利用AMSR-E被动微波数据反演地表温度的神经网络算法

结合对地观测卫星AQUA多传感器/多分辨率的特点,研究了利用AMSR-E被动微波数据反演地表温度的神经网络算法.MODIS地表温度(LST)产品被作为地表温度实测数据,对应的平均温度被用作对应AMSR-E像元的实际地表温度,从而克服由于AMSR-E像元尺度太大和云的影响而难以获得地表实测数据的难点.反演结果分析表明,利用神经网络能够精确地由AMSR-E数据反演地表温度.当使用5个频率10个通道反演时,反演精度最高,说明使用更多的通道能更好地消除土壤水分、粗糙度、大气和其它因素的影响.相对于MODIS温度产品,用此算法反演的平均误差约低于2K.     

针对被动微波AMSR-E数据的土壤水分反演算法

提出了一种针对被动微波AMSR-E数据的土壤水分反演算法。用改进的积分方程模型(AIEM)模拟表明:在给定的粗糙度条件下,土壤水分和发射率之间有很好的线性关系;18.7GHz与10.7GHz的垂直极化(V)微波指数与土壤水分有很好的关系,而且部分消除了土壤粗糙度的影响,相关系数的平方(R-Square)是0.98。因此,建立标准化的微波指数与土壤水分之间的关系是可行的。算法敏感性分析表明,当有降雨时此算法比较敏感。相对于全国农业遥感地面监测东北网点县实测数据,算法平均误差大约是21.5%。此算法低估了土壤水分,用实测数据对反演结果做进一步修正后的误差为7.4%。用AMSR-E数据对2009年2月1日中国主要陆地表面进行了实际反演分析,结果表明反演结果符合实际土壤水分的分布情况,表明算法可行。     

海洋二号扫描微波辐射计冷空定标和地球物理参数反演研究

本文研究了海洋二号(HY-2A)扫描微波辐射计冷空定标方法和数据反演算法。针对HY-2A扫描微波辐射计对地观测和定标扫描的设计原理和观测几何,基于微波辐射计的对地观测数据修正进入冷空反射器的地球信号,建立地面观测亮温的冷空反射器权重系数矩阵修正冷空观测信号;基于海面温度、海面风速、水汽含量和云液态含量的微波辐射计辐射传输模型,计算HY-2A扫描微波辐射计不同条件下的各频率极化方式下的理论亮温,建立线性回归模型,拟合不同地球物理参数的反演系数,采用多元线性回归算法反演HY-2A微波扫描辐射计地球物理参数,对比国外成熟微波辐射计数据,得到产品精度。     

基于MEMLS的查找表法雪深反演

利用分层积雪微波辐射模型(MEMLS)和积雪先验知识建立了新疆地区冬季雪深与特定微波频率通道亮温差(BTD)之间的查找表,并针对不同的地形以及坡向因素对积雪参数进行了修正以提高MEMLS输出精度.然后利用先进微波扫描辐计2(AMSR2)被动微波遥感数据反演了2013年1月和2014年1月整个新疆地区的每日积雪深度信息,并使用气象台站的观测数据以及实地测量数据进行精度验证.结果表明,该模型对雪深的估算精度要优于常用的Chang模型,可较好地用于反演新疆地区的积雪深度信息.     

基于AIEM和实地观测数据对GNSS-R反演土壤水分的研究

介绍了用GPS反射信号反演土壤水分的原理及反演研究的进展,并用改进的积分方程模型(AIEM)和实地观测数据对利用GPS反射信号反演土壤水分的方法进行了分析,分析结果表明,由于单个频率的雷达信号受地表粗糙度、角度和地表类型(裸地和植被类型)的影响比较大,很难提出一个实用的通用物理算法.利用美国2002年土壤水分实验(SMEX02)实测数据对上述的反演算法进行了分析,分析结果表明,采用经验统计算法对单个站点观测比较实用,平均相关系数达到0 85以上.整个分析表明,利用GPS前向散射信号与噪声之比反演土壤水分在单个站点能够取得比较高的精度.     

