关键词： 无线传感器网络   数据采集系统   传感器节点   数据处理  

摘要： 本文针对基于无线传感器网络的数据采集系统展开研究，旨在探索无线传感器网络在数据采集领域的应用。通过设计系统架构、优化传输协议和算法，实现数据采集、处理和管理的高效性与可靠性。通过实验验证系统设计的有效性，并对实验结果进行分析，为无线传感器网络数据采集系统的设计和应用提供理论和实践支持。

关键词： 深度学习   物联网   室温预测   PM2.5预测   数据处理  

摘要： 随着城市的快速发展和居民生活水平的显著提高,宜居性的讨论在城市发展进入到高级阶段的过程中占有重要地位。气候是决定城市宜居的先决条件,对居民生活有极大影响,同时包括室内空间微气候和室外空间宏观气候。然而,目前关于气候问题的研究正是社会关注的热点问题。微气候研究中,室温是影响人体舒适度的重要指标,准确掌握室内温度的变化规律和趋势,建立精确的室温预测模型是改善室内微气候环境的重要手段,也是实现高效智能供暖的关键。宏观气候研究中,空气质量预测是当前城市可持续发展领域研究的热点与难点,特别是PM2.5浓度预测对改善城市宏观气候环境、提升城市空间品质和利于居民健康与公共出行有较为深远的意义。因此,探究气候因子的预测方法是研究气候问题的关键。深度学习作为人工智能领域的前沿方向,是解决气候因子预测的有效方法,但其预测精度也是目前面临的难点问题。为此,本文基于深度学习方法,开展城市宜居性气候因子预测方面的研究,主要包括室温预测与PM2.5预测,研究内容主要包括以下几点:第一,搭建基于物联网技术的室温数据采集系统。分别阐述了该系统的工作原理以及数据传输-存储的路径。对下位机采集系统的硬件设备和上位机管理系统的设计分别进行介绍并进行系统展示。该系统获得的数据将为室温预测提供数据支持。第二,开展室内微气候研究。提出一种基于LSTM的室温预测方法。对室温及其影响因子进行相关性分析,阐述LSTM、RNN和BP的算法原理和网络结构。开展基于三种模型的预测实验并通过指标评价验证LSTM具有最高预测精度和最小误差,R2为0.9839。第三,开展室外宏观气候研究。提出一种基于WVPBCM的短时PM2.5预测模型。对PM2.5及其影响因子进行相关性分析,介绍运用小波去噪、变分模态分解和主成分分析方法的数据处理过程,阐述模型理论并开展预测实验。实验结果表明,WVPBCM模型精度最高,R2为0.9438,结果误差不超过10%,峰值误差为1.8247。增加预测时长后精度依然保持最高。

