面向繁忙区域扇区动态管理的相似运行场景识别（英文）

由于空中交通的不确定性,管制员在策略制定时面临着很大的挑战,而相似运行场景识别是一种很好的辅助管制员进行策略制定的方法。基于典型繁忙区域管制空域的运行特征建立了复杂度度量指标体系,在此基础上分析出区域扇区运行特征具有聚集性及连续性的特点,利用主成分分析有效地降低了数据维度和信息冗余,并利用主成分构建了代表运行模式场景和运行趋势场景的离散特征和时序特征。基于高斯核函数,采用欧氏距离和动态时间规整(Dynamic time warping,DTW)方法对特征间的相似度进行了度量,将度量结果输入到谱聚类模型中得到场景识别结果。聚类结果表明,基于上述指标体系,相似运行趋势场景识别效果不明显,相似模式场景识别结果较理想。最后采用多维缩放(Multidimensional scaling,MDS)方法对相似模式场景识别结果与扇区实际垂直运行进行了可视化对比,识别结果在高峰时刻能很好的反映运行情况,高峰时刻繁忙运行模式和开扇运行的匹配率达到96.7%,并分析出凌晨时段管制员在相似的场景下会做出不同决策,实验结果表明了识别结果的客观性及实际运行的主观性。相似的空中交通活动为管制策略制定提供了规律性支撑,也证明了这种方法在管制运行中对其他人工智能技术及动态策略制定的支持潜力。     

基于相似度的半监督学习工业数据分类算法

针对现实场景中大量无监督数据无法有效利用的特点,提出了一种基于数据相似度匹配的半监督学习算法。该方法结合一定的先验知识,通过无监督学习的方式,计算未标记数据与少量有标记数据之间相似度,从而对少数类样本进行扩充。利用构造后的数据集进行模型训练,从而提高模型对于少数类的识别效果。该方法能有效改进分类任务中数据分布不平衡及标记困难的问题,在一组基于真实场景下的电力传感器检测数据分类任务中取得了较好的少数类识别效果。通过对比传统以及半监督的多种分类算法,该方法虽然在准确率上低于传统方法,但是在召回率与F₁值的表现上超越传统方法。     

基于对比学习的终端区相似气象场景识别（英文）

为了提高终端区相似气象场景（Similar weather scenarios,SWSs）的识别准确率,提出一种基于对比学习的SWS(SWS based on contrastive learning,SWS-CL)识别模型。首先,针对对流天气图像特点,设计了一种数据增强方法来增加天气图像样本的数量和质量。接着,设计了一种对比损失函数使向量表征空间中的正样本与锚点样本之间的距离更近,而负样本与锚点样本之间的距离更远,进而基于对比学习技术在无标记样本集上训练得到相似气象场景分类预训练模型。最后,利用少量标记样本对预训练SWS-CL模型进行监督微调,进一步提高SWS-CL模型的性能。在广州终端区气象图像集上的对比实验表明,所提出的数据增强方法能有效提高气象图像集的质量,所提出的SWS-CL模型能取得令人满意的识别精度,且在标签稀少的数据集上具有明显的优势。     

基于改进区域生长算法的终端区扇区优化

针对民航业发展中空中交通流量不断增加以及空域划分不合理导致的流量分布、管制员负荷分布不均等问题,基于空中交通管制扇区划分的思想,对终端区扇区优化算法进行了研究。通过对终端区空域实际交通流网络进行数学描述,利用流量栅格矩阵划分空域单元,并以航迹数据作为统计依据建立扇区优化的数学模型,实现利用流量数据代替负荷计算,简化了扇区优化的过程。针对传统生长算法所得扇区不连续空域较多问题,提出环形生长的改进区域生长算法得到最优的扇区划分。最终,以厦门终端区为例,通过改进区域生长算法所得的扇区管制员负荷,经计算均小于总时间的80%,且最小负荷差为304 s,验证了所提出扇区优化方法的合理性。     

空中交通管制员认知可靠性研究

针对空中交通管制员人因失误问题,首先分析了管制员人因失误的类型,然后利用核工业领域中的认知可靠性(HCR)理论对管制工作中的典型人机界面进行了研究。在DRS-98雷达模拟机上采集了短期冲突(STCA)告警环境下管制员反应时间,并利用SPSS软件进行数据分析,得出了不响应概率与规范化响应时间的概率分布拟合曲线。结果表明,在STCA告警界面下不响应概率与规范化响应时间服从3参数的威布尔分布,验证了HCR理论在空中交通管制领域的适用性。     

遥感图像中港口目标识别技术

针对遥感图像中港口目标识别的特点,提出了一种基于纹理特征分类与轮廓识别的高效港口识别算法.该方法首先采用梯度分析方法进行海陆分割,得到水域与陆地的二值图像,并据此提取轮廓,然后利用差分链码标记提取港口轮廓,最后检测与链码拐点有关的三个特性,得到港口基元的识别结果.实验结果表明,该算法能够有效地识别遥感图像中任意方向和任意凹凸的港口目标.     