利用MODIS影像反演沙漠化地区地表温度的方法研究

针对当前利用MODIS数据反演地表温度过于复杂和缺乏简便易行的实地验证方法的不足,尝试了改进反演方法的研究,提出了反演结果的地面准同步测量验证方法和在沙漠化地区分类计算地表比辐射率的方法,简化了原劈窗算法所需参数的计算过程。利用改进后的方法对新疆沙漠化地区的地表温度进行了反演,并同步进行了该区域在各种天气条件和地表条件下的地表温度反演结果的验证。经分析表明,在天空晴朗无云,无风,植被稀疏,地表类型均一,面积较大,沙质土壤且观测时刻与卫星过境时刻接近的条件下,该方法精度较高。研究表明改进的利用MODIS影像数据反演沙漠化地区地表温度方法和地面验证方法具有一定的可行性,适合于对沙化地区地表温度大范围且快速的遥感监测。     

星载微波辐射计的非线性反演算法

为了提高用星载微波辐射计观测的数据反演大气海洋参数的精度和效率,提出了使用非线性的Nelder-Mead算法求解星载微波辐射计的辐射传输模型(RTM)的新的反演算法。与目前常用的多元线性回归(MLR)算法相比,Nelder-Mead算法保证了整个反演过程具有明确的物理意义,避免了引入MLR模型带来的误差。反演结果表明,与传统的M氓算法相比,Nelder-Mead算法具有较好的反演效率和较高的精度。     

植被覆盖地区AMSR-E反演土壤水分算法研究

在已有基于微波辐射传输模型的反演算法基础上,对2003年中国5种地区的AMSR-E观测数据进行了比较分析,引入了微波极化差异指数(MPDI)概念,提出了一种自动区分地面植被覆盖情况的方法.使用这种方法,反演过程中无需地面土地利用分类的辅助数据,同时在对有植被覆盖地区消除植被层的影响的过程中,改进了Richard提出的计算植被消光系数的方程,提高了反演应用中的运算效率.最后给出了AMSR-E反演土壤水分的工作流程,并对反演结果进行了分析.     

基于改进卷积神经网络的滚动轴承智能故障诊断研究

卷积神经网络(Convolutional Neural Network,CNN)作为一种高效的深度学习算法已逐渐成为智能故障诊断领域研究的热点。传统CNN模型的全连接层结构存在训练参数量过多的不足,使得模型训练和测试的时间较长。为此,提出了一种改进CNN的新方法用于滚动轴承故障的快速智能诊断。该方法引入全局均值池化技术代替传统CNN的全连接层部分,有效解决了传统CNN模型参数量过多的问题,并运用数据增强、Dropout等深度学习训练技巧防止模型过拟合。最后将提出的方法应用于滚动轴承故障实验数据的智能诊断,并与传统智能诊断算法进行对比验证。结果显示,改进的CNN算法的故障识别准确率高达99.04%,在诊断准确率及测试时间方面明显优于传统CNN和其他智能算法。整个诊断过程无需任何手工特征提取,"端到端"的算法结构具有较好的可操作性和通用性。     

HY-2卫星雷达高度计风速反演验证

本文给出了海洋二号(HY-2)卫星雷达高度计风速反演的双参数算法模型,并利用Jason-1产品和HY-2卫星微波散射计产品定性验证了双参数算法模型的正确性,同时利用星星交叉比对方法、美国国家浮标数据中心(National Data Buoy Center,NDBC)浮标数据验证方法、美国国家环境预报中心(National Centers for Environmental Prediction,NCEP)再分析数据验证方法三种不同方法对该模型进行定量化验证,结果表明HY-2卫星雷达高度计风速反演的双参数算法模型的反演精度达到2.0 m/s的精度,满足海洋业务应用和科学研究的精度要求,可为用户提供满足观测要求的海面风产品。     

地表温度的卫星遥感

研究了地表温度卫星遥感测量中的两个关键因子——大气修正和发射率效应.正确选择了经仿真计算分析求得的地面温度的反演算法,对我国戈壁地区地表温度进行了卫星资料的反演.通过与地面测量的比较证实了反演算法的可靠性.为了提高卫星反演地表温度的精度,本研究提出了自然地物发射率方向特性的重要性,对特定地物作了发射率角度变化的测量,在实际地表温度反演中作出了恰当的修正,改善了反演精度.     

