关键词： 目标跟踪算法   交互式多模型   目标状态滤波   雷达数据处理   脉冲雷达  

摘要： 近年来,电子信息技术的飞速发展使得人造低空飞行目标的机动性能、数量等都得到了大幅提升,给低空监测雷达带来了新的挑战,如何在这一时代背景下保持对该类目标精确、稳定的监测与跟踪,已成为国内外学者的一大研究热点。本文针对机动目标跟踪算法与多目标跟踪算法在脉冲雷达数据处理中的应用进行了研究,设计了算法的系统应用方案,并完成了对机动目标跟踪算法、多目标跟踪算法的仿真、应用测试。 本文首先对脉冲雷达中常见的两种跟踪模式(TWS与TAS)进行了介绍并进行系统应用设计,分析了不同的跟踪模式在脉冲雷达中的应用效果。然后针对几种典型的线性、非线性滤波进行了研究,并在MATLAB中设计了相关的线性、非线性三维目标进行了仿真实验,分析了各滤波算法的滤波精度与时间消耗情况。 针对交互式多模型(IMM)的机动目标跟踪算法中存在的局限性:概率转移矩阵基于固定的先验信息,跟踪机动目标时会影响IMM算法中模型的切换速度。针对这一问题,本文提出了一种自适应的IMM算法(ATPFC-IMM),利用模型概率信息实时修正概率转移矩阵,以更快的适应机动目标的运动状态变化,在ATPFC-IMM算法中还设计了一个模糊控制系统,对当前的模型概率进行二次更新,提高模型的切换速度与增大匹配机动目标运动状态的模型的概率占比,仿真结果验证了ATPFC-IMM算法的有效性。此外,本文研究了基于随机有限集的高斯混合概率假设密度滤波器(GM-PHD),对GM-PHD滤波的数学模型进行了介绍,并设计了复杂多目标场景完成了仿真测试。 最后针对机动目标跟踪算法(ATPFC-IMM)与多目标跟踪算法(GM-PHD)在脉冲雷达数据处理中的应用进行系统设计,并在相关的目标跟踪场景中进行目标跟踪算法的应用测试,验证了ATPFC-IMM算法在脉冲雷达的机动目标跟踪场景中航迹连续性方面的有效提升与GM-PHD滤波器在多目标场景中目标数量的精确估计。

关键词： 野值剔除   小波降噪   数据处理   阈值  

摘要： 在电磁仿真计算和测试过程中，由于采样时间、系统噪声等因素的影响，仿真及测试结果曲线存在丢包、噪声毛刺等剧烈抖动的情况，极大地影响了对测试数据及测试结果趋势的有效分析和判断。为了避免上述情况的发生，本文提出一种基于野值剔除与小波自适应阈值降噪的两步数据处理算法，并通过MATLAB软件进行仿真试验，试验结果表明该方法展现出卓越的降噪性能，并具备高效的野值剔除能力，为后续测试数据分析奠定一定基础。

关键词： GPS   RTK   工程地质   勘察测绘   数据处理  

摘要： 由于在工程地质勘察中，受地形、天气等因素影响较大，导致测量精度较低，因此设计一种基于GPS RTK技术的工程地质勘察测绘方法。利用GPS技术，快速准确地选择适合的测量点，这些点位的选择对于确保勘察测绘的精度至关重要。建立RTK差分基准站，通过基准站接收卫星信号并进行数据处理。这些数据随后被用来绘制工程地质勘察图，这些图纸不仅展示了地形地貌，还详细标明了地层岩性、地质构造等信息。通过这样的方式，能够为工程设计和施工提供准确的参考依据，确保工程的顺利进行。实验结果表明，在各种地形和地质条件下，基于GPS RTK技术的工程地质勘察测绘方法均表现出较高的测量精度，最高达到1.0厘米，极大地提高了勘察的准确性和效率。

