地面气象测温传感器设计及实验研究

地面气象测温传感器受太阳辐射的影响,测量时其辐射误差可达1 K量级。针对此问题,设计了一种新型地面测温传感器结构。使用计算流体动力学（computational fluid dynamics,CFD）方法将多个气象参数下的仪器辐射误差进行量化,采用粒子群优化支持向量机算法对其结果进行拟合,得到辐射误差修正方程。以076B强制通风仪器的测量值作为温度基准开展场外实验。结果表明,设计的地面气象测温传感器经修正方程修正后的测量结果与温度基准的均方根误差（root mean square error,RMSE）和平均绝对误差（mean absolute error,MAE）分别为0.029 K和0.027 K,可将辐射误差保持在0.05 K以内。     

基于强化学习的多变量时序数据缺失值补全方法

针对基于深度神经网络填补多变量时序数据缺失值时存在误差引入的问题,将强化学习和图神经网络结合,提出了基于强化学习的多变量时序数据缺失值补全方法(reinforcement learning based missing value completion method for multivariate time series data, RL-CFMTS)。具体地,设计了一个图神经网络模块,用于预测最终的缺失值。同时,该模块还为强化学习模块提供状态向量和奖励,指导强化学习为目标时序节点挑选其认为最相似的b个节点来建立时序关系,以减少误差的引入。在3个真实世界数据集上的实验结果表明,RL-CFMTS在插补准确性方面优于近年来的多变量时序数据缺失值填补方法,在天气、股票和疫情数据集中平均绝对误差(mean absolute error, MAE)指标分别提升了12.78%、15.80%和55.73%。     

顾及季节和高程影响的青藏高原湿延迟神经网络预测模型

针对现有的需要实测参数的对流层天顶湿延迟(zenith wet delay, ZWD)模型在青藏高原地区适配性不足的问题,根据青藏高原地区13个探空站2015—2017年的探空站数据,将气象参数(地面空气温度、水汽压)和时空变化特征(年积日和高程)作为模型输入因子,以数值积分法计算得到的ZWD作为学习目标,通过多层感知器(multi-layer perceptron, MLP)神经网络模型进行迭代训练,从而得到适用于青藏高原地区的ZWD预测模型(简称为MLP模型),并使用2018年的探空站数据对模型进行精度检验。结果表明,MLP模型的年均偏差(bias)和年均均方根误差(root mean square error, RMSE)分别为-0.08 cm和1.13 cm,分别比GPT3模型、Saastamoninen模型和Ifadis模型的精度(RMSE值)提高了51.5%、40.2%、52.9%。研究可为青藏高原地区的全球导航卫星系统(Global Navigation Satellite System, GNSS)导航定位和水汽反演研究提供参考。     

ENSOMIM：一种新型ENSO时空预测模型

为了提高厄尔尼诺南方涛动（El Ni?o-southern oscillation,ENSO）预测的准确性,解决卷积核难以捕获ENSO的长距离前兆的问题,将ENSO预测视为一个时空序列预测问题,并提出一种基于注意力机制和循环神经网络的ENSO非稳态时空预测深度学习模型,称为ENSOMIM。该模型通过提出的新型注意力机制BGAM来局部和全局交互地学习空间特征,并使用高阶非线性时空网络对长期的时间序列特征进行编码。由于ENSO观测数据集样本数量少,为了更充分地训练模型,采用迁移学习的方法,使用历史模式模拟数据进行预训练再利用观测数据校正模型。实验结果表明,ENSOMIM更适合于大区域和长期的预测。在1984—2014年验证期间,ENSOMIM的Ni?o3.4指数的全季节相关性技巧比经典的卷积神经网络提高16%,均方误差降低17%,它可以为长达18个月的提前期提供有效预测,并且在23个月的提前期内相关技巧达到0.45。因此,ENSOMIM可以作为预测ENSO事件的有力工具。     

MNMPC：一种通过混合预测提升用户流媒体播放体验的方法

针对实际网络中网络吞吐率的变化有很大程度的随机性,引入了分析模型预测控制（model predictive control,MPC）方法。通过对历史数据规律进行归纳总结并且将历史数据估计方法作为深度预测模块的补充,提出了一种多层感知的深度预测模块。相对于同期最佳模型,所提模型能够提高11%的预测准确度。将所提模型在真实网络中进行实验验证,结果表明,所提供的方法能够有效提升视频质量并降低重缓冲概率,从而提升用户体验。     

基于PredRNN的蓝藻时空序列预测实验方案设计

该文采用Pred RNN技术设计了蓝藻时空序列预测综合实验方案,可为湖泊蓝藻治理提供有效参考。实验利用Python语言,在Pred RNN算法基础上,构建蓝藻时空序列预测系统。整个实验方案包括蓝藻NDVI（归一化植被指数）图像数据预处理、蓝藻数据集划分、时空序列预测模型训练、预测模型测试与彩色化显示5个模块,并通过对比实验说明了PredRNN算法用于蓝藻时空序列预测的可行性和实用性。该实验方案的设计可帮助学生熟练掌握Python编程技能,有利于提升学生对图像处理与计算机视觉知识的综合应用能力,实现计算机视觉课程教学理论至实践的延伸,强化教学与科研的有机结合,提升学生的科研素养,促进计算机视觉课程的建设。     