基于卷积神经网络的稳定图自动分析方法

提出一种基于卷积神经网络(CNN)的稳定图自动分析方法。在获得不同结构的稳定图之后,按照各自的频率识别精度要求,将稳定图均分成若干个频带,得到单一模态稳定图作为CNN训练样本;通过平移、改变稳定点标记等技术手段对样本进行扩充,再将预处理好的训练样本代入CNN,通过跟踪损失函数在训练过程中变化规律,对如学习率等CNN参数进行调优,最终得到可自动判别稳定图中虚假模态的CNN;以3自由度弹簧质量数值模型、7自由度弹簧质量数值模型、以及一座钢筋混凝土框架结构大楼、瑞士Z24桥加速度实测数据验证了所搭建CNN模型的有效性。训练和预测结果表明,搭建的CNN亦可用于其他一般结构的稳定图自动分析,具有一定的通用性。在无需人为提取任何特征参数,也无需设定任何阈值的情况下,即可自动且准确、快速地剔除稳定图上的虚假模态。     

地表温度的卫星遥感

研究了地表温度卫星遥感测量中的两个关键因子－大气修正和发射率效应。正确选择了经仿真计算分析求得的地面温度的反演算法,对我国戈壁地区地表进行了卫星资料的反演。通过与地面的比较证实了反演算法的可靠性。为了提高筢演地表的精度,本研究提出了自然地物发射率方向特性的重要性,对特定地物作了发射率角度变化的测量,在实际地表温度反演中作出了恰当的修正,改善了反演精度。     

基于声成像与卷积神经网络的轴承故障诊断方法及其可解释性研究EI北大核心CSCD

常用的振动诊断技术一般采用接触式测量,在测量受限的场合具有一定的局限性。该研究提出一种具有非接触测量优势的基于声成像与卷积神经网络的滚动轴承声学故障诊断方法。首先,利用传声器阵列获取滚动轴承辐射的空间声场;然后,用波叠加法进行声成像,重建后的声像能够描述声场的空间分布信息;最后,建立卷积神经网络(convolutional neural network,CNN),使用不同轴承运行状态下的声像样本对CNN模型进行训练用于故障诊断。同时,针对深度学习模型的诊断结果缺乏可解释性的问题,采用梯度加权类激活图(gradient-weighted class activation map,Grad-CAM)算法对卷积神经网络在基于声像的轴承故障诊断中的可解释性进行了研究。轴承试验台的声阵列数据验证了所提方法的有效性及优越性。     

基于模糊聚类分析和神经网络的显微硬度预测

数学思想加以神经网络算法建立的数学模型,能够解决实际问题,神经网络作为辅助计算工具已经在相关力学性能预测中得到了广泛的应用。基于显微硬度数据样本的非均匀性特征,提出将模糊聚类分析与神经网络结合对显微硬度测量值进行预测。将模糊聚类分析方法对训练数据进行相似性分类的结果作为BP神经网络的训练样本训练各聚类预测模型。以TiAl复合材料的显微硬度实验观测值为研究对象,根据样本与各聚类之间的相似程度作为测试标准进行实验验证,预测结果的平均绝对误差为4.8157,均方误差为5.0904,该结果表明实验建立的预测模型的精度优于神经网络预测模型。     

基于卷积神经网络的模糊车牌自动识别

目前,清晰的车牌识别算法已经成熟,但是对于人眼不能识别的模糊车牌,传统车牌识别算法的识别率较低或者根本无法识别。鉴于此,提出了一种基于卷积神经网络的车牌字符识别算法。制作了含9 720幅模糊字符样本集,用8 748幅样本对卷积神经网络进行训练,测试样本时,先对模糊车牌字符进行盲分割等预处理,再调用训练好的卷积神经网络对盲分割后的字符进行识别。实验结果表明:该算法对训练集的准确识别率约为99.17%,对测试集的准确识别率约为93.32%,这说明该算法对模糊车牌的识别具有鲁棒性,能应用于各种场景。     

