关键词： 气体像素探测器   软X射线   偏振探测   机器学习   力矩分析  

摘要： X射线探测是多信使天文时代重要组成部分,本论文主要研究空间X射线偏振信息的探测,可用于研究极端重力环境和极端磁场环境下的物理规律。探测空间X射线偏振所用的仪器为气体像素探测器,通过统计待测X射线与探测器中工作气体发生光电效应产生光电子的发射方向,来反映X射线的偏振信息。目前国内外使用气体像素探测器探测X射线偏振的项目有:极光计划,成像X射线探测仪(IXPE),增强X射线时变与偏振平台(e XTP)等,均会产生大量关于气体像素探测器的科学数据。本文探究了两种由Python编写的气体像素探测器数据处理方法,分别是力矩分析法和深度学习法。第一章主要介绍了空间X射线偏振探测的发展历史和最新成果,并介绍了四个近现代使用气体像素探测器探测空间X射线偏振的科学项目,使用四个案例分析了探测天文X射线偏振的物理意义。具体介绍了气体像素探测器的构成,以及气体像素探测器探测X射线偏振的物理依据。第二章介绍了气体像素探测器的数据,从实验和仿真两个角度分别介绍了气体像素探测器科学数据的构成与数据结构。第三章介绍了如何使用力矩分析法处理气体像素探测器的数据,分别从数学原理、Python代码、方法优化、以及结果分析的角度,详细介绍了如何编写Python程序使用力矩分析法分析X射线的偏振。根据实验数据和仿真数据的不同,分别介绍了使用力矩分析法进行数据处理的具体操作,包括数据读取、数据切片、解码赋值、径迹还原、数据降噪、求解力矩、重建发射方向和绘制调制曲线等。最后通过四个具体的案例,对力矩分析法的数据处理结果进行介绍,讨论了力矩分析法的优势与不足。第四章介绍了如何使用深度学习法处理气体像素探测器的数据,分别从深度学习的发展、卷积神经网络的构成、主流的深度学习框架、搭建卷积神经网络和使用模型进行回归预测等角度详细介绍了如何使用Tensor Flow框架,搭建卷积神经网络处理气体像素探测器的数据。根据实验数据和仿真数据的不同,分别介绍了数据读入、数据赋值形成矩阵、建立卷积神经网络、进行机器学习、保存模型和使用训练好的模型进行数据处理等步骤,并对以上操作所需要的程序进行了介绍。第五章对结果进行讨论,本文使用了针对气体像素探测器数据处理的力矩分析法和深度学习法,均能根据气体像素探测器的数据分析出所测X射线的偏振情况。根据对两种数据处理方法的结果进行分析,可以发现力矩分析法具有速度快,稳定性强的优点,但有平均误差大的缺点,深度学习法具有准确度高、成长性好的优点,但有速度慢、迁移性差的缺点。

关键词： 农业环境数据   农业物联网   HDFS   Spark   聚类算法  

摘要： 随着信息技术的不断发展，现代社会的数据量已经呈现爆炸式增长，人类产生的数据量是古代人类的万倍以上，逐渐从互联网时代逐渐走向了大数据时代。在中国，农业是第一产业，随着农业机械化的不断成熟，物联网技术、互联网技术、无线传感技术的发展，我国农业逐渐迈入信息化时代和大数据时代。而如何有效挖掘这些海量农业数据，从中获得高价值信息从而更好地指导农业发展，是实现农业智能化、信息化的重要前提。我国作为一个农业大国，地域分布广泛、农业生产环境复杂，传统农业数据量大、时间跨度长、更新缓慢，而农业物联网产生新型农业数据又呈非结构化、时效性强等特点，所以这对处理农业相关数据的大数据技术提出了更高的要求。本文对农业物联网中环境数据的感知应用需求进行分析研究，设计了一个基于Spark集群的农业环境数据处理系统。该系统分为三大功能模块，实现了对农业环境数据的预处理、存储和计算分析。首先系统搭建在完全分布式的Spark集群上，通过HDFS对数据进行分布式存储:其次利用Spark MLlib的机器学习库结合聚类算法去处理农业环境数据:最后用Spark SQL实现数据查询等操作。实验选取温室西瓜生长环境数据进行聚类分析,用两种算法聚类出了西瓜最适宜的生长条件,比较了K-means和GMM算法的精确度，体现了分布式存储和并行化计算方式对聚类算法性能的有效提升，说明了聚类算法对于农业环境数据的挖掘具有重要意义。实验证明本文设计与开发的农业环境数据处理系统，在中小型温室农作物环境数据处理方面有良好的应用前景，并对农业生产与发展具有重要的指导意义。