关键词： 时间域航空瞬变电磁   深度学习   降噪算法   Geo-Transformer模型   反演  

摘要： 时间域航空瞬变电磁(Time-domain Airborne Transient Electromagnetic Method,ATEM)是一种高采样率、高效的近地表地球物理探测技术,具有采集速度快、地形适应性强的特点,可广泛用于矿产探查、地质和环境勘察等领域。ATEM通常为连续采集,速度快、数据量大,利用常规的反演方法处理,如初始模型设计不当,易陷入局部最优,无法高效快速反演。为实现大数据量航空瞬变电磁快速反演,本文以时间域航空瞬变电磁中心回线装置形式快速反演为目标,设计了基于深度学习算法的数据处理系统。提出Attention-Seq2seq降噪算法;选用符合瞬变电磁数据反演特征的深度学习模型进行对比、优选、优化,提出了物理和数据联合驱动的Geo-Transformer反演模型;开发了一套航空瞬变电磁数据处理软件系统;最后利用实测数据进行降噪和反演算法的工程验证,证明其有效性和准确性。具体研究内容和成果如下: 1、基于深度学习的非线性反演方法其精度和准确性取决于训练集的广度和代表性。为保证数据集的广泛代表性,提出层厚度以指数增长、各层电阻率按概率随机赋值的地电模型构建方法。其中,地层层厚按指数增长,首层介质电阻率在设定范围内随机赋值,下一层电阻率按与上一层电阻率相同的概率P∈[0.5,1]设定,依次类推逐层赋电阻率值,实现地层与电阻率的随机分布。通过对64万组地电模型进行统计特性分析,验证了该方法构建的地电模型具有遍历性。利用有限体积法进行正演计算获取地电模型二次场感应电压数据集。为了实现大数据量模型数据集的快速构建,本文采用并行加速技术,创建64万组地电模型及对应供电脉宽为10ms、40道的二次场感应电压数据集,仅需20 min。 2、瞬变电磁法二次场电压动态范围较大,晚期信号相对较小,极易受到噪声干扰。为实现有效降噪,提高信号的信噪比,本文提出Attention-Seq2seq降噪算法。对比不同方法对天雷噪声、高斯白噪声、谐波噪声以及组合噪声信号降噪效果,结果表明Attention-Seq2seq降噪效果较好。为了确保Attention-Seq2seq的实用性,提高该方法对系统噪声和环境噪声的降噪能力,需要用实际噪声训练集对模型训练。构建训练集时为了解决实际采集噪声数据有限的问题,引入WGANGP方法对实采噪声数据集进行扩充。扩充噪声数据的幅值、期望和标准差与实采噪声数据具有较好的一致性,扩充的数据与实测数据特性相同。将实采噪声数据与扩充噪声数据合并构建噪声数据集,并与随机生成的地电模型二次场理论电压值叠加,构建成降噪训练集和测试集。将训练后模型应用于测试集和实际工程数据,结果表明该方法对不同类型的电磁噪声均具有良好压制效果。 3、本文提出了Geo-Transformer深度学习航空瞬变电磁反演算法。首先,选择包括Transformer在内的9种机器学习算法进行对比,优选出Transformer模型作为基础模型。为提升模型的反演精度和适用性,引入余弦相似度作为距离计算公式,采用正交试验法优化超参数。为使模型符合物理规律,将电磁传播物理规律嵌入模型训练,构建了双损失函数的Geo-Transformer模型。实验结果显示,该模型在不同深度和飞行高度的地电模型数据反演中表现出较高的稳定性和准确性。即便是反演与训练集地层结构不同的数据,Geo-Transformer模型依然保持了优异的泛化能力和准确性。与传统的IRLS、贝叶斯法和Occam反演方法相比,Geo-Transformer反演方法对地层分界面具有较好的反映。 4、利用本文提出的数据处理方法对福建某滑坡航空瞬变电磁数据进行处理并与钻孔及IRLS和Occam反演方法对比,验证Geo-Transformer模型在实际工程中的反演效果。根据目标区地质情况,建立45.55m深地电模型,各层电阻率采用随机概率进行分配的方法,计算二次场感应电压曲线构建降噪训练集和反演训练集。利用Attention-Seq2seq、Geo-Transformer分别进行降噪和反演成像,获取了7条测线的电阻率剖面图其反演总时长20s。各测线结果与钻孔资料十分吻合,比IRLS和Occam的界面分辨能力强、耗时短,具有突出的优势。验证了Geo-Transformer模型航空瞬变电磁成像方法的准确性、可靠性和高效性。

关键词： 大数据环境   企业经济管理   数据处理   信息安全   复合型人才  

摘要： 随着信息技术的迅猛进步，大数据已成为当代社会的显著标志，其在企业经济管理中的应用价值日益凸显。大数据技术不但可以帮助企业更精准地把握市场动态，优化资源配置，还能有效提升决策效率和风险管理能力，对推动企业可持续发展具有重要意义。基于此，本文从大数据技术在企业经济管理中的价值出发，分析大数据环境下企业经济管理所面临的问题，进而探讨相应的管理对策，旨在为企业更好地适应大数据环境，提升企业经济管理水平提供有益参考。

