基于大气电场特征的雷电临近预警方法

针对现有雷电预警技术适用性不强的现状,提出了一种基于大气电场特征的雷电临近预警方法。首先对比了典型雷暴天气与非雷暴天气大气电场的幅值特征;然后采用希尔伯特-黄变换(HHT)提取了二者固有的本征模态分量;最后运用雷电定位系统记录的一次雷暴过程进行预警反演分析。结果表明:结合大气电场幅值及其本征模态分量特征的雷电临近预警方法在不同地区具有很好的运行效果,且命中率约为0. 78、TS评分达到0. 615。该雷电临近预警方法使得在雷暴来临前采取主动性规避措施成为了可能,进一步地提高了雷害防护水平。     

地面三维大气电场与雷暴云电荷方位的关系

为了能在地面探测空中雷暴云电荷的空间方位,提出了一种利用地面三维大气电场和相对介电常数的测量来确定雷暴云电荷方位的方法。文中分析了空中电荷在地表产生的电场大小和方向关系,建立了雷暴云和大地的静电场分布模型,给出了通过三维大气电场值和地表介电常数值反演空中雷暴云电荷方位的公式。通过自主研发的电场探测系统,发现在干燥土壤,岩石等相对介电常数较小的地表存在较大的水平电场分量,验证了在地面探测雷暴云电荷方位的方法具有可行性。     

基于LLS的雷暴运动趋势临近预测

目前的雷电预报预警无法针对指定区域短时间内的落雷范围、地闪密度和雷暴轨迹做出较为准确的分析和判断。为改善雷电预报预警的被动性,提出了一种具有主动预测前瞻性的改进密度聚类的雷暴运动趋势临近预测方法。首先引入核密度估计和加权欧氏距离改进聚类算法,对雷电定位系统提供的实时地闪数据进行聚类分析;然后根据雷暴中心时移位置的变化,最小二乘法拟合雷暴运动二次曲线轨迹,克里金插值法计算落雷密度,实现雷暴临近预测。实验结果表明,预测雷暴中心与实际位置偏差在3 km以内,偏离度小于5%,落雷次数预测准确率高达80%以上,雷暴云覆盖范围预测偏差在20%以内。为提高雷电预警的准确性和降低误报率提供了重要的支持。     

基于地面电场的雷暴云电荷结构混合反演

为了解决雷暴云电荷结构的反演问题,在分析球对称电荷模型的基础上,推导了一个非线性方程组,提出了一种利用地面电场资料对雷暴云电荷结构反演的混合算法。该算法以粒子群算法为基础,针对方程组显著的非线性,构造了压缩因子φ,将模拟退火算法嵌入带压缩因子的粒子群算法中,并结合地面多站电场资料,对雷暴云的电荷结构进行了反演。反演得到该雷暴云发展成熟时,雷暴云底高度均值1 650 m,云底存在一定强度的正电荷,云内为强度较大的主负电荷区和主正电荷区,电荷区厚度均值为788 m。结果表明,江南地区的雷暴云电荷呈现典型的三极型结构。     

雷暴天气特征分析及其防灾减灾措施

雷暴天气是指伴有雷电、冰雹、大风和强降水的局部地区的强对流天气。我国夏季雷电灾害占全年雷电灾害的66%,严重威胁到飞机人工降雨、高炮防雹作业的安全。因此,文章将分析我国雷暴天气的时空分布特征,探讨雷暴天气成因和预报预警方法,研究雷暴天气防灾减灾的途径及方法,为雷暴天气短临预报预警提供参考。     

基于递进式级联卷积神经网络的混凝土裂缝识别方法

基于深度学习的卷积神经网络方法是目前图像裂缝识别鲁棒性较高的方法,主要分为滑动窗口法和图像分割法。滑动窗口法存在后期阈值分割裂缝精度不高的问题;全局图像分割法存在裂缝区域数据和背景区域数据严重不均衡问题,会对裂缝分割精度产生影响。采用了基于递进式级联卷积神经网络的方法对混凝土表面裂缝进行识别:首先采用全卷积神经网络一次性判断图像中所有密集重叠窗口区域内是否含有裂缝,然后将含有裂缝的窗口区块提取出来作为感兴趣区域,再基于轻量化的U-Net图像分割网络作用于感兴趣区域,将裂缝区域精确地提取出来。试验结果表明,所提出的基于递进式级联卷积神经网路的裂缝识别方法优于直接使用滑动窗口法和全局图像分割法,有着可靠的应用前景。     

神经网络方法在变电站消防管理的应用研究

为了提升变电站消防管理科学化水平,实现视频图片火焰特征提取及识别定位。接入视频监控码流数据,构建基于卷积神经网络的火焰识别模型,进行实时识别火焰特征并预警预报。实验表明,该方法能够自动提取火焰特征,有效提高复杂背景下的火焰识别的准确率,具有良好的鲁棒性和泛化能力,在变电站消防管理中有较大应用前景。     