关键词： 非煤矿山   无线传感器网络   地压监测   数据传输   数据融合  

摘要： 随着我国经济的高速发展,对非煤矿产资源的需求与日俱增。高强度的开采导致地压灾害事故频发,给我国带来巨大经济损失和造成大量人员伤亡。为确保非煤矿产资源的安全开采,亟需对非煤矿山地压灾害进行实时监测。当前,非煤矿山井下主要采取有线监测,这种方式不仅部署耗时耗力,且存在维护不便、可靠性差、鲁棒性差等问题,无线传感器网络(Wireless Sensor Network,WSN)具有自组织、体积小和低成本等优点,非常适用于非煤矿山井下环境。将WSN运用于地下非煤矿山地压灾害监测,通过理论分析和仿真模拟的方法对无线传感器网络节点定位、数据传输、数据融合三个关键技术进行了研究。(1)基于改进鸟群优化的WSN定位算法。该算法首先利用距节点最近的数个锚节点限定区域,再利用随机惯性权重对鸟群算法的觅食行为进行改进,用选择最优个体方法替代原算法中随机选取的方法对鸟群算法的警戒行为进行改进,最后运用改进的鸟群算法在限定区域内搜索求解完成节点定位。仿真结果表明,该算法有较高的定位精度和较强的抗误差性。(2)基于动态竞争半径的非均匀分簇路由传输协议。首先,利用距离和能量因素对LEACH协议的阈值公式加以改进,其次,在竞争半径的计算中引入继任能量消耗因子和前任能量消耗因子,最后,利用节点剩余能量简化下一轮簇首选举,减少网络能量开销。通过仿真分析表明,该算法网络的能耗更加均衡,网络的存活时间更长。(3)基于烟花优化BP神经网络的WSN数据融合算法。首先,在烟花算法中使用Tent混沌图改进烟花种群的初始位置分布,使初始烟花分布更加均匀,然后,利用改进的烟花算法优化BP神经网络的权重矩阵、阈值矩阵等参数进行数据融合。仿真结果表明,对比其他算法,该算法提升了数据融合的精度,降低了网络能耗,延长了网络生命周期。

关键词： 雷达仿真   数据处理   模型管理   设备建模  

摘要： 虚拟仿真技术从20世纪初就开始发展了,近几年由于虚拟仿真技术的进一步发展,诞生出了很多仿真建模平台技术,从最先的集中式仿真建模平台到后来的组件化仿真建模平台,再到如今的分布式仿真建模平台应用的持续落地。说明了该项技术能够把现代软件工程思想很好的转换为需求开发到实际的应用中去,雷达作为一个精密且昂贵的电子探测设备,在现实中直接研究其性能和评测分析不仅测试成本高,而且在真实环境中运输和部署难,这些无疑会阻碍雷达系统功能的迭代发展。故本文的提出可以为雷达设备的功能测评和研究提供新的解决方案,旨在用虚拟仿真技术创建一个低成本雷达设备的性能模拟和评测的平台软件,作为一个可靠、高效、低成本的模拟测评工具。本文设计的结构是以一个仿真项目为整体方案,对应流程为创建雷达仿真任务、创建/组合仿真模型、绑定仿真模型装订指标、输入和读取仿真执行过程文件开始仿真模拟、输出存储仿真结果、仿真数据测评和分析。整个流程采用串行和并行共同进行的方式来进行雷达组件数据处理,其中创建仿真任务时,把雷达项目的基本数据设置完成,根据装订指标来组合相应的模型,雷达模型、外部环境相关的模型以及被测目标的模型设计都在模型管理模块中完成设计,经过雷达仿真文件读取数据用以处理仿真执行过程,而软件涉及的所有对象,包括各种基类对象和子对象都绑定相应的数据表。仿真任务完成后根据存储的数据和执行过程文件来可视化回放模拟仿真任务,以供科研人员研究测评。本文设计的软件平台后端采用Spring Boot、My Batis、Spring Data Jpa框架对数据做逻辑处理和封装,数据存储采用MYSQL数据库,可视化前端采用VUE语言加Element UI框架Vue-super-flow建模组件以及百度Echart的JS框架结合完成的B/S端雷达仿真测评综合平台。经过前期的考察和设备建模真实验测试,本软件平台已经通过预研和部分应用,为平台操作工程师提供了便利增长效率,节约了较大的研发成本,对雷达设备的更新迭代和性能提升产生了良好的效益。