关键词： GPS   形变监测   小波包   温度变化   有限元分析  

摘要： 高层建筑物在长期的运营管理中,由于某些外界因素的作用致使建筑结构产生损伤,随着时间的推移,结构损伤逐渐累积可能会造成建筑物处于危险状态。因此,如何实时、准确、高效的掌握高层建筑物的健康状况具有非常重要的社会效益。目前,GPS(global positioning system)技术由于其众多的优势(高精度、全天候监测、不受视线条件限制等)成为高层建筑物形变监测中最常用的方法之一,但其也存在一些不足之处。例如,GPS对建筑物进行监测时,会受到卫星星历、电离层及对流层延迟、卫星及接收机钟差等误差的影响,导致其定位精度降低;差分技术虽然可以有效消除上述系统测量误差,但受到测站周围环境影响,GPS形变监测数据中会存在多路径误差,从而影响建筑物形变信息的精确提取;同时GPS技术仅可以获取监测对象的几何形变信息,为了更加合理可靠的掌握高层建筑物的健康状况还需结合影响形变的外界因素进行科学地解释和分析。基于上述问题,本文详细阐述了GPS的基本误差源与载波相位差分模型;研究了GPS多路径误差的特性,提出了一种抗多路径误差的方法;研究了温度变化与高层建筑物形变间的相互关系。本文的主要研究内容与成果如下: (1)本文提出了一种基于小波包(wavelet packet,WPT)分解重构算法的GPS抗多路径误差方法。利用实测GPS数据,确定了算法的最优参数,包括小波基函数、分解尺度、阈值法则以及阈值函数等,并与经验模态分解法(empirical mode decomposition,EMD)、小波变换(wavelet transform,WT)方法相比较,验证了本文WPT算法在去噪、抗差以及提取多路径误差序列方面具有一定优越性。实验结果表明,采用本文方法对实测GPS数据进行处理后,N、E、U三个方向上的精度分别提升23.5%、39.2%、18.5%,有效提高了GPS的定位精度。 (2)本文以某一高层建筑物(58m)为研究对象,研究建立了一套基于GPS进行高层建筑物动态特性监测以及形变规律分析的技术方法。采用GPS静态相对定位技术监测楼顶固定点的几何位移信息,并基于抗多路径误差方法,以及时序分析法提取了监测点的形变幅度、水平与高程方向位移、水平位移轨迹等动态特性信息。研究时段内可以发现随着气温的升高,监测点的形变幅度会逐渐增大;同时当气温达到最大值时,水平与高程方向的位移量达到最大值,分别为3.2mm与3.8mm;同时获取了大楼楼顶监测点的水平位移轨迹情况,发现温度变化会导致监测点产生短期的形变趋势,当气温上升时,监测点可能朝某一方向发生形变,但随着气温的下降,又回到初始位置。研究结果表明,正常的温度变化会造成建筑物结构的微小形变,但这种形变是在可允许的范围之内。 (3)本文基于ANSYS软件对温度场中建筑物的结构形变进行了有限元数值模拟分析,研究了温度变化与建筑物形变间的相互关系。数值仿真结果与实测数据结果一致,验证了本文结论的可靠性,为掌握高层建筑物的健康状况提供了重要的数据支持。图38幅,表19个,参考文献63篇。

关键词： 激光雷达   从粗到细地面分割   路缘检测与补偿   多重注意力   三维目标检测  

摘要： 自动驾驶技术主要包括环境感知、路径规划和控制决策三个部分,其中环境感知模块是自动驾驶技术的核心,主要通过各种车载传感器(激光雷达、雷达和相机等)获取汽车周围环境信息,为后续信息处理提供数据基础。与毫米波雷达相比,激光雷达以其高角分辨率的性能指标,已成为高端自动驾驶汽车不可或缺的感知传感器,但也正因如此,其获取的单帧点云数据,非常庞大,若直接在原始点云上进行目标检测任务将非常耗时,并且在自动驾驶汽车行车过程中,道路场景多样化、行车环境复杂化、人车障碍物相互遮挡等都为高性能环境感知造成了巨大的困扰。 为了解决上述问题,并满足自动驾驶汽车对算法精确性和实时性的要求,本文以车载激光雷达国际公认的激光点云数据集为基础,借鉴传统感知算法,并结合类脑处理的新机制,针对从粗到细地面分割、路缘检测与补偿和多重注意力机制三维目标检测等感知层面快速高精度数据处理的关键问题进行了深入研究,并进行感知算法优化,具体研究内容如下: (1)车载激光雷达感知算法优化与相关理论。首先提出了感知层面算法性能的要求,并设计对应的优化方案;然后对车载激光雷达的测距和成像原理进行介绍;最后对后续章节研究所需的基础性理论进行详细阐述,一方面是检测精度高,但需要较多人为干预的感知层面传统方法。另一方面是简化复杂处理流程并减少手工设计特征需求的感知层面端到端方法。 (2)基于鲁棒局部加权回归和深度图卷积的从粗到细地面分割方法。首先对所提出的从粗到细地面分割方法的整体网络框架以及地面分割数学定义进行介绍;接着对输入的原始点云进行数据预处理,主要将激光雷达的测距范围和方位角转换为以LiDAR为中心的笛卡尔坐标,方便后续计算;然后将鲁棒局部加权回归(RLWR)应用于同心区域的极坐标网格非均匀划分的分区(bin)中实现地面粗提取;最后将处理结果映射到深度图中,并采用改进的深度图卷积方法对地面分割进行细化。 (3)基于跳窗算法与分段三次样条插值的路缘检测与补偿方法。首先介绍了所提出的路缘检测与补偿方法的整体网络框架;接着采用分块随机采样一致性(RANSAC)方法分割点云,将得到的地面点作为输入,并通过与多空间特征相关联的跳窗算法对地面点进行处理来获取候选路缘点,跳窗算法只对感兴趣区域进行处理,极大的提高了方法的运行效率;然后采用一种联合滤波方法对候选路缘点进行细化,主要是去除候选路缘点中包含的障碍物干扰点。最后对由于障碍物遮挡导致的路缘缺失部分采用分段三次样条进行插值,以补偿路缘点,提高路缘连续性。 (4)基于多重注意力机制的三维目标检测方法。首先对所提出的基于多重注意力的三维目标检测模型的整体网络框架以及目标检测的数学定义进行阐述;然后将原始点云采用可堆叠多重注意力立柱编码(MAPE)模块进行处理并生成伪图像,主要通过在逐点和逐通道注意力中联合最大池化和平均池化操作进行特征信息提取,并融合逐立柱注意力机制,增强了非空立柱的特征表达能力,从而减轻细粒度信息损失。最后伪图像分裂多分支特征金字塔网络(PSMB-FPN)模块将沿着伪图像通道维度进行分割,随后在每个通道上进行多分支特征金字塔网络(MB-FPN)特征提取和融合,通过对不同层的特征自适应的分配不同的权重,便于多尺度多层次特征图的交互,提高目标检测精度。

