基于二维统计分析的降水粒子分类方法

为解决双偏振气象雷达模糊逻辑方法如何确定隶属函数参数提高准确率的问题,本文使用二维统计分析的方法确定钟型隶属函数的参数,实现基于模糊逻辑双偏振气象雷达降水粒子分类方法。首先使用二维统计得到频次图,通过对频次图分析以及对隶属函数临界值的分析确定钟型隶属函数参数,然后根据极化参数的贡献程度以及准确率确定不同降水粒子各极化参数的权重系数。最后使用调节参数后的模糊逻辑方法对一次雷达数据进行降水粒子分类。通过对实测数据的结果分析证明了该方法的有效性。     

基于增量贝叶斯的双偏振气象雷达降水粒子分类方法

面对降水粒子分类过程中可能存在的样本数不足,样本质量不高的问题,提出一种基于增量贝叶斯的双偏振气象雷达降水粒子分类方法。该方法首先处理有标签的训练数据集,获取属性节点和类节点之间的条件概率表构建朴素贝叶斯分类器;接着使用朴素贝叶斯分类器分类无标签数据,判断类置信度值后将符合条件的数据追加到训练数据集中,最后修正朴素贝叶斯分类器完成增量学习,得到增量贝叶斯分类器实现降水粒子分类。增量贝叶斯分类器不仅能够增加有效的数据样本,还能够及时更新分类器从而提高其泛化性和适应性,分类结果的准确性也得到了一定的改善。     

基于DTSVMs-BNT协同训练的双偏振气象雷达降水粒子分类方法

本文提出了一种基于决策树支持向量机-贝叶斯网络协同训练的双偏振气象雷达降水粒子分类方法.该方法首先使用有标签的数据初步训练得到贝叶斯网络和决策树支持向量机两种分类器.然后取出部分无标签的数据,通过两个分类器得到类别的预测结果,计算该部分预测结果的置信度,将预测结果满足阈值的无标签数据放入到有标签数据集中.使用更新后的有...     

基于模糊逻辑的降水粒子相态识别技术

为提高双偏振雷达在水凝物相态识别方面的能力,利用双偏振气象雷达目标回波中的反射率因子Z_H、差分反射率因子Z_DR、差分相位常数K_DP、共偏相关系数ρ_HV,构造反射率标准差SD (Z_H)和差分相位标准差SD(?_DP)。将这6个极化参数作为输入量,通过统计美国国家海洋和大气管理局(NOAA)提供的大量水凝物样本数据,根据样本数随雷达回波参量分布,提出了以β型函数为隶属函数的模糊逻辑分类算法。该算法能够有效识别小到中雨(RA)、大雨(HR)、大滴(BD)、干雪(DS)、湿雪(WS)、冰晶(IC)、霰(GR)、雨雹(RH)、大雹(LH)9类气象回波和1类地物回波(GC)。选取美国S波段的科罗拉多州丹佛地区的气象雷达KFTG在不同时间点的观测资料进行测试,识别结果与NOAA提供的LevelⅢ数据中的水凝物分类结果基本一致,验证了本文提出的模糊逻辑算法具有良好的分类效果。     

基于T-S模型的FNN降水粒子相态识别方法

提出一种基于T-S(Takagi-Sugeno)模型的模糊神经网络(Fuzzy Neural Network,FNN)降水粒子相态识别方法。该方法建立一种多层前馈的模糊神经网络,在对双线偏振气象雷达接收的偏振参量进行模糊化、规则计算、模糊推理和退模糊处理基础上,利用模糊神经网络误差反馈的思想自适应的调节不同降水类型各偏振参量隶属函数的参数,保证降水粒子相态识别的精度要求。经过实测数据的处理结果证明了该方法的有效性。     

一种基于离散属性BNT的双偏振气象雷达降水粒子分类方法

针对传统降水粒子分类算法存在的过度依赖专家经验和模型预设误差问题,本文提出了一种基于离散属性贝叶斯网络(Bayesian NeTwork,BNT)的双偏振气象雷达降水粒子分类(Hydrometeor Classification,HC)方法.首先对双偏振气象雷达获取的偏振参量取值进行离散化处理生成离散化标准,并根据离散...     