关键词： 变桨系统   数据处理   工况划分   异常状态识别   故障诊断  

摘要： 随着世界人口的持续增长以及各国经济的发展,能源紧缺成为了世界各国都无法忽视的问题,正是在新能源发展的背景下,依托风能的风力发电技术得到了迅捷的发展。风电机组数量快速增加,带来了对风电机组的日常维护、定期检查和检测维修等需要风场和维修厂花费大量时间的工作需求,加之风电行业“去补贴”转型的推进,控制维修成本成为了风电行业必须重视的重要一环。目前风电机组的维护仍旧采用通过设置好的参数来对风电机组进行静态调试维修的维护方式。然而,风电机组在运行过程中始终处于不同运行工况,仅通过设置参数进行静态调试无法有效诊断机组故障。故解决故障诊断不彻底导致的二次维护问题具有重要的现实意义和学术价值。本文立足于解决风电机组不同工况下变桨系统故障诊断需求,从变桨系统故障分析、数据处理、工况划分、故障诊断四个方面进行研究,并对变桨系统故障诊断模型进行仿真模拟验证,建立风电机组分工况变桨系统故障诊断模型,主要研究工作如下:(1)风电机组变桨系统故障分析研究。首先阐述风电机组变桨系统结构以及工作原理,在此基础上对机组各阶段运行特征进行分析;基于FMEA法对变桨系统全工况下所产生的故障进行分析总结。(2)风电机组运行工况划分与工况辨识研究。基于Quartile-Copula法对风电机组SCADA历史数据进行处理,清除风电机组异常数据;针对风电机组启动、最大风能捕获、恒转速调节、恒功率调节四个阶段进行工况划分和辨识。(3)风电机组变桨系统故障诊断。首先筛选风电机组变桨系统特征参量。根据对风电机组工况划分以及变桨系统特征参量的筛选结果,针对BP神经网络的不足,提出了基于PSO-BP神经网络的异常识别方法,通过比较可知PSO-BP神经网络算法精度更高。最后基于Elman神经网络算法建立对不同工况下变桨系统故障诊断模型,实现对变桨系统的故障诊断。(4)风电机组变桨系统故障仿真分析。利用Matlab/Simlink软件建立双馈风电机组模型对风电机组变桨系统不同工况下故障模式进行仿真,并对本文所提出的分工况变桨故障诊断方法进行验证,最后评估故障诊断模型的准确率。

关键词： 温度探测   法布里-珀罗干涉仪   分子散射   小波去噪   维纳滤波  

摘要： 大气温度是重要的气象参量,对人类生活、农业生产潜力、大气系统和水循环都有着重要的参考意义。高光谱分辨率激光雷达探测技术作为非接触式遥感探测温度的重要手段,克服了辐射和接触带来的影响,可实现连续,高精度大气温度绝对探测。本课题在高光谱分辨率激光雷达探测绝对温度的基础上展开研究,论文主要针对空气温度高精度探测数据的处理方法及实验展开研究。 论文得到主要结论如下: 首先针对精确反演温度的数据处理方法展开研究,基于分于散射理论研究不同散射谱的理论模型,提出了激光能量占比扫描法和采样点中心修正法两种Mie散射校正方法,并从理论上证明此方法的可行性;然后对探测过程中存在不同类型的噪声信号提出相应的去噪方法,以及针对卷积、反卷积、维纳滤波等温度反演算法进行了理论分析。 其次利用光学设计软件Zemax进行了仿真验证。在仿真实验中运用不同反演算法对模拟探测的理想瑞利散射数据进行处理和对比分析;并通过加入不同类别噪声进行仿真实验,分析滤波算法对噪声的剔除情况;讨论了布里渊散射对整个散射谱的影响,针对同压变温、同温变压等请况运用G3解析模型剔除Brillouin分量;最后进行Rayleigh散射和Mie散射叠加的仿真实验,对比分析了两种Mie散射校正算法优缺点,并对不同强度的Mie信号叠加在Rayleigh谱上进行仿真实验和校正处理。 最后利用高光谱分辨率激光雷达系统完成了定点温度探测,对实验数据进行有效点提取、小波去噪、多组叠加、时频转换、Mie散射信号校正、温度反演等处理,分析不同小波层数对高光谱分辨率激光雷达数据处理的影响;对比分析不同小波层数去噪效果以及不同反演算法的优劣,得出维纳滤波反卷积能更好还原原始谱线;通过对叠加不同周期的信号进行分析,讨论扫描时间与信号叠加对温度反演的影响;采用半高宽法和拟合法两种方法进行温度反演,半高宽计算法很大程度依赖最高点值反演温度导致误差较大,而通过维纳滤波反卷积法处理后的谱线与模型谱线进行拟合,反演温度误差较小。在不同温度的探测实验中,经数据处理后,拟合法计算出均方根误差控制在0.01以内,反演的平均温度误差为0.74K,最大温度误差为1.13K,反演的温度精度较高。本研究对高光谱分辨率激光雷达探测大气温度高精度反演具有重要意义。

