基于Hadoop的气象数据分布式存储技术研究

针对目前气象数据存储所面临的海量扩张、高并发读写、结构化和非结构化数据并存以及长时间序列和大数据集检索效率低下等问题,提出了以Hadoop开源框架为基础的气象数据分布式存储方案.通过对气象数据自身属性和特点进行分析,得出了气象数据在经过充分优化的基础上,在分布式存储框架中具有很强的适应性和规模化应用的潜力;并在HBas...     

纸基PVA无芯片RFID湿度传感器

传统湿度传感器制造工艺复杂、需有线连接信号,对此,文中提出一种纸基无芯片射频识别(Radio Frequency Identification, RFID)湿度传感器。为提升传感器谐振特性,选择非对称开口环内部分布式加载金属碎片作为传感器结构,聚乙烯醇(PVA)作为湿敏材料,使用遗传算法和HFSS射频仿真软件来设计并优化传感器结构。以喷墨打印技术制作传感器样品,采用滴涂法在传感器表面分别制备了5%、10%、15%三种质量浓度比的PVA薄膜。湿敏特性仿真及测试结果一致表明：PVA与纸基底协同作用可显著提高传感器灵敏度。随PVA浓度增加灵敏度增加,15%PVA传感器灵敏度最高,高湿灵敏度达到12.22 MHz/%RH,但随PVA浓度增加恢复特性变差,5%PVA湿度传感器具有良好的恢复特性,恢复度达83.87%。通过长期多次实验验证了PVA纸基湿度传感器具有良好的温度稳定性与中长期稳定性。与同类研究成果对比,文中设计在感湿范围及灵敏度方面有优势且制造工艺更简单,为低成本湿度传感器的大规模使用提供了可能。     

基于GIS智能打点的5G网络投诉“黑点”区域整治研究

基于百度等地图类API服务能力,结合微区域、微网格边界等地理信息系统(GIS)打点数据,以及干扰、容量、故障等网络O域数据,一方面前移至在线客服一线使用,提升5G网络投诉位置的定位精准性、缩短投诉打点时长;另一方面面向网络优化人员,系统自动汇聚5G网络投诉集中的“黑点”区域,形成分级预警整治能力,指导通过新建基站、网络优化等手段解决5G网络问题,提升5G客户满意度。     

基于高度有效驱动注意力与多层级特征融合的城市街景语义分割北大核心CSCD

针对DeepLabv3+网络在进行城市街景图像分割任务时,没有充分利用到网络中多层级特征信息,导致分割结果存在大目标有孔洞、边缘目标分割不够精细等不足;并且考虑到城市街景数据具有天然的空间位置特殊性,本文提出在DeepLabv3+网络的基础上引入高度有效驱动注意力机制(height-driven efficient attention model,HEAM)与多层级特征融合模块(multi-stage feature fusion model,MFFM),将HEAM嵌入特征提取网络与空洞空间金字塔池化(atrous spatial pyramid pooling,ASPP)结构中,使其对目标关注更多垂直方向上的空间位置信息;MFFM通过融合多层特征图,在网络中形成多条融合支路依次连接到网络解码端,采用逐次上采样提高解码时像素上的连续性。将改进的网络通过CamVid城市街景数据集验证测试,实验结果表明,该网络能有效改善DeepLabv3+的不足,并且合理运用了数据集的位置先验性,增强了分割效果,在CamVid测试集上平均交并比(mean intersection over union,MIoU)达到了68.2%。     

基于改进U-Net的SPECT骨显像病灶分割研究北大核心CSCD

在核医学中,单光子发射计算机断层(single-photon emission computed tomograpy,SPECT)骨显像是辅助医师诊断癌症的重要手段。针对骨显像图像信噪比低、边界模糊、病灶小难以提取和人工勾画病灶耗时等问题,提出一种基于改进U-Net网络的骨显像病灶自动分割算法。该算法在U-Net的原卷积块基础上,采用了多尺度密集连接(multi-scale dense connection,MDC)的方式来提高对小病灶特征的提取能力,同时解决了网络加深后出现的梯度消失问题。其次,为提取病灶的细节特征,在密集连接和跳跃连接处引入了注意力机制结构。最后,针对使用小样本数据集,模型难以收敛的问题,采用迁移学习的方法,优化了模型的初始参数,提升模型的泛化能力和分割效率。此外,为了降低计算量、进一步提高分割效果,对数据集进行了裁剪和去噪。同时,将处理后的图像采用旋转、镜像等方法进行了数据扩充。实验结果表明,改进的U-Net的识别精确率(precision)、平均交并比(mean intersection-over-union,mIoU)分别能达到0.7352、0.4673,效果优于目前主流的分割算法,具有一定实际应用价值。     

阵元失效下基于矩阵重构的MIMO雷达DOA估计

针对阵元失效下MIMO雷达目标DOA估计性能下降问题,提出一种基于虚拟阵列采样数据矩阵重构的MIMO雷达DOA估计方法。MIMO雷达的阵元失效分为冗余虚拟阵元失效和非冗余虚拟阵元失效两种情况。当冗余虚拟阵元失效时,通过合并空间上位置相同的正常冗余虚拟阵元输出数据以实现信号降维与失效阵元数据填充。当非冗余虚拟阵元失效时,经降维填充后的数据矩阵中仍存在整行缺失数据,根据降维数据矩阵的低秩和稀疏先验,建立带低秩和稀疏约束的矩阵填充模型,并利用ALM-ADMM算法求解来恢复完整的降维数据矩阵。最后利用root-MUSIC算法估计目标DOA。仿真结果表明,本文方法能够有效提高MIMO雷达在阵元失效时的DOA估计精度。