卷积神经网络联合SVM的降水粒子分类

针对传统模糊逻辑降水粒子识别算法存在过度依赖专家经验来设置参数的缺陷,提出一种基于卷积神经网络（Convolutional Neural Network, CNN）和支持向量机（Support Vector Machine, SVM）联合结构的降水粒子分类方法。本文首先搭建了适用于双偏振雷达数据矩阵传播结构的4种卷积神经网络模型,通过对KOHX雷达各极化参数进行分块和堆叠操作,制作模型所需数据集并训练模型。然后根据各CNN模型对目标块的分类特点,结合SVM分类器,搭建能够识别5类目标粒子的联合结构。最后,对KOHX雷达0.5°仰角扫描数据进行测试,得到该联合结构模型的分类准确率达94.92%。并且对于不同仰角、不同雷达的扫描数据均能进行有效分类,表现出较好的鲁棒性。     

机载双极化气象雷达多种降水粒子回波仿真方法研究

该文提出一种机载双极化气象雷达多种降水粒子回波仿真方法。该方法基于T-Matrix方法以及天气预报模式(Weather Research and Forecasting, WRF),首先利用WRF建模仿真气象场景;其次考虑降水粒子为球形条件下,结合T-Matrix方法和微物理特性计算6种降水粒子反射率因子;最后应用雷达气象方程获得6种类型降水粒子回波信号,实现机载极化气象雷达降水粒子回波信号仿真。仿真结果表明,该方法的仿真结果可准确反映气象特征,与实测数据的对比分析进一步证实了所提方法的有效性、可靠性。     

基于粒子滤波的差分传播相移估计方法

针对差分传播相移与差分传播相移率易受到各种噪声及其他偏振参量衰减影响的问题,提出了一种粒子滤波方法,实现差分传播相移与差分传播相移率的估计。该方法首先利用偏振参量之间的相互关系建立状态方程和观测方程,然后将方程应用于粒子滤波同步估计差分传播相移与差分传播相移率。所提方法与滑动平均、迭代滤波以及卡尔曼滤波方法利用X波段双偏振多普勒雷达X-SAPR的外场观测数据进行了比较实验。实验结果表明,粒子滤波方法可以准确估计差分传播相移,使滤波处理后的数据具有更好的连续性、平滑性和准确性,通过将估计后的数据应用于衰减订正进一步验证了该方法的有效性。     

一种新的弱目标自组织模糊分类方法

本文着重研究舰船雷达弱目标的模糊分类问题，讨论了利用Ｋｏｈｏｎｅｎ自组织网络来实现各类目标的二维录属函数生成。     

基于模糊化输入和反转提高神经网络分类性能的方法

为有效提高神经网络的分类性能,首先提出了一个可处理模糊输入的模糊神经网络结构,然后由模糊输出和非模糊目标输出定义了代价函数,推导出相应的学习算法,并对该模糊神经网络进行反转,提出了模糊化的反转算法．最后,通过计算机仿真实际的模式分类问题,验证了所提出的方法的有效性．实验结果表明,所提出的方法具有学习效率高、分类准确率高、泛化能力高的优点．     

基于改进粒子群优化聚类算法的故障诊断方法

针对模糊C均值聚类算法(FCM)中聚类结果受初始聚类中心影响突出的缺陷,利用粒子群优化算法(PSO)全局优化能力显著的特性,提出一种基于粒子群改进的模糊C均值聚类算法(PSO-FCM).该算法首先通过PSO优化算法得到一个最优值,然后利用该最优值初始化FCM聚类中心,从而优化了FCM算法的聚类结果.最后将该算法应用于电机故障诊断中,实验表明,该算法弥补了FCM算法的缺陷,提高了聚类的效率和准确性,改善了故障诊断结果.     

