准确、有效地识别出终端区航空器的综合飞行态势,为管制员发布管制指令提供依据。     

基于CNN和随机弹性形变的相似手写汉字识别

针对手写汉字中相似汉字的识别问题,构建了一种卷积神经网络(CNN)模型,并给出了其网络拓扑结构,通过随机弹性形变对样本集进行扩展,以提高模型的泛化性能.相似手写汉字的识别实验结果表明:相对于常规的CNN模型,文中CNN模型的手写汉字识别正确率提高1.66%,特别是对于变形的手写汉字,识别正确率提高12.85%;相对于传统的手写汉字识别方法,文中方法的识别错误率降低36.47%,从而验证了文中识别方法的有效性.     

基于三角模糊熵-VIKOR法的终端区管制运行效率评估模型

为了科学准确地对终端区管制运行效率进行评估,考虑终端区管制系统运行过程与特点,建立了终端区管制系统运行效率评估指标体系。应用三角模糊数法和熵权法分别求出各指标的主观权重和客观权重,利用最小相对信息熵法得出两种权重的组合权重。基于VIKOR法构建终端区管制运行效率评估模型,计算终端区管制运行效率指数值,根据运行效率指数值的大小对终端区管制系统进行效率评估,并将评估结果与灰色关联TOPSIS法的评估结果进行对比,验证了该评估模型的合理性。     

基于Haar-CNN模型的自然场景图像分类的研究

研究基于Haar-CNN模型的图像特征提取用于自然场景图像分类的问题.Haar小波变换是图像处理中常见的一种变换,可以提取图像的局部和空间信息,并把彩色图像的颜色、轮廓和纹理信息进行分层次的表达.卷积神经网络(CNN)是一种得到广泛研究与应用的深度学习模型,对图像特征具有很好的表达能力.基于Haar小波变换和CNN模型的优势,提出一种新的图像特征提取方法,即Haar-CNN模型;利用该模型提取得到图像更丰富的特征信息;然后比较基于Haar-CNN和CNN模型提取的自然场景图像特征在分类中的效果,探究Haar-CNN模型对于自然场景图像特征提取的优势.再对比在不同颜色空间上Haar-CNN模型对自然场景图像的分类效果,实验结果表明YCb Cr颜色空间上的分类精度最高,为96.2%,比灰度图像的分类精度提高了7.8%.同时,进一步分析Haar-CNN模型中图像块大小、隐藏层神经元个数、池化区域大小、模型深度等参数对图像分类精度的影响,实验结果表明参数选择对图像分类很重要,合适的参数选择可以提高分类精度.     

基于分区域特征提取的单张图像天气识别

针对单张图像的传统天气识别方法准确率较低,以及对天空区域不明显的图像具有识别局限性的问题,提出基于分区域特征提取的天气识别方法;在含有晴天、多云、阴天、雾天4种天气的数据集中,对图像进行天际线分割,并识别天空区域与地面区域;分别提取图像中天空区域、地面区域和图像整体的纹理特征、形状特征及颜色特征,并利用随机森林分类模型进行训练和测试。结果表明,该方法对于单张图像天气识别的准确率为92.6%,可以准确地识别图像天气,具有较强的实用性和普适性。     

集成综合评价法的终端区管制运行效率评估

终端区管制运行效率评估中指标信息间具有差异性且量纲不统一的特点.针对传统的主成分分析法对数据做标准化处理时会消除指标间差异性的不足,基于改进的主成分分析法并结合熵值法的客观性提出了一种终端区管制运行效率的集成综合评估模型.该模型运用均值化代替标准化处理指标数据,借助SPSS23软件分别得出改进的主成分分析法和熵值法评估排序结果.将两种评估结果通过一致性检验得到最终的终端区管制运行效率集成综合评估值及排序结果.算例结果表明,所建立的评估模型可以更高效的评估终端区管制运行效率.     

终端区交通态势识别研究

终端区交通态势日益拥挤,严重制约了航空运输业的快速健康发展。为了科学评估空中交通状态,提高空域资源的利用率,对终端区交通态势进行了研究。提取影响终端区的属性指标,运用模糊C-均值聚类(FCM)对数据进行分类离散化,采用粗糙集理论分析各属性的权重,并结合模糊关系矩阵构建终端区交通态势识别模型。采用FCM和FCM-粗糙集两种识别方法对终端区交通态势进行识别。结果表明FCM-粗糙集模型既可避免人为因素干扰,还可解决数据多属性冗余问题,使交通状态判断更加准确可信;终端区交通态势分四类时,效果最好。该模型为终端区交通态势识别提供了新的研究方法。     

基于深度学习的场景遥感图像分类方法研究

为了解决场景遥感图像通常分类性能较差、分类精度不高的问题,提出一种基于改进VGG16的场景遥感图像分类方法.针对传统VGG16模型参数量庞大的问题,对通道数以及参数量进行缩减.在算法运行过程中对数据进行正则化处理,并在分类方法中加入注意力机制.通过将注意力机制与CNN模型进行结合,并对两者进行端到端的训练,提高了模型的...     

基于CNN与MFCC的城市场景声音识别

城市环境中包含着各种各样的杂音,针对这种复杂的声音识别环境,该文提出一种基于MFCC与CNN的声音识别方法.首先对城市环境声音样本进行梅尔特征提取,取得特征图之后由卷积神经网络进行训练、测试获得CNN特征,最后由SVM分类器识别分类,并将其与常见的音频识别方法对比分析,在识别速度和识别率上均有所优化,实验表明,此方法在复杂环境下能够得到较好的声音识别效果.     