关键词： 视频合成孔径雷达   干涉测高   PFA成像算法   阴影消除   圆周聚束模式  

摘要： 合成孔径雷达(SAR)在微波遥感测量领域发挥着举足轻重的作用,太赫兹频段的视频合成孔径雷达(Vi SAR)具备高帧率、高分辨率的独特优势,将干涉测高技术应用在该系统中,可使系统的功能从二维拓展至三维,延伸系统的应用场景。本文为了将干涉测量技术适配在Vi SAR系统中,根据Vi SAR的成像基础和特点研究干涉测量的方法,主要工作如下:1、研究了基于极坐标格式算法(PFA)的干涉测高方法。针对视频SAR的成像基础,即通常采用PFA算法进行成像,首先根据PFA算法原理,得出基于该算法进行干涉测量的相位差公式,并分析该成像算法相位误差及成像范围,在此基础上,进一步分析相位误差与高度误差关系,从而得到成像场景范围与测高误差的关系。最后通过对比实验分析了基于PFA算法进行干涉测高的精度,证明PFA算法用于太赫兹视频SAR干涉测量的可行性。2、推导了极坐标格式算法的圆周成像模式下的高程反演模型。针对视频SAR的成像模式,寻找条带干涉SAR与圆周干涉SAR高程反演的主要区别,通过将平面几何转化为立体几何,构建四面体模型,推导出目标高程反演公式。由于该公式的推导是基于几何结构的,因此适用于任何大小的场景。3、提出了视频SAR干涉测高精度提升与阴影消除算法。基于Vi SAR高帧率和多孔径成像的特点,针对干涉过程中,陡变区会在高程反演结果中出现“分层”现象,以及目标相对雷达位置太高或坡度太陡会产生阴影的问题,首先把按照一定标准划分的子孔径按相干性进行孔径筛选,再将筛选后的子孔径成像图用于干涉测高,进而给出基于多孔径融合的测高精度提升算法,同时解决阴影处无相位信息的问题。通过仿真实验证明该算法能获得较单一视角下的更完整的信息和更高精度的高程值。