关键词： 非球面面形测量   非零位干涉检测   回程误差   数据处理  

摘要： 目前高精度非球面光学元件的面形检测一般采用干涉法,常用的零位干涉法是基于完全补偿的思想,即引入补偿元件以抵消非球面形状引起的相位差,其需要根据非球面的参数定制补偿元件,在不具备通用性的同时也将产生较大的检测成本;此外,补偿元件的放置也会给检测光路增加误差来源。 为了拓展非球面面形检测的通用性,本文提出了一种非零位干涉检测法,即利用干涉仪的球面标准镜头直接对非球面进行检测。对该方法在原理上产生的回程误差进行了分析与仿真计算,同时对实验检测中产生的调整误差进行了溯源分析及去除方法的提出。最后利用数据处理的方法对所测结果中包含的回程误差与调整误差进行去除,得到非球面的自身面形误差。主要研究内容包括: 1.针对所提的非球面非零位干涉检测法,通过对非零位检测光路的建模分析构建了回程误差的计算模型,验证了回程误差固有性的特点,便于在干涉检测结果中的去除分离;对实验检测中位姿偏离引入的调整误差进行了研究,通过建模仿真分析了不同调整误差引入的面形误差类型,便于在实验检测中通过面形误差类型反向指导调节。并根据调整误差的特点提出了去除方法,为获得非球面真实的面形误差检测结果提供了理论支持。 2.提出了基于空间光线追迹的回程误差计算模型,分别推导了凹非球面和凸非球面的回程误差计算公式,并通过在MATLAB中的编程仿真计算,验证了相关公式的正确性和回程误差的固有性特点。对实验检测中存在的调整误差,对检测实验中可能存在的姿态调整误差,在Zemax中建立了非零位检测光路模型,对调整误差进行仿真分析,通过对因调整误差引入的面形测量误差的分离去除分析,为非零位检测法的光路调节和调整误差分离提供了技术方法。 3.通过对不同参数的凹非球面和凸非球面的非零位检测实验,以及与其他检测方法获得的检测结果的分析对比发现:两种方法获得的非球面面形误差分布具有高度一致性,其RMS值偏差优于1/100λ。这些实验结果验证了本课题提出的非零位检测法的正确性。 综上所述,本文所提的非零位干涉法在实现非球面面形误差通用化与快速化检测的基础上,还具有较高的准确性,可为高精度非球面面形的精密测量提供了一种有效的检测方法。

关键词： 高原滑坡   数据处理   深度学习   语义分割  

摘要： 滑坡灾害对民众的生命财产安全造成了严重威胁，所以利用深度学习相关理论进行滑坡的快速定位和边界分割对灾区的快速救援和灾情估计有着重大意义。常规的滑坡检测办法依赖专家知识，效率不足;而基于深度学习技术的滑坡检测方法能够提高滑坡灾害检测的效率，但是检测的速度和精度还需要进一步提高。因此，本文针对滑坡检测与分割不同的任务特点，以黄土高原滑坡区为研究对象，设计了滑坡检测算法和滑坡分割算法提高滑坡灾害检测的准确性。本文的主要工作如下:　　(1)针对滑坡检测任务的快速性，准确性的要求，本文提出了一种基于YOLOv7-tiny的轻量化滑坡检测算法。该算法采用Mish函数和Hard Swish函数、基于Bottleneck Transformer的BoT-ELAN模块、GSConv和GS-ELAN模块以及 WIOU损失函数对YOLOv7网络进行改进。然后依据黄土高原滑坡区，进行滑坡检测数据集的收集与制作，并把轻量化算法在滑坡检测数据集上行了仿真实验与分析。结果证明所提出的轻量化网络在提高检测速度的同时，可以有效的实现滑坡的定位，具有良好的鲁棒性和泛化性能。　　(2)针对滑坡分割任务中旧滑坡区域与背景难以区分以及小尺度滑坡的漏检等问题，设计了名为DHRSE-Net的滑坡分割算法。DHRSE-Net采用了堆叠特征模块、SE-Net注意力模块和联合损失函数对网络进行重构。然后依据黄土高原滑坡区，进行滑坡分割数据集的收集与制作，并把DHRSE-Net在滑坡分割数据集上进行了实验对比与分析。实验结果证明，DHRSE-Net能够有效的解决旧滑坡边界分割不准确以及小尺度滑坡的漏检问题，提高了滑坡分割的准确性。