关键词： 拉曼成像   多通道拉曼成像软硬件集成   标定-重建算法   图像插值  

摘要： 拉曼成像是一种无侵入式的光谱成像技术,通过生成光谱数据的伪彩图像,可以得到待测物质组分的浓度和分布情况。由于传统的扫描模式拉曼成像效率较低,同时,为了获得较好的成像效果必须提高拉曼积分时间,这种做法会直接影响拉曼成像的动态性能,进一步降低该技术的使用场合。因此,本文根据宽场成像技术研制一套快速、高性能的多通道拉曼成像系统,利用拉曼光谱标定-重建算法获得重建光谱,对光谱进行去噪、去基线处理,同时结合拉曼散射与计算机成像机理,提出一种新型的拉曼成像插值算法,进一步提高拉曼成像的空间分辨率及动态性能。硬件系统方面,多通道拉曼成像平台由一体式光谱激发、收集与成像光路构成,成像光路有高光通量及高速两种模式。软件系统方面,本文结合C#、C++与MATLAB混合编程搭建一套多通道拉曼成像软件平台,软件主要功能包括相机控制与实时采集模块、光谱标定与重建模块、图像重建及图像后处理模块。多通道拉曼成像系统数据处理及算法开发方面,预处理算法包括拉曼光谱的标定-重建算法、去噪及去基线算法。另外,本文提出了一种基于全局加权线性回归重建光谱算法,该算法比伪逆法更契合该多通道拉曼成像系统。在后处理算法方面,本文提出一种通过结合拉曼光谱物理原理与图像处理的插值方法,提高了拉曼成像的空间分辨率与动态性能。实验方面,本文开展了 PMMA样本及人胚肾活细胞HEK-293样本的成像实验。通过采集相同位置不同时间的PMMA拉曼散射数据并成像,成像结果能保证较高的相似度,系统具有较好的可重复性;通过采集相同位置不同时间的人胚肾活细胞HEK-293样本并对单谱峰进行成像,成像结果能实现组分浓度及分布的实时监测,同时证明高速模式的时间分辨率相较于高光通量模式快约40倍,证明系统具有较好的动态性能。