基于改进SVD++算法和K-means++算法的小文件合并方案

文章提出了一种基于改进SVD++算法和K-means++算法的小文件合并方案。通过引入自适应学习率函数和基于并行分组的SVD++算法,优化了小文件的合并过程,以提高Hadoop存储小文件的效率。同时,利用K-means++算法对合并后的文件进行聚类,优化了数据存储方式,降低了存储空间的浪费。在Hadoop平台上进行的实验表明,该方案在保持数据处理准确性和稳定性的同时,显著提升了Hadoop存储与处理小文件的性能。     

基于视觉词袋模型的图像分类改进方法

文中主要基于视觉词袋（BOVW, Bag-Of-Visual-Words）模型对图像进行分类处理,并对传统视觉词袋模型存在的不足进行了改进,提出了一种基于视觉词典的权重直方图来表达图像,采用优化的k-means聚类算法（k-means+）用于视觉词典的构建,代入KNN（K-Nearest-Neighbors）分类器进行分类。通过对Caltech 101和Caltech 256这两个经典数据库进行实验,实验结果表明该改进方案较传统方法提高了分类的正确率。     

基于粒子群优化算法的分类规则挖掘研究

对基于粒子群优化算法的分类规则挖掘技术作了研究,分析了分类规则的构造,在给出了分类规则编码的基础上,改进了分类规则适应度函数,进而设计了基于粒子群优化算法的分类器方案,并通过学校评教数据集样本对该分类器进行了测试,结果表明文章提出的基于粒子群优化算法的分类规则构造是一种有效、可行的设计构造方案。     

基于误差分析的雷达估测降水集成方法

以淮河流域为对象,在假设Z-I关系法、平均校准法、最优插值法、卡尔曼滤波和最优插值联合校准法以及卡尔曼滤波校准法等五种降水定量估测模式对于不同的降水类型而言能力有所差异的基础上,通过对前期降水定量估测结果误差变化的分析,以统计方差为判别标准来选取最佳的估算方法,进行多种估测结果的集成.对2007年7月上旬降水过程的应用结果分析表明:在降水强度较小的情况下,该方法是一种有效的集成方法,能够提高降水定量估测的能力;但是在降水强度较大的情况下,集成效果不佳.     

基于粒子群优化模糊小波网络的目标威胁评估

主要对不确定性环境下的空中目标威胁评估问题进行研究。首先通过模糊神经网络处理信息不确定问题,在获取威胁目标信息较少的环境下,使用小波神经网络增强网络自学习能力,并分析威胁因素,创建不确定性环境下的模糊小波神经网络(FWNN),实现对目标威胁的评估;然后针对初始参数的不确定性问题,采用粒子群优化算法和BP算法更新每个模糊规则后件部分的参数,以达到提高评估效果的目的。仿真结果表明,与模糊小波神经网络相比,该算法提高系统的稳定性,加快收敛速度,增强预测精度。     

基于AdaBoost的改进模糊分类规则集成学习

基于集成学习提出了一种新的模糊分类规则的产生算法。将分类规则的前件、后件模糊化,在自适应提升(Adaptive Boosting,AdaBoost)算法的迭代中,调整训练实例的分布,利用遗传算法产生模糊分类规则。并在规则学习的适应度函数中引入训练实例的分布,使得模糊分类规则在产生阶段就考虑相互之间的协作,产生具有互补性的分类规则集。从而改善了模糊分类规则的整体识别能力,提高了分类识别精度。     

基于分类思想的改进粒子群优化算法

针对粒子群算法存在收敛速度慢、收敛精度低且易收敛到局部极值的问题,提出一种基于分类思想的粒子群改进算法。该算法将粒子适度值和适度值均值做差与适度值标准差进行比较,从而将粒子所在区域划分为拒绝域、亲近域、合理域。根据不同区域中粒子的特点选取不同惯性权重和学习因子,使粒子高效地选择自身经验或种群经验,合理增强或减弱粒子全局搜索能力和局部搜索能力。数值实验结果表明,与其他粒子群改进算法相比,新的分类粒子群算法有效加快了粒子的收敛速度,提高了算法的收敛精度,有效改善了算法寻优性能。