关键词： 相控阵雷达   雷达数据处理   航迹融合   TAS技术  

摘要： 随着我国低空经济的兴起与迅速发展,在城市中批量部署适用于复杂地物和电磁环境下低慢小航空器的监测识别系统需求日益迫切。雷达设备具有作用距离远、受天气条件影响小等特点,通常担任目标初始捕获发现的重要任务,是城市低空监测识别系统中最关键的一环。基于二维相控的四面阵雷达不仅能够灵活地调整波束形状和方向,实现快速而精准的目标检测和跟踪,还可同时监测整个360°的周围环境,从而提供全方位的目标掌握能力。因此,开展二维相控阵雷达数据处理系统的研究,具有重要意义。 本文针对二维相控的四面阵雷达设计并开发了数据处理算法系统,并且在实际场景中对该系统进行了全面的验证和调试。论文的主要研究如下: 1.本文首先详细研究了雷达数据处理算法,包括航迹起始算法、数据的跟踪与互联算法,进行了相应的仿真,评估了各算法的性能。 2.基于二维相控的四面阵雷达,对在阵面间运动以及跨阵面运动目标的数据处理算法进行了设计,主要针对跟踪目标时在阵面间运动出现断航和精度下降的问题,设计了目标在阵面交界处的航迹融合算法以及基于贝叶斯融合的高精度TAS算法并进行了相应仿真,验证了算法的有效性和稳定性。 3.在明确实际项目功能需要的基础上,设计并实现了四面阵雷达数据处理算法系统。该系统包含四大模块:分别是搜索数据处理、网络通信、航迹融合、跟踪数据处理。数据处理系统需要处理单个阵面的点航迹,稳定跟踪四个阵面中的交界处目标。 4.最后,全面验证了各个模块,基于真实场景测试雷达系统,以全面保证系统的可行性。 综上所述,本文所设计的系统可实现多目标的搜索、实时跟踪以及融合。

关键词： InSAR   相位滤波   相位解缠   卷积神经网络   注意力机制  

摘要： 合成孔径雷达干涉测量技术(Interferometric Synthetic Aperture Radar,InSAR)是一种重要的地球观测手段。相位滤波和解缠是InSAR数据处理中的两个关键步骤,受相位噪声干扰,确保这两个步骤的精度是一项极具挑战性的任务。近年来,深度学习技术迅速发展,基于卷积神经网络的算法在图像处理领域中展现出了卓越的性能,这为相位滤波和解缠提供了新的解决思路。鉴于此,本文开展了基于卷积神经网络的相位滤波和解缠研究,旨在提高相位滤波和解缠的精度和抗噪性能。本文的主要工作分为以下两个部分: (1)提出了一种基于多级和多尺度特征融合网络的相位滤波方法。为了实现滤除噪声的同时尽可能地保留条纹细节信息,本文设计了PFT-Net网络用于相位滤波。PFT-Net网络的核心组成部分是一种多级别和多尺度特征融合模块。该模块首先利用四个具有不同卷积核尺寸的卷积层来捕获多尺度信息,然后使用拼接操作将这些多尺度特征融合在一起,最后通过跳跃连接和特征图相加操作来实现低级特征与高级特征的融合。模块的这种特征融合机制可以增强网络捕获和利用多种特征的能力,有利于提升网络在相位滤波任务中的性能。在模拟数据实验中,当干涉相位的相干性为0.5时,本文提出方法的均方根误差比传统滤波方法至少低8%。在实测数据实验中,本文提出的方法减少了约98.9%的残差点数,优于传统滤波方法至少14%,并在计算效率方面比Lee滤波快约26%。 (2)研究了一种基于缠绕数梯度估计网络的相位解缠方法。针对传统解缠算法在噪声较大区域解缠效果不佳的问题,本文提出了一种基于缠绕数梯度估计网络的相位解缠方法。该方法将相位解缠划分为两个处理步骤。在第一步中,基于U-Net网络结构和全局注意力上采样机制,本文设计了U-GauNet网络来估计缠绕数梯度。U-Net网络以其独特的U型结构在语义分割任务中展现出了良好的性能,因此本文借鉴了此网络的结构设计。通过结合全局注意力上采样机制,U-GauNet网络可以高效整合不同层级的特征图信息,从而获得高分辨率的上采样结果。在第二步中,U-GauNet网络输出的缠绕数梯度经过L1范数优化得到相位解缠结果。通过实验证实,当干涉相位的相干性为0.5时,本文提出方法的均方根误差比传统解缠方法至少低29%,比基于U-GauNet消融网络的方法低约3%,展现出一定的优越性。

关键词： 大数据时代   会计行业变革   信息安全   数据处理   会计人才培养  

摘要： 大数据时代下，会计行业经历了显著变革。本文首先分析了大数据的特点，随后探讨了会计行业在大数据时代下的变革，包括会计主体的变化、信息安全面临的挑战、数据处理方式的改变以及人才需求的变化。针对这些变革，本文提出了相应的应对策略，包括强化大数据应用意识、完善信息保密制度、强化数据处理能力以及注重会计人才培养，以期为大数据时代下会计行业的稳定发展提供有力支持。