基于雷电数据库的雷灾预警方法初探

结合雷暴预警的重要意义,针对国内雷电短时监测预警现状,通过统计雷电发生的各要素并建立数据库,尝试寻找一种更为有效和实用的雷灾预警方法,并确定雷暴高发区,以期指导雷电防护工作。     

基于卷积神经网络的结构损伤识别研究进展

为系统梳理基于卷积神经网络的工程结构损伤识别方法的发展脉络和研究现状,分别从结构损伤的识别目的和在不同类型结构中的应用两方面进行了归类、分析和评价。介绍了卷积神经网络的基本结构和评价指标,回顾了卷积神经网络的研究和应用历程。在损伤的识别目的方面,主要针对混凝土结构损伤的分类、定位和分割,详细介绍了基于不同类型卷积神经网络的结构损伤识别方法,即基于分类的方法、基于回归的方法和像素级的图像分割算法; 分析了各类方法所使用的卷积神经网络模型的结构特点、计算流程、训练方法和损伤识别性能。在不同类型结构的损伤识别方面,分析了卷积神经网络在砌体结构、钢结构桥梁和古建筑木结构裂缝识别中的应用。最后,基于对卷积神经网络优缺点的思考,提出了发展建议和展望。结果表明:训练样本中结构损伤的多样性对模型的损伤识别效果影响较大; 现有基于卷积神经网络的损伤分割方法模型参数较多,计算量大; 采用数据增广和迁移学习方法可有效防止模型过拟合,提高模型训练效率; 针对微小损伤和不同类型结构损伤的识别,此类方法的性能有待提高。     

基于潜势预报和雷达回波特征的雷电预报方法

针对现阶段仅依靠探空资料和潜势预报无法精准地预测雷电高发地区的现状,提出了一种基于潜势预报和雷达回波特征的雷电预报方法。首先采用L1正则化法筛选雷电预报因子,然后对3 h的潜势预报模型进行BP神经网络训练;在此基础上,利用潜势预报结果和雷达回波特征进行二次训练,构建30 min的临近预报模型;最后运用一次典型的雷暴过程进行方法检验,结果表明当概率阈值超过0.4时,临近预报的TS评分明显高于潜势预报。该雷电预报方法在空间精度和时间频率上均有明显提升,对提高雷电预报的准确率具有重要的作用。     

基于卷积神经网络的手写数字识别研究

随着科技的不断发展,卷积神经网络被广泛应用于各个领域之中,研究热点之一就是手写数字的识别。文章基于深度学习卷积神经网络,用MNIST数据集作为训练集和测试集,同时对卷积神经网络中的卷积层、池化层和全连接层以及激活函数进行介绍,并在Python的环境下输入手写数字图片,然后通过卷积神经网络经典模型运用到所提供的数据集进行效果识别,将卷积神经网络数据集进行训练,在训练好的卷积神经网络中取得了较好的实验效果,最终该手写数字识别实验准确精度可以达到99.1%。     

结合迁移学习和Inception-v3模型的路面干湿状态识别方法

针对传统方法对路面干湿状态识别分类正确率较低的情况,提出了基于迁移学习的路面干湿状态识别方法。利用深度卷积神经网络强大的特征学习和表达能力,自动学习干湿路面的特征,并采用迁移学习的方法将Inception-v3模型在ImageNet图像数据集上学习得到的知识深度迁移至路面干湿状态识别任务。实验结果表明,所提算法在测试集上测得的分类准确率约为94.5%,与非迁移学习算法和基于底层视觉特征识别学习的算法相比,具有更高的准确性和良好的鲁棒性,以及较强的泛化能力。     

地闪回击电场波形参数分析及类型自动识别程序设计

针对正负地闪准确区分识别技术手段较难的缺陷,对闪电电场的波形进行了分析,对地闪回击波形的参数特征进行了分析和统计,并研究闪电放电类型的自动识别。利用时间分辨率为50 ns的快天线电场变化和126 MHz甚高频(VHF)辐射资料,对雷暴过程中闪电的波形进行时域特征分析。通过对闪电电场波形数据的分析,给出了识别地闪回击的依据,设定回击的上升时间在1~20μs之间,下降时间在2.5~500μs之间,编写程序实现回击的自动识别,并进行了实际测试。结果表明,自动识别程序对负地闪回击的识别效率可达95%,实现了较为有效的自动识别,对于雷电探测和雷电防护工作来说有很大的实用价值。     

基于卷积神经网络的图像大数据识别

针对现有的图像大数据识别方法具有收敛速度慢和识别精度低的问题,提出了一种基于卷积神经网络的图像大数据识别方法。首先,对传统的卷积网络结合改进的软最大化分类器进行分析,设计了卷积-软最大化分类器模型;对该模型中的卷积层、池化层、全连接层以及分类层均进行了描述。为了验证所提方法的优越性,在MNIST数据集上进行仿真,结果表明:与其它类似算法相比,所提的方法具有更低的误识率,在更短的时间内,能达到更低的分类均方误差。     

基于卷积神经网络车辆行驶的识别预警系统

随着人们的生活水平不断提高,汽车的使用更具普遍性.为了使汽车的行驶安全得到保障,使车辆行驶的识别预警系统性能得到提高,对卷积神经网络的模型与作用机制进行了剖析,并进行了相关的车辆识别预警实验.结果显示,基于卷积神经网络车辆行驶的识别预警系统具有较强的优越性与可行性,其识别检测耗时仅需要1.5356 s,且准确率较高.将...     