关键词： 日冕物质抛射   太阳活动   纬度分布   数据处理   统计分析  

摘要： 日冕物质抛射(Coronal Mass Ejection,CME)是太阳大气中等离子体和磁场的剧烈爆发活动,是太阳活动的重要组成部分。由于CME与日地空间环境密切相关,因此对CME进行深入研究具有至关重要的意义。为深入探索CME的时间和空间行为,本文利用SOHO/LASCO的CDAW目录提供的具有完整的23和24太阳周的CME数据,分别研究了不同纬度CME的发生率与低日冕指数(10.7厘米射电流量,简称F10.7)和高日冕指数(日冕亮度指数,简称CBI)的相关性和相位关系。同时,为了更全面地认识和了解不同纬度CME的动力学特征,本文详细地研究了不同纬度CME的物理参数(速度、加速度、角宽度、质量和动能)的行为以及物理参数之间(速度与加速度、速度与角宽度、速度与质量以及质量与角宽度)的关系。本文的研究结果表明:(1)高纬度CME的发生率与高日冕指数CBI更相关,低纬度CME的发生率与低日冕指数F10.7更相关。因此,我们推测高纬度CME和低纬度CME的源区位置可能是不同的:高纬度CME的源区更接近高日冕层,而低纬度CME的源区更接近低日冕层。(2)不同纬度CME的发生率与CBI和F10.7之间的相关程度,在第24太阳周比第23太阳周要高,这可能与不同周期内光球磁场的强弱分布有关。(3)在23太阳周,高纬度CME的发生率的相位滞后于F10.7三个月,而在24太阳周,它们是同相的。在24太阳周,低纬度CME的发生率的相位领先于低纬度CBI 1个月,而在23太阳周,它们是同相的。高日冕指数(CBI)在相位上大约滞后低日冕指数(F10.7)2个月。在一定程度上,我们的结果支持由于太阳活动向上演变的物理机制,高层大气指数的活动周期往往滞后于低层大气指数几个月。同时,我们的结果也支持太阳活动指数之间的相位关系可能也受不同的太阳活动周的影响。(4)高纬度和低纬度CME在物理参数的演化特征上存在相似性和差异性。它们的物理参数除加速度外,基本服从对数正态分布。统计平均值显示,在23太阳周,相较于高纬度CME,低纬度CME的速度更快、加速度更小、角宽度更小、质量更小,但动能相等。在24太阳周,相较于高纬度CME,低纬度CME的速度更慢、加速度更小、角宽度更大、质量更小,且动能更小。(5)与高纬度CME相比,低纬度CME的速度与角宽度、速度与质量以及质量与角宽度的线性斜率更大。本文的研究进一步揭示了CME的纬度分布特征,为我们更深入地理解CME的起源和演化提供了重要的线索,也有助于进一步探索太阳活动的本质。

关键词： 潮汐观测   潮流观测   数据处理   插值计算   傅里叶级数原理   潮汐静力学理论  

摘要： 海洋是地球的重要组成部分，也是人类开展经济活动的重要空间。我国是海洋大国，认识、开发海洋是建设海洋强国的必然要求。潮汐及潮流问题是研究海洋科学的基础。目前调和分析是潮汐、潮流分析与预报的主要方法，虽然其计算精度高，但需要一定数量的连续观测数据作为分析样本。因此，在海洋科学研究中，潮汐及潮流观测是不可或缺的。但潮汐与潮流的观测在站点及内容上是不同的。潮汐因观测费用较低，一般至少进行半个月以上。而潮流测量因费用较高,一般只在大、中、小潮期间各进行一天多（27小时左右），包括水深（含潮位）与分层流速及流向等。为充分利用测量的水深与流速数据，使得只有大、小潮的不连续观测数据成为可进行调和分析的样本。本文以解决使用两天多（大潮、小潮各一天多）的实测数据插值计算获取七天左右的包括大、中、小潮的连续数据这一问题为目标，基于傅里叶级数原理和潮汐静力学理论研究潮汐及潮流数据的插值方法。　　首先，本文以傅里叶级数原理为基础，结合潮汐的周期性特征，构建了潮位插值函数，并给出了傅里叶级数中的最大正周期与项数的取值，提出了傅里叶插值法。同时，以潮汐静力学理论为基础，明确了参与插值计算的天文分潮组成，提出了天文潮插值法。在提出这两种插值方法后，利用潮汐表数据根据潮汐类型在不同站点进行实验，验证了两种插值方法在不同海域进行潮汐数据插值的有效性。结果表明两种方法得到的插值数据在各站点均能较好反映潮汐变化过程，可获得较高精度的连续潮位数据。插值潮位的均方根误差均小于10厘米，确定性系数均高于0.9，根据有关标准插值精度达到甲级。最后将这两种插值方法应用于实测潮位数据插值中，以大潮、小潮各一天多实测数据为插值节点，以大小潮之间五天多的中潮数据作为检验样本。两种插值方法插值结果均取达到甲级精度。从插值精度评估结果看，两种插值方法在潮汐数据插值中精度相当，但天文潮插值法计算量更少。此外，这两种插值方法不仅可以内插还可以外推，进行两天左右的潮汐预报工作。　　此后，根据潮流特性对上述两种插值方法稍加改造，并在不同潮流类型站点进行插值实验，潮汐表数据结果表明两种插值方法均能较好的反映周期性的潮流变化过程，可利用两天多的大小潮（大潮、小潮各一天多）潮流数据插值得到七天左右的连续流速数据，插值流速的均方根误差均小于10厘米每秒。在海域实测潮流数据插值中，由于存在风、浪等海况条件的影响（特别在流速小的测站），这两种插值方法的插值精度虽然较之潮汐表数据都有所下降，其中傅里叶插值法略优于天文潮插值法，但对于潮流数据的插值仍是有效可行的。