关键词： 激光电离飞行时间质谱   相对灵敏系数   元素半定量校正   金属样品   地质样品  

摘要： 随着元素分析方法和相关仪器的发展,基于溶液分析的固体样品分析方法已无法满足高效率准确测定的需求。在这个背景下,各种固体样品直接分析方法及其分析仪器快速发展,并广泛应用在冶金、半导体、地质、环境、生命科学等研究领域。其中,激光电离飞行时间质谱(Laser ionization time-of-flight mass spectrometry,LI-TOF-MS)由于结合了激光微采样与可进行全谱原位分析等优势,在众多固体样品直接分析方法中脱颖而出。本课题组自主设计搭建的LI-TOF-MS系统,同时具备需要标准样品绘制标准曲线的全定量分析及无需标准样品的半定量分析能力。但由于与基体匹配的标准样品昂贵且难以获得,使绘制标准曲线定量方法的适用性大打折扣。同时,目前对于激光微采样导致的非化学计量效应(基体效应和元素分馏效应)的内部机制和影响因素尚不明确,使LI-TOF-MS的无标半定量分析能力一直未能有较大突破。基于此,本文建立了针对金属基体和地质样品基体的数据处理校正方法,成功消除了基体效应、校正了元素分馏效应引起的响应差异,大大提高了无标半定量结果的准确度。下面简要介绍本论文的研究内容和成果。第一部分内容基于本课题组自主设计并搭建的LI-TOF-MS系统,建立了金属基体的数据处理校正方法,并检验了此方法的适用性和准确度。参数优化后的LI-TOF-MS系统可满足无标半定量的分析需求,基于该系统建立的针对金属基体的数据处理校正方法以相对灵敏系数(Relative sensitivity coefficient,RSC)值为校正因子,在Cu、Al和Fe基体中均具有较强的适用性。在校正结果的准确度方面,与半定量结果相比,校正后的各元素的相对标准偏差均不超过20%。与传统的标准曲线定量结果相比,所建立的金属基体数据处理校正方法无需标准样品,也不受标准样品浓度均匀条件的限制,就能够达到接近于标准曲线定量的准确度。尤为重要的是,Cu、Al、Fe三基体各元素的平均RSC值偏差不超过15%,证明该校正方法的校正因子具有一定的普适性。基于以上结果,所建立的金属基体数据处理校正方法可建立全元素RSC数据库,实现高准确度元素浓度的一键无标校正。第二部分内容是针对地质粉末样品的直接分析,探究出一套适用于LI-TOF-MS系统的掺杂金属粉末压片的样品制备方案,并建立了准确度较高的地质样品基体数据处理校正方法。地质样品掺杂金属粉末的样品制备方法,可使混合压片样品在高能激光作用前后均保持较高的机械强度,以保证质谱检测的稳定性。参数优化后的LI-TOF-MS系统具有较高的质量分辨率和覆盖6个数量级的动态检测范围,基于该系统建立的针对地质样品基体的数据处理校正方法在以金属基体校正方法的基础上,进一步提出了氧含量的校正方法。经验证该校正方法的准确度,一方面,校正后主成分乃至微量元素的半定量结果的相对标准偏差均不超过30%,甚至低至0.57%。另一方面,与采用标准样品绘制标准曲线的定量方法相比,其准确度不分伯仲。因此,激光电离飞行时间质谱地质样品基体数据处理校正方法的建立,不仅为无标样的地质样品提供了一种快速、便捷的分析途径,且该方法对样品量少且珍贵的月壤、陨石等地质样品具有极大的高准确度定量潜力。

关键词： 大地电磁测深   数据处理   信噪分离   循环神经网络  

摘要： 大地电磁测深是一种基于天然电磁场源的地球物理探测方法，它具有探测深度大、操作简便、经济效益高等诸多优点，因而广泛应用于深部结构探测、油气资源勘探、地热资源勘查等领域。然而，大地电磁测深利用的天然电磁场源信号微弱，极易受到噪声干扰，因此，自大地电磁法问世以来，大地电磁信噪分离技术一直都是研究热点和难点。同时，随着工业发展程度的提高和人类活动范围的扩大，大地电磁信号去噪处理面临的挑战也在日益加剧。本研究通过调研大地电磁数据去噪研究的发展历程，对目前常用的去噪方法及其局限性开展了分析。在此基础上，提出一种基于循环神经网络的大地电磁噪声压制方法，实现了大地电磁时序数据中强干扰的分离，解决了传统降噪方法速度慢、通用性差的问题，实现大地电磁数据的高效处理，为大地电磁数据处理的智能化创造了有利条件，具有重要的理论和实际意义。　　本文从大地电磁时域信号特征分析入手，将对大地电磁数据产生严重影响的强干扰分为五类，包括方波噪声、充放电三角波噪声、工频噪声、阶跃噪声和尖峰噪声，并总结了这五种典型噪声的形态特征和成因。为在时间域压制这五类典型干扰，选取在时序处理任务中具有突出表现的循环神经网络开展大地电磁信噪分离的相关研究。针对大地电磁时域数据具有数据量大、持续时间长的特点，提出利用长短时记忆单元对循环神经网络进行优化，缓解网络训练过程中梯度消失和梯度爆炸的问题。　　针对大地电磁时间序列手动编辑主观性强且工作量大问题，搭建循环神经网络并开展训练，实现含噪数据段的提取。在纯净信号和模拟大地电磁信号中同时添加五类典型噪声作为仿真信号进行测试，循环神经网络能够识别仿真信号和模拟信号中含有各类噪声的数据段，且准确返回含噪数据段在原始时间序列中的采样位置。进一步对实测数据利用循环神经网络预测处理，实现了在短时间内判别和提取实测资料中的含噪数据段。　　针对各类强干扰严重影响大地电磁阻抗估计精度的问题，提出训练循环神经网络压制强干扰的方法。在纯净信号和模拟大地电磁信号中分别添加五种典型干扰，利用训练后的循环神经网络进行去噪处理，实现了对噪声形态的准确预测，包括幅值、宽度以及其出现的位置。通过改变仿真噪声幅值、宽度和数目，对不同噪声强度干扰下循环神经网络的去噪能力进行了验证。对实测资料利用循环神经网络进行去噪处理，在时间域噪声形态得到明显压制，在频率域噪声所对应的频率成分下降。　　最后，对本方法在实际测点中的应用案例进行了分析和探讨，利用本方法对云南红河测区测点进行去噪处理，视电阻率和相位曲线质量得到明显改善，验证了本方法具备一定的实用性。