地面目标多角度SAR数据集构建与目标识别方法

南京航空航天大学雷达探测与成像技术研究团队利用自主研制的无人机（Unmanned aerial vehick, UAV）机载高分辨率微小型合成孔径雷达（Mini synthetic aperture radar, MiniSAR）系统,针对多类具有代表性的地面目标进行全方位回波录取及成像处理,构建了拥有自主知识产权的复杂目标SAR数据集,并依托该数据集开展了基于人工智能的目标识别方法研究。针对无人机运动姿态不稳定、辅助传感器精度受限导致的图像散焦问题,本文提出了新型运动补偿及新型二维自聚焦算法。实验表明,虽然AlexNet、ResNet-18、AConvNet和VGG等经典神经网络在MSTAR十类目标分类问题中取得了接近100%的分类准确率,但将其应用于南航MiniSAR数据集时分类准确率均明显低于90%。由于本文采取的实验方法与SAR目标识别技术的实际应用场景较为接近,该MiniSAR数据集对于面向工程应用的SAR目标识别算法研究将会具有重要参考价值。     

基于L1范数的k平面聚类算法设计

基于L2范数度量的k平面聚类(k-Plane Clustering,k PC)设计思想,本文提出了一种采用L1范数度量的聚类算法。由于在平面更新步骤中,所导出的优化问题是非凸的,文中给出了一种求解方法,即将非凸问题转化为有限个子集上的凸问题,为避免求解多个优化问题导致训练时间过长问题,本文还设计了一种新的优选策略,有限个子集的搜索任务可在线性时间内完成。本文所提出的方法只需要求解k个线性规划,而不再是k PC的求解特征值问题。在人工和UCI数据集上的实验结果表明:基于L1范数平面聚类算法的训练和测试时间更短,且在大多数数据集上均表现出了更好的聚类性能。     

基于复杂度分析的空域扇区划分

空中交通复杂度是对空域结构的客观衡量,是影响扇区规划的最主要因素之一。为了合理利用空域资源、提高空中交通运行效率,研究了基于复杂度分析的空域扇区划分问题。针对空域的内部结构与运行状态,深入分析扇区面积、航路结构、交叉点复杂性、机型混杂程度以及运行状态混合程度等影响因子的特性,建立了可量化计算的空中交通复杂度评估指标,定义了空中交通复杂度;基于空中交通复杂度来衡量管制员的工作负荷,以均衡管制员工作负荷为原则建立扇区规划模型,并采用生长算法进行求解。最后,选取珠江三角洲地区的空域进行实例分析,验证了本文扇区划分方法的有效性。     

基于聚类的多标记选择性集成

多标记学习和选择性集成是机器学习中的两个热点研究问题。本文利用聚类思想探究多标记学习中的选择性集成, 提出了两种具体的多标记选择性集成算法：基于最小距离的簇中心选择算法（Minimum distance based cluster center selection,MDCCS）和基于K-means的簇中心选择算法（K-means based cluster center selection, KMCCS）。在所提出的算法中,如何度量学习器之间的距离是其能否成功的关键因素。本文首先基于学习器的分类结果对其进行重新表示,在此基础上给出了学习器之间距离的计算方式。此外, 对于算法中的空簇问题给出了两种解决方法。基于Mulan数据库中的多标记数据集和5种评价指标对所提算法进行了详细的分析,实验结果表明了所提算法的有效性。     

空管人员和训练飞行指挥员对空中紧急情况的处置策略

针对当前我国空中交通管制员和训练飞行的飞行指挥员在紧急情况处置中存在的不足,提出了相应的对策.参考国外的先进经验,首先提出了要了解其指挥对象--空中机组在面对紧急情况时的基本处理程序,然后指出管制员和飞行指挥员处置紧急情况应采取的总体性策略,最后还提出了应加强培训,使处理紧急情况的业务水平和心理准备都要处于最佳状态.     