融合Elman神经网络与EMD的交通拥堵指数预测

为了提高传统方法生成交通拥堵指数（TPI）的准确率,引入一种基于经验模态分解（EMD）与Elman神经网络的组合模型实现交通拥堵指数预测。首先,利用EMD将TPI序列分解为不同时间尺度下的IMF分量和剩余分量;然后,通过偏自相关函数（PACF）计算各分量的滞后期数,以此确定各分量在Elman神经网络中的输入和输出变量;之后,通过上述方法计算出各分量预测值并相加;最后,计算出总预测结果。通过计算结果可知,EMD-PACF-Elman预测方法3个评价指标（平均绝对误差、均方误差、平均绝对百分误差）的计算结果与单一Elman神经网络模型、EMD-Elman神经网络模型、单一BP神经网络模型、EMD-BP神经网络模型相比都为最低,分别为0.562 4、0.598 9、0.110 7。因此, EMD-PACF-Elman预测方法可以有效地预测TPI,同时也为进一步预测交通拥堵趋势提供了依据。     

基于PCAW-UNet的田间杂草实时分割

深度学习已被广泛运用于图像分割领域,将其用于农业方面,能有效地将幼苗和杂草的位置准确定位,降低除草剂的使用,避免不必要的生产成本和环境污染.提出了一种基于UNet网络的实时分割方法,以UNet为主干网络,提取多尺度信息融合,在模型末端添加双注意力模块,考虑图像像素位置之间的依赖关系与不同通道间的信息联系,对RGB图像中...     

基于自注意力与动态路由的文本建模方法

有别于RNN和CNN,动态路由与注意力机制为捕捉文本序列的长程和局部依赖关系提供了新思路。为更好地进行文本编码,尽可能多地保留文本特征、增加特征多样性,基于动态路由与注意力机制的思想,整合胶囊网络和自注意力网络的语言信息特征抽取能力,构建一种深度网络模型CapSA,并通过3种不同领域的文本分类实验验证模型效果。实验结果显示,相较于几种基于RNN或CNN的模型,基于CapSA模型的文本分类模型取得了更高的F1值,表明该模型具有更好的文本建模能力。     

基于生物力学分析的人体意图预测实验设计

为实现人体运动意图预测,该文提出一种基于粒子群优化（particle swarm optimization,PSO）算法优化回声状态网络（echo state network,ESN）的模型预测控制（model predictive control,MPC）方法。首先,利用运动捕捉系统获得人体动作运动学信息,通过OpenSim软件反解算获取动力学信息;其次,以动力学信息为输入,运动学信息为输出,构建人体骨骼肌肉系统的ESN模型,并利用PSO算法优化ESN模型的关键参数;同时,将线性化后的ESN模型作为MPC控制对象,通过运动学信息,反优化MPC目标函数,求解目标结果,完成对人体运动意图的预测;最后,通过比较实验验证了所提方法的有效性。该方法对人体运动意图预测及穿戴式机器人控制算法设计等相关应用研究与教学实践具有实际意义。     

软件体系结构评价平台设计与实现

现有评估方法很少考虑模块间依赖关系程度,导致软件结构评估结果不能准确反映软件质量。基于PageRank思想计算软件中各模块的依赖关系权重,改进解耦水平（DL）的结构评价,开发了一个软件结构质量评价平台,并分别在6个数据集上实验,比较改进前后DL的准确度。实验结果表明,改进的DL在4个指标上都有较大提高,更能准确反映软件质量状况。     

基于注意力机制的U2-Net图像语义分割

图像语义分割是计算机视觉领域中的一项重要技术,在自动驾驶、医学影像分析、智能家居和安防监控等领域都有广泛的应用。近年,利用深度学习模型进行图像语义分割的方法得到了广泛关注和研究。然而,深度学习模型很容易出现过拟合问题,并且面对一些存在遮挡、噪声的图像时容易预测出错,从而导致模型分割精度下降。针对这个问题,提出了一种联合注意力机制的U²-Net图像语义分割优化方法,在以VGG为主干网络的U²-Net模型中,增加CBAM注意力模块,使网络模型能够更加关注与分割任务相关的区域,忽略掉一些无关或噪声干扰的区域,增强特征图的表征,进而能够有效地提高模型的性能和泛化能力。实验结果表明,在增加CBAM模块后,U²-Net模型的MIoU及准确率分别提高了8.21%和4%。     