基于YOLOv3算法和深度特征的地点识别方法

针对视点、外观等因素变化给地点识别应用带来的不利影响,设计了1种基于显著路标及深度特征的地点识别方法.首先分割图像中的显著物体作为候选路标;然后设计YOLOv3算法网络,对候选路标进行识别,以删除不适合环境建模的特定对象类型;最后在图像相似度测量中,利用中层卷积层的性能特点,提取候选路标的卷积神经网络(convolutional neural networks,CNN)特征,并结合降维操作,提升匹配效率.在3个具有挑战性的公开数据集上进行了试验,与FAB-MAP、SeqSLAM和Place-CNN等先进方法进行了比较,该方法的平均识别精度达到71.22％,优于其他3种方法,表明经过筛选的显著路标的CNN特征可以抵御强烈的视点和外观变化.     

基于PNCC与基频的鲁棒电话语音性别检测方案

针对电话语音性别检测存在识别准确率较低的问题,提出了一种有效的电话语音性别检测方案(CNN+SVM); 首先,采用卷积神经网络(Convolutional Neural Network, CNN)提取幂律归一化倒谱系数(Power-Normalized Cepstral Coefficient, PNCC)的有效信息;然后, 结合优化后的基频特征,选用支持向量机(Support Vector Machine, SVM)实现性别分类.该方案有效融合了男、女发音和听觉感知特性上的差异,同时利用了CNN特征提取能力以及SVM鲁棒分类能力.仿真结果表明:CNN+SVM方案针对实际场景电话语音数据集的性别识别准确率优于传统识别方法.     

基于卷积神经网络的低分辨雷达目标一步识别技术

现有低分辨雷达目标识别通常采用先特征提取、再进行目标分类的两步识别算法,存在识别率难以提高和方法泛化性不足的问题,因此提出了一种基于卷积神经网络(CNN)的低分辨雷达目标一步识别算法。该算法直接将采样数据作为输入,利用设计的一维CNN,通过卷积池化等操作自动获取数据深层本质特征,无需特征提取,实现对目标的一步识别。仿真实验结果表明:基于CNN的低分辨雷达目标一步识别方法的识别率较传统基于提取特征的两步识别方法提高了10.31%,识别时间较传统两步识别方法减少了0.142 s,充分证明了一步识别方法的有效性,为低分辨雷达目标识别问题提供了新的解决途径。     

基于熵组合权重的终端管制运行质量评价

终端区处在进离场航线交汇处,易导致空中交通拥堵.为了客观准确地评价终端区管制运行质量,针对空中交通服务的特点,建立空中交通管制服务质量评估指标体系.对其中指标进行标准化处理,得到规范化判断矩阵.通过最小相对信息熵原理对主客观权重进行组合.使用灰色关联度和逼近理想解的随终端区管制服务质量进行评价,评价结果能够有效地反映管制服务的服务质量,从定量分析的角度为空管服务质量管理提供了参考依据.     

基于多特征的洞库类目标识别方法

针对洞库类目标自动识别研究较少、识别率较低、识别方法成本较高等问题,设计了基于多种特征的洞库类目标识别算法.探讨了典型洞库类目标的模型并总结其主要特征;其次利用HOG特征对输入图像进行初步筛选,筛选出包含有洞库类目标的图像;然后基于洞库类目标的灰度特征提出了一种图像局部自适应阈值生成算法Wiblack提取图像中的疑似目标;最后搭建了洞库类目标的数学模型,并提出了基于形状相似度的目标判别算法,采用圆形相似度与椭圆形状相似度二次相似度判别方法,最终得出识别结果并描述目标轮廓,完成目标识别.实验结果表明该方法在洞库类目标的识别应用中有效可行,基于本文实验数据的识别准确度为92.6%.      

基于随机森林的手指静脉识别方法研究

利用手指静脉造影识别人的身份已发展成为自动身份识别领域的一种重要方式,并广泛应用于多种实际场景。为了提升手指静脉图像的识别率,提出了一种基于随机森林的手指静脉识别方法。先将灰度化的手指静脉图像利用圆形等价模式LBP算子计算出编码值,然后通过子窗口直方图降维获取用于识别的特征向量,用随机森林集成分类器完成分类识别。通过实验对比分析,结果表明该方法能达到较理想的识别效果。     

基于CNN的棉田杂草识别方法

针对杂草的精确喷洒问题提出一种基于卷积神经网络(Convolution Neural Network, CNN)的棉花植株和杂草的检测识别方法。首先采集不同环境下棉田中棉花植株和不同种类的杂草图像作为网络模型的数据集，对数据集进行数据增强来增加数据集的数量，将其分为训练集与测试集；然后构建CNN模型，在模型中添加Dropout层，以防止网络出现过拟合，将训练集数据输入网络模型，使模型学习棉花植株和杂草的特征信息；最后将测试集数据输入CNN模型，测试CNN模型对棉花植株和杂草的识别能力。研究结果表明CNN对于棉花植株和杂草的分类结果精度超过了99.95%,识别时间为197.2s,证明CNN可以快速高效的识别棉田中棉花植株和杂草，为农业智能精确除草装备的研发提供研究基础。