关键词： 药店药品销售预测   数据处理   特征工程   动态特征选择   SS-KSMOTE算法   参数优化   深度学习   遗传算法  

摘要： 本文所面向的是某品牌下全国范围内的数万家连锁药店，目的是通过建立药品销售预测模型，辅助药店进行运营管理。药品是一种特殊的商品，其用户人群具有指向性，因此对于药店而言，进行库存管理和采购是很困难的，需要使用药品销售预测算法来进行预测，帮助药店降低运营成本，满足不同层次的用户的需求。受到用户因素和药品因素等多种因素的影响，针对不同的药品进行销售预测是很困难的，因此需要进行模型优化。而药品的特殊性又导致样本具有极度的稀疏性，需要进行特征工程处理。　　(1)特征工程方面，不同药品种类的用户群体不同，导致学习样本的多样性,难以通过相同的静态特征方法构建不同用药群体的行为特征。药品消费数据集存在正负样本不平衡问题，且相较于普通商品稀疏性更强，会影响模型的训练效果。(2)模型优化方面，样本的极度多样性导致不同区域药店所适配的模型不同，需要进行选择。样本的多样性又要求模型具有较好的鲁棒性，需要对模型的参数需要进行调优。　　针对特征工程中存在的问题，本文提出了一种基于动态特征选择( Dynamic feature selection,DFS) 和 SS-KSMOTE ( Stratified sampling-kmeans-SMOTE ) 的特征工程建模方法。动态特征选择方法首先选出特征中的药品非专有特征，并将可以反映药品属性的药品专有特征作为待选，再依次将各个药品专有特征子集与非专有特征组合，并根据特征子集的信息增益进行删减，最终保留效果最好的药品专有特征，与非专有特征组合为最终的训练特征。SS-KSMOTE算法是基于k-means、分层抽样与 SMOTE(Synthetic Minority Over-Sampling Technique)设计的,用来处理样本不平衡问题。SS-KSMOTE方法先对少数类样本进行聚类，利用改进的SMOTE生成新少数类样本，再使用分层抽样方法减少多数类样本数量，构造均衡训练集。　　针对模型优化问题，本文根据药店销售预测场景,设计了 DNN、DNN+Attention以及BiGRU+Attention三种不同的模型，递进式地进行性参数优化，寻找最佳模型的参数设置。本文根据遗传算法(Genetic Algorithm,GA)设计了一种模型参数优化算法，设计了合适的遗传算子，实现药品销售预测模型的自动参数优化，找到最佳的模型参数组合。　　实验结果证明，本文所提出的基于动态特征选择和SS-KSMOTE的特征工程建模以及基于深度学习和遗传算法的参数优化方法可以有效提高模型的预测效果,为该品牌连锁药店的不同药品精准地找到潜在用户群体。