基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法

针对具有较强非平稳性和易被强烈背景噪声干扰特点的滚动轴承振动信号,提出了基于短时傅里叶变换和卷积神经网络的故障诊断方法,实现了端到端的故障模式识别。首先,对滚动轴承振动信号进行短时傅里叶变换,得到时频谱样本,分为训练集和测试集;然后将训练集输入卷积神经网络中进行学习,不断更新网络参数;最后,将学习好参数的卷积神经网络模型应用于测试集,输出故障识别结果;通过滚动轴承故障模拟试验,进行可行性和有效性的验证。结果表明提出的方法对不同类型故障有着很高的识别精度,并可以通过增加故障数据种类和数量的方式来提高此方法的鲁棒性,是一种适应于处理"大数据"的故障诊断方法。     

基于卷积神经网络的印刷品颜色缺陷检测

目的 提取样本图像颜色直方图特征对卷积神经网络进行训练,达到快速、高准确率检测图像颜色缺陷的目的.方法 将标准图像从RGB颜色空间转换至HSV颜色空间,通过改变图像H,S,V三分量值获取训练样本和测试样本;在HSV颜色空间中非均匀量化图像的颜色直方图,得到所有训练样本和测试样本的颜色直方图特征;利用样本图像颜色直方图特征训练卷积神经网络,然后对测试样本进行检测,研究检测的速度、准确率,并将该检测方法与逐像素、超像素、BP神经网络和支持向量机方法进行对比.结果 对于图片尺寸为512×512的彩色图像,卷积神经网络检测单幅图片的平均检测时间约为57.66 ms,训练样本图像为50000张时,卷积神经网络方法对10000张测试样本进行检测的准确率为99.77％.结论 卷积神经网络方法在保证高准确率的前提下大幅提高检测精度,对于印刷品色差缺陷在线检测具有良好的应用价值.     

基于MACNN的柴油机故障诊断方法研究EI北大核心CSCD

高效、准确的故障诊断可以提高柴油机的安全性和可靠性。传统机械故障诊断方法中人工参与程度过高,对识别结果带来诸多不确定性。针对这一问题,提出一种基于多重注意力卷积神经网络(multiple attention convolutional neural networks,MACNN)的端到端故障诊断方法。该方法采用多层卷积神经网络(convolutional neural networks,CNN)结合卷积注意力模块(convolutional block attention module,CBAM)对原始时域数据进行特征提取;然后,对多维卷积输出特征图进行重组以保留其序列信息;最后,直接采用序列注意力机制完成序列特征的学习。经采用实测柴油机缸盖振动信号数据进行验证后表明:面对8分类柴油机故障数据集,MACNN能够达到97.88%的识别准确率,测试100个样本用时仅为0.35 s。与现有多种传统故障诊断方法和端到端故障诊断方法相比,均具有更好的诊断效果。     

基于卷积神经网络优化的水轮机振动信号识别

提出了一种基于蝙蝠算法优化卷积神经网络的水轮机振动信号识别方法。首先对水轮机时域加速度振动信号进行测量、提取和归一化处理,采用蝙蝠算法对卷积神经网络训练过程中的超参数权值和偏置值进行优化,然后对10 种不同测点的水轮机振动信号进行实验,针对每个测点的振动信号对水轮机8 种不同工况进行区分识别,最后将信号识别过程中各参数对传统卷积神经网络识别结果的影响进行针对性分析。结果表明：所建立的基于蝙蝠算法优化卷积神经网络的识别模型具有良好的稳定性和较高的识别精度,能够准确识别振动信号,识别结果准确率均在94 %以上,与传统卷积神经网络对比,信号识别准确率显著提升,最高达到20.78 %。同时可以看出,振动数据输入长度、样本尺寸和训练次数对传统卷积神经网络训练效果影响显著。研究结论可为水轮机振动识别、工况识别和故障识别提供理论依据。