关键词： 机载雷达   机动目标跟踪   多目标数据关联   SE-LSTM网络   Transformer网络  

摘要： 机动目标跟踪和多目标数据关联一直是机载雷达数据处理领域的热点研究方向。然而,战场环境和目标的复杂性不仅导致被跟踪目标的运动状态具有不确定性,同时也造成目标量测具有不确定性,这使得传统跟踪滤波算法和多目标数据关联算法难以有效应对复杂战场环境下的目标跟踪任务。深度学习网络是基于数据驱动的,不需要提前假设杂波密度、噪声协方差和目标运动模型等先验信息,有望为复杂战场环境下机动目标跟踪和多目标数据关联提供一种新的解决方案。因此,本文开展了基于深度学习网络的机载雷达数据处理方法优化研究,用以提升目标机动状态下跟踪滤波性能和杂波环境下多目标数据关联性能。主要研究工作概括如下:1、针对传统跟踪滤波算法跟踪机动目标误差大的问题,提出了一种基于长短时记忆网络(Long Short-Term Memory,LSTM)的目标状态估计(State Estimation,SE)算法(SE-LSTM),同时,设计一种二阶总变分损失函数使跟踪航迹更为平滑。实测数据实验表明:提出的算法能有效估计目标的状态,与经典的跟踪滤波算法和基于深度学习网络的助记卡尔曼滤波算法(Mnemonic Kalman Filter,MKF)相比,具有更小的跟踪误差,并且对机动目标有更好的跟踪鲁棒性。2、传统的数据关联算法需要提前估计先验信息,如杂波密度和目标运动模型等,然而在实际场景中很难准确地估计出这些先验信息。为了解决这个问题,提出一种基于深度学习网络的数据关联算法。针对雷达探测目标可能存在虚警和漏检的情况,引入虚拟量测这一概念重新建立数据关联模型;在此基础上,提出了基于Transformer网络的数据关联(Data Association,DA)网络(Transformer-DA)用于求解多目标与多量测的关联问题,并设计了掩蔽交叉熵损失与重叠度损失相结合的损失函数(Masked Cross entropy and Dice,MCD)来训练所提网络。仿真和实测数据实验结果表明:所提算法在不同检测概率下能够有效解决多目标数据关联问题,与经典的数据关联算法和基于双向长短时记忆网络的算法相比,具有更小的OSPA(Optimal Sub-Pattern Assignment)误差。3、设计了一种基于双向长短时记忆网络(Bi-directional Long Short-Term Memory,Bi-LSTM)的航迹起始算法,在此基础上,提出了基于深度学习网络的机载雷达数据处理优化方法,包括航迹管理、数据关联和跟踪滤波三个模块。仿真数据实验结果表明,所提方法能够有效解决复杂环境下目标数目未知的多目标跟踪问题,与经典多目标跟踪算法相比,具有更小的跟踪误差。