关键词： 解码分析   模板测试   逻辑分析模块   大容量存储   可视化  

摘要： 随着电子测量技术的飞速发展,信号复杂程度不断提高的同时数据量也在不断攀升,为了满足对特殊复杂信号的测量要求,高性能示波器需要具备对串行协议信号的分析能力,对复杂信号波形的验证性分析能力,对大容量多通道数字信号的存储分析能力。本文对混合信号示波器中解码数据、模板测试中ADC采集数据和数字逻辑数据的处理与可视化进行了研究,采用C#语言在Visual Studio开发工具上设计实现了协议解码分析功能、极限/标准模板测试功能、逻辑分析模块深存储功能。具体内容如下:1、串行协议解码分析功能。为了解决示波器支持的协议简单常见且种类少无法满足对复杂信号进行分析的问题,本文设计了包括Flex Ray在内的串行协议解码分析功能。同时为了用户更直观的观察解码数据与解码波形的关系,设计了结果标签和事件列表两种可视化形式;为了增强代码可移植性使得协议解码模块可以适配不同型号的示波器,设计了动态加载的方法将协议解码分析模块变成独立插件形式。2、极限/标准模板测试功能。为了从海量数据中捕获异常信号或者检测信号质量,设计实现极限/模板测试功能,根据模板生成方式不同分为极限测试与标准模板测试,通过将ADC采集信号波形与模板数据进行对比来实现波形验证性分析。同时为了更好对比被采集波形与选取模板之间的匹配度,设计事件列表同步显示符合条件的波形个数以及命中段数。3、逻辑分析模块深存储功能。为了提高混合信号示波器在高采样率下对大容量多通道数字逻辑信号的分析能力,本文设计的逻辑分析模块深存储功能支持16路数字通道,单通道250Mpts存储深度。同时设计了读起始地址算法解决在移位时从DDR3中重读数据错误的问题;设计了抽点数分配算法解决波形缩放展宽时不能按照有效存储时间来显示波形的问题;设计了DDR分区交替存储读写算法解决停止状态下读出波形错误的问题。基于以上三个模块的研究,本课题在.Net平台下完成了各模块的编码工作,结合示波器硬件平台,对上述三个模块进行了测试与验证,上述三个模块均满足设计需求。

关键词： 神经网络   深度学习   批数据处理模型   BCT   Hybridised方法  

摘要： 随着大数据时代的到来，人们对于人工智能、深度学习和神经网络也越发熟稔，并渐渐追求更加快捷更加精准的结果，对神经网络模型的性能提出了更高的要求。而在所有神经网络模型的训练过程中，决定其性能的三大基本要素：算力、算法和数据缺一不可。由此衍生出5种优化方法：数据处理、网络模型处理、算法模型处理、调节参数以及增强算力。然而这些方式要么因为过于开源导致优化难度过大，要么受到硬件的硬性条件约束，因此数据处理成为了优化神经网络性能的重要方法。大部分的传统数据处理方式如数据增强，数据清洗，数据集成与变换等方法都在训练数据输入模型之前对其进行数据翻转，噪声过滤，数据清洗操作，或训练数据输入后模型训练前对其进行标准化、归一化等预处理操作。可以发现这些数据处理方式都是在模型训练前进行整体化的数据处理，忽略了在模型训练过程的内部的数据处理方法。而批量归一化方法（BatchNormalization：BN），将数据处理的思路带入到模型训练过程内部每一次的迭代过程，通过优化每一层输入数据的分布，从而加速神经网络收敛效率。　　基于批量归一化方法，本文提出一种新的数据处理模型：批数据处理模型。批数据处理模型立足于模型训练过程内部每一次迭代使用的小批量数据，使用数据处理方法提升小批量数据的质量，最终完成对神经网络的优化。　　在这种数据处理模型下，本文进一步提出一种基于这些小批量数据，使用交叉熵损失函数得出的损失结果为衡量标准评估每一个小批量数据的质量，并进行比较，从而筛选出相对质量最高的小批量数据来训练深度神经网络的方法：批量数据比较训练法（BatchComparisonTraining），简称BCT方法。使用该方法用相对质量最高的小批量数据进行模型训练，使得在每一次迭代后都得到相对最优的结果，将每一次的优化效果综合起来最终达到优化神经网络的目的。为了验证该方法的性能，我们在手写字体、普适图像和手势图三个不同的数据集上进行实验，同时在不同的超参数和优化算法下对比该方法和批量归一化方法的训练效果，最终成功验证了该方法在不同数据集，算法模型以及参数条件下都具备更高的收敛性，可以获得更精确的预测结果。接着本文结合Hybridised（混合损失函数）方法，通过优化衡量标准对BCT方法进行改进。最后本文总结了批数据处理模型，BCT方法与改进后的BCT方法的优势和缺陷，并展望了后续的研究方向。