关键词： 光伏发电   卷积变分自编码器   卷积神经网络   注意力机制  

摘要： 随着可再生能源的快速发展,光伏发电逐渐成为了解决能源需求的重要手段。光伏发电的可靠性和稳定性对于电网运营具有重要意义,因此提升光伏发电预测准确率不仅有助于电网运营商合理调配能源资源,提高电网平衡和稳定性;还可以帮助光伏发电厂商制定合理的发电计划,提升发电效率。但是传统的光伏发电功率预测存在数据采集不足和有效特征提取困难等问题。因此,本文围绕光伏发电异常数据的识别、重构和光伏功率预测问题,开展了以下工作: 1)针对光伏发电数据质量差且预测结果极其依赖数据质量的问题,提出了基于四分位法和最优组内方差法的光伏发电异常数据识别方法。首先,采用四分位法识别数据集中的离散型异常数据,然后使用最优组内方差法识别数据集中的堆积型异常数据,最后为了验证所提出的方法的可行性,将数据集中的异常数据去除后,再使用长短期记忆网络模型进行训练和预测。预测结果表明,组合识别方法能够有效地识别异常数据。 2)针对光伏发电数据重构时存在难以学习到正常数据分布的特点,提出了一种基于卷积变分自编码器光伏发电异常数据重构方法。首先,对光伏发电功率数据进行归一化预处理。然后设计了一个基于CNN-VAE的模型,该模型能够自动地学习数据的特征表示并生成重构数据。通过训练模型,能够使其从正常数据中学习到异常数据的潜在分布,从而实现对异常数据的重构。最后,使用二值掩码模拟异常数据并评估了所提出方法的性能,得出所提方法能够有效重构异常数据。 3)针对光伏发电时序数据具有的非线性关系和多变量特性,提出了一种基于卷积神经网络、长短期记忆网络和注意力机制的短期光伏发电功率预测模型。首先,对光伏发电历史功率数据进行归一化处理,并使用皮尔逊相关系数选出对光伏出力影响最大的两个特征。然后构建了一个复合模型,其中卷积神经网络用于提取光伏发电功率序列中的空间特征,长短期记忆网络用于捕捉序列中的时序信息,而注意力机制则用于自适应性地聚焦于重要特征。实验结果表明,所提方法能够提高功率预测精度。 本文提出了一套完整的光伏发电功率数据处理和预测方法,包括异常数据识别、重构和短期预测。实验结果证明了这些方法在改善数据采集质量和预测准确性方面的有效性和可行性。

关键词： 水质监控   数据处理   编码器   解码器   长短期记忆神经网络   卡尔曼滤波器   注意力机制   可视化技术  

摘要： 本论文侧重于在检测站点中对水质检测数据存在较多缺失值情况下的水质预测。现行的水质监控数据大多来自各个水域监测站的监测信息，随着水质检测数据时长增加，水质数据变的复杂同时水质监测数据的缺失是普遍存在且难以避免的问题，由于传感器不稳定性而造成多个数据变量的普遍缺失提高了模型预测的复杂度，和水质数据处理的难度。　　本文针对练江水域海门湾监测站点的水质数据展开研究，提出KF-LSTM水质预测模型，主要工作包括:　　(1)针对练江海门湾监测站多种类水质数据存在较多缺失值的复杂情况，本文提出一种结合卡尔曼滤波器(KF)以及注意力机制的长短期记忆(LSTM)编码器-解码器模型，利用卡尔曼滤波器快速的完成水文数据中的缺失值重构以及预处理过程。针对传统递归神经网络模型对长距离数据信息丢失的问题，本文提出在解码器和编码器之间加入软注意力机制的思路，用以充分利用高维协变量数据的交互信息。结果表明相比传统LSTM模型而言，KF-LSTM模型预测溶解氧(DO)含量的平均绝对误差(MAE)降低了 10%、均方误差(MSE)降低了 21.2％,均方根误差(RMSE)降低了13.2％、测定系数(RSquare)提升了 4.5％。　　(2)为了更加及时并直观的展示模型预测结果，同时探索水质数据变化的趋势，本文提出了大数据可视化展示思路，借助当前最为流行的编程语言对模型预测结果和水质数据信息进行可视化展示，提出图形化、数字化、立体化展示海门湾水质预测系统的思路，直观展示水质变化趋势和预测效果以及治理能效。同时也为城市水质环境污染实时管理提供新的解决方案。