云闪过后云中电荷结构变化对触发上行闪电影响的数值模拟

为了探讨云中电荷结构变化对触发上行闪电的影响,进一步研究触发上行地闪的背景条件,将上行闪电随机放电参数化方案耦合到二维雷暴云起、放电模式中,调整后得到一个变化背景电场下的二维上行闪电参数化方案。在此方案基础上,进行了多组上行闪电放电模拟实验。模拟实验结果表明:1)本文中的上行闪电二维参数化方案能较好地模拟出接近真实雷暴云下的上行闪电发展过程和上行闪电上方雷暴云中电荷分布,为对上行闪电进行进一步研究提供了模式基础;2)云闪发生后易于产生上行闪电,是因为云闪消耗了较高处的大量电荷,底部近地面处电荷区积累扩大,使底部电场相对增加,促使该雷暴云底部附近的区域高层建筑物上产生上行先导。     

基于FCN的岩石混凝土裂隙几何智能识别

裂隙几何的精准、高效识别是建立岩石混凝土材料非连续力学模型的基础。传统算法,如阈值分割、边缘检测与区域生长法等,基于有限经验,工作量大且识别精度低。人工智能识别迥异于人类经验,可自我循环、可自我正反馈甚至可实现自我学习。人造类材料中混凝土性能最接近于岩石,具有相似的裂纹几何分布特征。针对天然岩石与混凝土裂隙识别,尝试提出基于全卷积神经网络的智能识别算法。首先建立基于混凝土3种应用场景(建筑结构、路面及隧道表面)的裂隙数据集,经过卷积操作、池化操作与反卷积操作实现了误差值的迅速收敛。引入新的卷积核参数,架构新的全卷积网络,基于像素的二分类问题,利用查准率与查全率对识别模型进行评价,全卷积神经网络识别算法评价指标较好。进而结合矢量化算法,实现了裂隙几何长度、宽度及面积的实时统计。最后对边缘检测、大律法、区域生长法及全卷积神经网络算法进行了验证,任意选取5组图像进行识别,新算法提取的裂隙与标签图在定性上最相近,并且在定量上查全率与查准率也极大优于传统算法。全卷积神经网络随着自我学习的深入还可不断提高识别精度,降低误差,未来在岩石、混凝土等工程领域的应用具有巨大生命力。     

卷积神经网络在心拍类识别中的应用

本文基于卷积神经网络进行心拍类识别中的应用进行处理,可以有效的解决数据不平衡的问题,通过构建CNN模型提取心拍特征,综合各类别CNN模型进行识别与分类处理,其效果显著。基于此,文章主要对卷积神经网络在心拍类识别中的应用分析进行了简单的研究。     

考虑残差学习的深层卷积神经网络在结构损伤识别中的应用研究

提出了一种考虑残差学习的深层卷积神经网络损伤识别方法,并将其应用到框架结构节点损伤识别中。采用试验研究方式对所提方法进行了深入探讨,结果表明该方法可以很好地解决网络深化带来的网络退化或梯度爆炸、弥散导致的收敛困难和识别准确率差等问题,能对结构损伤诊断中的损伤定位这一复杂问题进行有效识别。在对试验框架节点损伤位置识别的对比研究中,考虑残差学习的深层卷积神经网络收敛速度和准确率均高于常规浅层神经网络和深层神经网络,有极高的准确率和稳定性,从而使得对于工程中复杂结构损伤诊断所需要的更深层、更复杂网络的搭建成为可能。此外,为提升网络用训练样本的质量和数量,依据样本划分规律提出了一种新的数据样本扩增方法,该方法在相同条件下可以显著增加用以训练的样本量并能弱化数据截断带来的信息缺失,识别准确率和收敛速度也大幅提高,研究显示了该处理方式的有效性和适用性。     

前次云闪对上行闪电始发提供的有利电环境特征分析

主要基于已有的二维雷暴云起、放电模式背景下的上行闪电随机放电参数化方案,来进行二维高分辨率闪电放电的模拟实验,定量探讨了云闪放电过程对上行闪电的触发产生的有利作用。研究结果表明:云闪触发型上行闪电均发生于典型三极电荷结构下,当前次云闪结束后,在上部主正与中部主负电荷区内植入了大量异极性电荷,而底部次正电荷区几乎未受影响。近地面(0-3 km)的空间电位在云闪结束后由负位势转为正位势,负位势阱中心上移甚至消失,地面出现正位势阱中心;云闪放电后,空中原有强电场被摧毁,空间整体电场降低,与此同时,上部主正、主负电荷区对地面电场的作用明显削弱,而由于底部次正电荷区保持相对完整,其对地面电场的作用显著增强,电场极性发生反转、电场值增强,促使上行闪电始发。