5G环境下配网差动保护采样数据缺失应对策略

有源配电网中,电流差动保护相较于传统三段式过流保护能够整体地提升保护水平,但所依赖光纤通道的广覆盖难以实现。5G具有高可靠性、低时延、广覆盖等优势,有望成为有源配电网差动保护新的通信方案,但仍可能受环境干扰等因素导致采样数据缺失,影响线路正常运行和区外故障时保护的正确动作。为解决上述问题,首先,结合?平面法定性地分析了采样数据缺失的各种场景对保护动作的影响;继而,提出一种使用阶次组合Neville插值法对采样缺失数据进行插值重构的应对策略;最后,在PSCAD中搭建有源配电网仿真模型,在多种采样数据缺失场景下对比了多种插值法的插值精度,验证了本文所提策略在提升保护动作特性方面的有效性。通过理论计算分析,得出使用所提策略在高性能CPU下不会影响保护实时性的结论。     

无人机载激光雷达人工林单木分割算法研究

为充分发挥单木分割算法的应用潜力,实现单木位置的精准定位和树冠的精确划分,利用无人机载激光雷达点云数据,根据优势树种和林分密度差异选取四块人工林样地,使用单木探测率P、探测准确率R和总体精度F评价分水岭分割算法、特征点决策树算法和邻域增长算法以及点云聚类分割算法的分割精度,通过改变栅格分辨率及点云密度,进行单木分割效果的敏感性分析。结果表明：1)四种算法分割结果较好,总体F值达到0.89,R值总体为0.85,P值总体为0.94。林分稀疏的样地比林分密集样地分割精度更高,分水岭算法分割单木精确性和适应性最好;2)选择合适的CHM分辨率有助于提高单木分割精度,栅格分辨率为0.3 m×0.3 m时基于CHM分割算法分割结果均为最好;3)随着点云密度的降低,点云聚类分割算法分割精度降低。当点云密度为100%(65 pts·m^-2),F值为0.77,点云密度为10%(6.5 pts·m^-2),F值为0.58,F值降低0.19。     

基于激光点云数据的三维运动图像重构技术北大核心CSCD

为了解决三维运动图重构时存在的重构测量距离与实际距离误差大、激光点云数据数量多和重构图像清晰度对比低的问题,提出了基于激光点云数据的三维运动图像重构技术,通过配准多帧激光点云数据,从中获取激光点云数据集,再采用平面拟合方法对激光点云数据集实行去噪处理,最后利用曲面重构法完成对曲面模型的拟合,实现三维运动图像重构。实验结果表明,通过对三维运动图像重构进行测量距离与实际距离的对比、激光点云数据数量的对比和测量图像与实际图像清晰度的对比测试,验证了三维运动图像重构技术的实用性高。     

宽阻带小型化双频带通滤波器

文中提出了一种具有宽阻带的紧凑型双频带通滤波器,它采用了折叠短路枝节负载谐振器、紧凑型微 带单元谐振器(CMRC)和阶跃阻抗谐振器结构。由于多个谐振器产生了五个可控传输零点(TZ),该滤波器实现了两个 通带之间的良好隔离度以及宽阻带特性。制作并测试了尺寸紧凑的双频带通滤波器实验样品,测试结果显示,第一通 带和第二通带的中心频率/ 插入损耗分别为0. 66 GHz/0. 8 dB 和1. 73 GHz/0. 7 dB,阻带频率高达10. 5 GHz,抑制水平 超过15 dB。     

基于残差密集连接与注意力融合的人群计数算法

现有人群计数算法采用多列融合结构来解决单一图像的多尺度问题,但该处理方法不能有效利用低层特征信息,从而导致最终人群计数结果不准确。针对这一缺陷,文中提出一种基于残差密集连接与注意力融合的人群计数算法。该算法的前端利用改进VGG16网络提取低级特征信息。算法后端主分支基于残差密集连接结构,利用残差网络和密集网络结合方式捕获层与层间的特征信息,可高效捕获多尺度信息。侧分支通过引入注意力机制,生成对应尺度注意力图,有效区分特征图的背景和前景,降低了背景噪声的影响。采用3个主流公开数据集对该算法进行验证。实验结果表明,该算法计数有效且计数准确率优于其他算法。     

粗DEM辅助的广域PS-InSAR数据预处理方法及应用

PS-InSAR技术是一种高精度的地表形变探测方法,小区域PS-InSAR处理的研究较为深入,但处理方法并不适用广域的形变探测和数据处理方法。本文针对卫星实时轨道精度差的问题,首先提出利用辅助DEM进行斜距误差和轨道系统误差校正提升差分干涉相位反演精度的方法;其次,针对广域图像配准误差的空变性,提出了一种由粗到精的层级配准方法,解决了配准误差空变对PS-InSAR永久散射体选取和图像相干性的影响;最后,通过对形变观测结果的地理编码结合加权处理,实现对超广域观测图像的拼接。利用仿真数据验证了粗DEM对系统误差校正的有效性,并进一步通过Sentinel-1A的2000多景雷达影像对云南省全境39.4万平方千米的覆盖区域进行了处理,结果表明了本文方法对系统误差校正和对广域形变探测处理的有效性。     

基于Khatri-Rao积的三维前视声呐空间方位估计技术

为了提高3维前视声呐的方位分辨能力,同时避免2维(2D)方位估计(DOA)方法失效,该文提出1维(1D)空间角估计方法、基于Vernier法的垂直角估计方法和基于最小角定理的水平角方位估计方法.首先基于不同子阵构造互协方差矩阵避免2维方位估计模型失效,再利用Khatri-Rao积进行虚拟孔径扩展;将扩展后的阵列导向矢量和观测向量模型用于2维方位估计.与原阵列的导向矢量相比,虚拟阵元数量约增加1倍,阵列的孔径得到有效扩展.仿真实验表明,与单观测向量波束形成2维方位估计方法相比,所提方法在2维方位估计问题中具有更高的分辨能力,均方根误差更低;水池实验进一步验证了该文所提方法的工程实用性.     

基于周期截断数据矩阵奇异值分解的干扰抑制技术

针对现有适用于单天线接收机的干扰抑制技术难以为周期调频(PFM)干扰和卫星导航信号提供足够分离度,导致消除干扰成分时卫星导航信号损伤较大的问题,该文提出一种基于周期截断数据矩阵奇异值分解的干扰抑制方法。利用调频干扰信号的周期性把分散在较大带宽的能量集中到重排数据中几个甚至单个频点;进而采用奇异值分解(SVD)将干扰与期望信号映射进不同的投影子空间以消除干扰成分。仿真结果表明该方法可以降低在剔除干扰时卫星导航信号损失,提升卫星导航接收机对抗宽带周期调频干扰的能力。     

基于自组织增量-图卷积神经网络的金相图半监督学习

采用深度学习对钢铁材料显微组织图像分类,需要大量带标注信息的训练集.针对训练集人工标注效率低下问题,该文提出一种新的融合自组织增量神经网络和图卷积神经网络的半监督学习方法.首先,采用迁移学习获取图像数据样本的特征向量集合;其次,通过引入连接权重策略的自组织增量神经网络(WSOINN)对特征数据进行学习,获得其拓扑图结构,并引入胜利次数进行少量人工节点标注;然后,搭建图卷积网络(GCN)挖掘图中节点的潜在联系,利用Dropout手段提高网络的泛化能力,对剩余节点进行自动标注进而获得所有金相图的分类结果.针对从某国家重点实验室收集到的金相图数据,比较了在不同人工标注比例下的自动分类精度,结果表明:在图片标注量仅为传统模型12％时,新模型的分类准确度可达到91％.