摘要： 一、背景当前，人工智能、大数据、云计算等技术日益成为社会发展的重要驱动力量，因此，将这些前沿技术知识融入高中信息技术课程，对于提升学生的创新能力至关重要。同时，依据《国家中长期教育改革和发展规划纲要（2010-2020年）》的要求，教学中应注重培养学生的信息道德和网络安全意识，确保学生在信息化社会中健康成长。

关键词： 三维点云   滤波去噪   点云简化   点云配准   边缘提取  

摘要： 随着现代工业制造、计算机等技术的发展,激光扫描的点云数据以其对物体曲面信息的准确表达,在各行业中被广泛采用。实际采集的点云数据存在数据量庞大、特征信息不完整,并且混杂噪声点的问题。在对点云数据系统分析的基础上,本文研究了点云滤波去噪、简化、配准拼接及边缘提取方法,并通过实际测量实验进行了验证。 在建立点间拓扑关系的基础上,用自适应统计滤波与改进的双边滤波算法完成对原始三维点云的滤波去噪。自适应统计滤波去噪算法根据统计的点与点间的欧氏距离分布情况实现阈值的自适应,去除掉大尺度离群噪声点;改进的双边滤波算法通过改进滤波因子,更新点的位置实现小尺度噪声点的光顺。基于包围盒的点云简化算法通过引入信息熵,根据采样点邻域曲率信息实现特征区域与非特征区域的划分,对非特征区域进行包围盒简化处理。实验结果表明,预处理算法均能保持特征信息,且噪声点去除率达97%,精简率达66%。 在处理大量点云数据时,配准过程通常会变得耗时且容易陷入局部最优解。为了解决这两个问题,本文对配准过程进行了改进。首先提取出点云数据的内在形状特征(Intrinsic shape signatures,ISS)关键点,利用快速点特征直方图对关键点进行特征描述。利用点到平面的最小距离代替传统迭代最近点(Iterative Closest Point,ICP)算法中点到点的欧式距离,通过引入随机采样一致性算法去除错误点对以改进传统ICP算法。实验结果表明,该方法均方根误差比传统ICP算法低2.37mm,运行时间缩短60%。 通过结合采样点邻域质心偏差和邻域点矢量和,基于微切平面的三维点云边缘提取算法实现了对具有边界特征的点集群的快速初步筛选。利用微切平面上邻域点向量最大夹角阈值,对初步筛选出的具有边界特征的点集群进行进一步精确定位,从而实现了对边界点云的完整提取。实验结果表明,与传统方法相比,本方法的算法精度有所提高、运行时间缩短2%～14%,为后续的处理和分析提供了可靠的基础。 使用三维激光扫描设备对机械零件进行数据采集,利用点云数据处理方法对所采集的数据进行去噪、简化、配准、边缘提取,将最终的边缘提取结果与接触式测量获得的零件局部测量数据配准比较,处理后的平均误差在0.057mm。合成数据点云和实测点云的实验结果表明,该方法可以很好地保留特征信息,满足后续点云数据处理的需求。

关键词： 分布式流式数据处理系统   受限环境   静态任务分配   动态拓扑调整  

摘要： 随着互联网技术的迅猛发展、数字化转型步伐的加快以及物联网技术的普及，我们见证了数据量的爆炸式增长。这一增长催生了多种流式数据处理框架。尽管如此，这些框架在一些资源受限的场景下，表现得仍不尽如人意。受限环境下，合理利用集群资源，使用灵活的任务分配策略和拓扑调整策略，是改善分布式流式数据处理系统性能的主要研究方向。　　针对这一挑战，本研究分析了受限环境中流式数据处理系统所面临的问题。提出了两种创新的任务分配和拓扑调整策略，并利用Storm框架验证了策略的可行性。在受限环境下，这两种策略可以减轻集群的资源倾斜，提升系统的吞吐量和资源利用率。此外，本文还针对资源受限环境，设计并实现了受限环境下的分布式流式数据处理系统，并为用户提供了良好的交互界面。论文的研究内容如下：　　1. 基于优化的离散粒子群的静态任务分配策略。为应对资源受限环境中，任务实体分配的局限性，提出了一种基于优化的离散粒子群算法的静态任务分配策略。该策略通过综合考虑当前系统的CPU、内存、网络等资源状况，为流式数据处理作业中的任务实体智能分配运行节点。该策略能有效降低系统资源配置的不平衡度，缓解资源利用的倾斜问题，从而在有限的资源条件下提升整个数据处理系统的运行效率和稳定性。　　2. 基于强化学习的动态拓扑调整策略。为了解决传统分布式流式数据处理系统在受限环境下，因无法动态调整拓扑结构所带来的性能损耗，本研究提出了一种新的基于强化学习的动态拓扑调整策略。该策略能够动态的调整流式数据处理作业的拓扑结构，并且智能地调整各组件的并行度，确保资源分配的灵活性和系统处理能力的最优化。该策略可以有效提高系统的吞吐量和资源利用率。　　3. 面向受限环境的流式数据处理系统设计与实现。为了满足受限环境下实际的流式数据处理需求，本文基于Storm流数据处理框架，采取了前后端分离的架构策略，设计并实施了一个适应受限环境的分布式流数据处理系统。该系统提供了全面的管理功能，包括规则管理、数据流管理、资源监控和用户管理等，旨在实现高效的数据处理和资源利用，以及提供灵活的用户交互界面。