英语听力教学中的预测策略探究

听力历来是英语教学中的一大难点。正确运用预测策略可以快速有效地捕捉信息,提高听力理解的准确性。本文提出了预测能力培养在英语听力教学中的重要意义,并根据教学中的实际情况提出了如何具体运用预测策略。该文对听力这一教学难点的突破具有一定的指导意义。     

暖季T639数值预报产品2m温度在永州地区的检验评估

文章对中国气象局下发的T639模式产品2m温度预报产品（2013年3-9月）进行本地化插值应用,获得对应永州地区11个国家级观测站点的预报值,并利用地面观测资料对预报结果进行误差统计,分析其误差时空特征,并对订正此数值预报产品的方案进行初步探讨。研究结果表明：暖季T639模式2m温度产品永州本地化释用的总体误差分布不均,各时段的误差也存在差异,误差分布存在明显的24h 的周期振荡;春季误差离散度较大,夏季误差离散度有所减小,T639模式产品存在夏季预报效果好于春季的基本特征;对同一时次预报产品进行传递误差订正对于提高整个暖季的预报效果有较明显的作用。     

基于FCM聚类及抖动半调的数码迷彩生成方法

数码迷彩因其不规则、不平滑的边缘特征而具备更强的伪装适应性．为快速有效地生成实用型数码迷彩,在传统迷彩基础上,提出一种基于误差扩散（E—D）抖动半调的数码迷彩生成算法．利用像素的三基色分量值作为特征值对迷彩原图作模糊C均值（FCM）聚类分析以提取迷彩主色,结合图像缩放、Gaussian滤波等图像处理,运用E—D抖动半调方法将传统迷彩图转换成数码迷彩图．实验证明,生成图既保持了迷彩原图的颜色分布及纹理特征,也具备了不规则的、锯齿状的边缘特征,有效地提高了迷彩的伪装隐蔽性能．     

基于改进Faster RCNN的金属丝网缺陷检测方法

作为一种传统的纺织产品,金属丝网在工业生产、日常生活、科研等领域起着举足轻重的作用,而金属丝网在编制过程中,表面会产生斑点、断线等缺陷,严重影响金属丝网的质量。为保障产品质量,研究了一种基于改进Faster RCNN算法的金属丝网表面缺陷检测方法。首先,为提高模型缺陷特征提取能力,特征提取网络选用深度残差网络（ResNet50）代替原视觉几何群网络（VGG16）,并引入注意力模块;随后,训练过程中利用有预热的余弦退火学习率衰减机制,以提高网络检测精度;同时引入k-means算法和遗传算法,设计了更适合金属丝网数据集的锚框尺寸,以提高候选框的精度,解决缺陷定位不准的问题。经实验验证,利用改进Faster RCNN算法检测的平均精度均值（mean average precision,mAP）达86.95%,较原Faster RCNN算法提高18.81%,为金属丝网缺陷的检测提供了一个有效可行的方案。     

结合Inception模块的卷积神经网络图像分类方法

针对现有卷积神经网络模型参数量大、训练时间长的问题,提出了一种结合VGG模型和Inception模块特点的网络模型。该模型通过结合两种经典模型的特点,增加网络模型的宽度和深度,使用较小的卷积核和较多的非线性激活,在减少参数量的同时增加了网络特征提取能力,同时利用全局平均池化层替代全连接层,避免全连接层参数过多容易导致的过拟合问题。在MNIST和CIFAR-10数据集上的实验结果表明,该方法在MNIST数据集上的准确率达到了99.76%,在CIFAR-10数据集上的准确率相比传统卷积神经网络模型提高了6%左右。     

基于ASTER GDEM的南水北调中线水源区水文特征提取及实现

从DEM（数字高程模型）中提取地形、地貌信息是当今GIS空间分析领域中的一个重要方面.利用ArcGIS软件的Hydrology模块,对丹江口水库上游的汉江流域的ASTER GDEM（先进星载热发射和反射辐射仪全球数字高程模型）进行了相关处理,提取了研究区域水流流向、汇流栅格生成、河网水系、子流域边界等流域特征信息,讨论分析了信息提取过程中存在的问题及解决方法.     

巧用动态生成来绽放数学精彩课堂

本文就动态生称的定义进行了部分阐述，结合笔者在数学教学中的实践，提出了怎么促进动态生成的四种办法，即：（1）捕捉有益的信息；（2）抓住意外的信息；（3）综合即时的信息；（4）利用错误的信息。以上四点在数学教学中有一点的新意，也有借鉴意义。     

基于RBF-ARIMA模型对煤炭消费量的预测研究

为了对河南省煤炭消费量进行较为准确的预测,先利用ARIMA模型对河南省煤炭消费量进行初步预测,捕捉线性趋势,然后利用RBF神经网络算法对河南省煤炭消费量预测误差进行修正.仿真结果表明:组合模型更全面地刻画了煤炭消费量的变化规律,提高了预测精度.