关键词： 乳腺癌   癌症预诊断   不平衡数据   多组学数据   数据处理   随机森林   深度学习  

摘要： 乳腺癌作为全球范围内女性最常见的恶性肿瘤之一,其诊断与治疗已成为医学研究的重点。在乳腺癌的预诊断过程中,准确性和早期发现对于提高患者的生存率至关重要。随着机器学习的飞速发展,二分类和亚型多分类算法被广泛应用于乳腺癌的早期诊断和分型。二分类算法主要用于区分乳腺癌患者和健康个体,这对于早期发现乳腺癌患者并进行干预至关重要。而亚型多分类算法则进一步在乳腺癌恶性肿瘤中进行细分,根据肿瘤的分子特征将其分类为不同的亚型,从而为患者提供更为精准的治疗方案。尽管机器学习技术的应用前景广阔,但乳腺癌数据的天然不平衡特性及该疾病的生物学复杂度仍然为当前的诊断方法带来了一系列的挑战,对此,本研究主要研究结果如下: （1）乳腺癌的早期发现会大大提高治疗的成功率。在乳腺癌的早期筛查中,数据往往呈现出不平衡的特点,即健康样本的数量远远大于患病样本的数量,但准确识别患病样本却非常重要。因此,提出了一种基于聚类和双层过采样的不平衡乳腺癌数据处理方法（CDLS）。通过聚类将数据分成不同的簇,并在簇内和簇间进行新的少数类样本的合成,并且对于簇边缘上重叠不可分的样本对进行删除,以此来平衡数据。实验结果表明,该方法提高了乳腺癌不平衡数据的分类准确率,在公开的 Breast Cancer Wisconsin、Breast Cancer Coimbra 和 Mammography三个乳腺癌数据集,23352个乳腺癌样本上取得了最好的分类结果。三个数据集的 Sensitivity 指标分别为 100%、89.5%和 78.9%,F1 score 指标分别为 97.1%、90.3%和 63.1%,AUC 指标分别为 98.1%、91.1%和 88.2%。 （2）基于乳腺癌早筛数据的不平衡处理,对从常规血液分析中收集的参数（葡萄糖、胰岛素、瘦素、脂联素、抵抗素等）进行了进一步的分类研究。为了进一步提高乳腺癌分类的准确率,提出了一种基于随机森林和粒子群算法的乳腺癌二分类方法（RFPS）,通过优化所提方法的性能,实现了更高的分类精度。该方法通过粒子群优化算法,初始化粒子群代表随机森林超参数组合,通过迭代更新寻找最优组合,提高模型适应度。在11600个乳腺癌数据样本中进行方法的实验,在 Accuracy、F1 score 和 AUC 指标上分别达到了 92.6%、93.3%和 94.8%,相比于随机森林提升了 9.7%、14.7%和12.6%,有效提升了随机森林的分类准确性,并且该方法在其他20个数据集上的表现也十分优异。 （3）近年来,随着基因组学、表观遗传学、转录组学等多组学研究的快速发展,乳腺癌亚型分类研究成为了解乳腺癌异质性、指导精准治疗的关键环节。因此,提出了一种基于深度神经注意力网络的乳腺癌亚型多分类方法（DNAM）,通过整合TCGA数据库中的mRNA、DNA甲基化和CNV组学数据对乳腺癌的亚型进行准确划分。利用特征选择和降维技术,从复杂的组学数据中提取关键基因表达信息,并通过神经聚焦注意力模块赋予关键特征更高的权重,进一步通过特征融合模块对来自不同组学信息通路的数据进行高维特征表示,最后通过前馈神经网络进行亚型的分类。实验结果表明,相较于其他多分类方法,本方法在Accuracy、F1macro和F1weighted这三个关键性能指标上均达到了优越的表现,分别为89.6%、86.5%及79.5%,显著优于其他方法,有效地提高了乳腺癌亚型分类的性能。此外,通过结合特征选择和神经聚焦注意力模块,能显著改善乳腺癌亚型的分类性能。进一步分析显示,通过结合多种组学数据进行分析,与单独使用mRNA、DNA甲基化和CNV组学数据相比,Accuracy指标分别提升了 9.0%、5.7%和21.8%。这一结果凸显了多组学数据在乳腺癌诊断和治疗领域中潜在的重要价值。 综上所述,本文提出的三个方法有效提高乳腺癌不平衡数据处理水平及早期诊断和亚型分类的准确度。这不仅为乳腺癌的早期筛查和精准治疗提供了新的思路,而且展现了人工智能技术在处理复杂医学数据方面的潜力。未来,这些方法的进一步优化和应用将对乳腺癌的管理产生更深远的影响。