结合多通道特征和可形变模型的自然场景鸟类检测

可形变部件模型(DPM)在目标检测已取得较好的效果,但因为现有的目标检测数据集中鸟类样本数量过少,分布不均衡,而且采用的HOG特征无法较好的表征鸟类目标,造成自然场景鸟类检测的准确率很低。针对这个问题,本研究首先对Image Net数据集上的鸟类样本进行筛选和数据分析,选取自然场景中鸟类样本1 500个,生成对应的标注文件,建立了自然场景鸟类数据集;并提出一种结合多通道特征(Aggregate Channel Features,ACF)和DPM的自然场景鸟类检测方法,算法从自然场景鸟类数据集中的训练样本中,提取ACF特征,再通过Latent SVM训练得到ACF-DPM模型;进一步研究了模型组件和部件个数对于鸟类检测效果的影响。实验结果表明:本文算法在复杂的自然场景中,能够有效地进行鸟类检测,整体精度优于传统的DPM算法。     

一种多属性主客观对比评价模型及应用

提出了一种多属性主客观对比评价模型,用以分析被评价者对自身(主观)评价与专家(客观)评价的异同,以期提升评价的效能。首先针对所有被评价数据集,依托于聚类分析方法,提出了一种典型样本选取策略。然后应用优势粗糙集理论对典型样本集进行了专家知识学习,形成决策规则集,并将规则应用于分析所有的数据,获得客观评价结果,与主观评价结果进行比较分析。最后应用该模型对研究生学习能力进行了分析,证明了模型的有效性。     

基于多样性约束和离散度分层聚类的无监督视频行人重识别

视频行人重识别是一项应用非常广的计算机视觉任务。目前的视频行人重识别方法通常是基于监督学习的,该方法需要手工标记大量的数据,代价非常高且并不适用于现实场景。本文提出了一种从底向上的基于多样性约束和离散度分层聚类的无监督视频行人重识别方法。该方法首先将每个样本当作是一个不同的类,然后结合类内间离散度进行从底向上的分层聚类,类间和类内离散度都小的类别将被优先合并,同时在聚类准则中加入一项多样性约束来平衡每类中的样本数量,最后,利用线性变化的特征存储器动态更新模型。在Mars和DukeMTMC-VideoReID两个大型视频数据集上的实验结果表明,相比于目前先进的无监督视频行人重识别方法,本文方法在性能上有一定的提升。     

基于相关性度量的伪主成分分析

采用数据样本间的相关性作为相似性度量,并引入样本的类信息,提出一种新的降维方法,即伪主成分分析(Pseudo-PCA),该方法尽可能地保持原样本的变化信息,同时又使得降维后的同类数据样本尽可能保持相似。此外,将这种思想方法成功推广到近年来提出的2DPCA,MatPCA和(2D)2PCA。在ORL,Yale和AR等人脸数据集上的实验表明,该类方法的识别率高于相应的基于欧氏距离的PCA,2DPCA,M atPCA和(2D)2PCA等方法。     

多元受限的地面等待策略问题研究

多元受限的地面等待策略即飞机地面等待时间的最优配置,是空中交通管理系统具有的最重要功能之一,是空中交通流量控制中战略管理的重要内容。最优配置旨在减少或消除飞机的空中等待延时,提高空中交通流量。本文在单机场受限地面等待策略问题的基础上,研究了确定容量条件下的多元受限地面等待策略问题,建立了数学模型,并提出了一个启发式和专家系统相结合的流量管理新算法。论文最后利用广州区域某日典型的航班飞行实际数据,对     

基于深度自编码器的终端区异常航迹识别方法及其在航迹聚类中的应用（英文）

异常航迹识别与交通流分类对复杂空域的安全与效率分析是重要的。一些研究人员使用基于密度的无监督聚类算法提取空域中这两种与管制行为相关的航迹数据。然而,数据质量问题和交通流之间的微小密度差异是这项工作的两个主要难点。为了解决这两个问题,本文提出一种结合稳健自编码器模型(Robust deep auto?en?coder,RDAE)和密度峰值(Density peak,DP)聚类算法的框架。具体地,通过不同的正则化优化方式使得RDAE模型分别用来重构去噪航迹与异常航迹检测。然后,RDAE模型的Encoder输出的非线性降维向量作为DP聚类算法的输入以分类空域中全局的交通流。在含有标签的广州白云机场数据集上的实验表明,所提算法能够自动地捕捉到空域内飞机运动的非常规时空交通模式。RDAE在异常航迹检测以及所提框架在交通流分类上的优越性均通过可视化与定量的结果评估分析。     

基于全卷积孪生神经网络的复杂监控场景下前景提取方法

由于光照变化、相机抖动和动态背景等因素影响,现有基于传统图像处理方法的前景提取算法并不能在复杂场景下获得良好的分割效果。针对此类问题,本文提出了一种基于全卷积孪生神经网络的前景提取算法,仅需任意2帧图像即可准确提取运动前景。将输入的2帧图像分为背景图像与待提取图像,将其输入全卷积孪生神经网络得到二者的相似性度量图,该相似性度量图中包含待提取图像相对于背景图像的各像素变化情况信息;接着将相似性度量图与待提取图像融合,利用编解码网络以实现端到端的前景提取。在CDnet2014数据集上进行综合评估与测试,结果均证明了该方法的有效性。     

基于聚类分析的航空器滑行过点时间预测

为了预测航空器滑行预计到达时间（Estimated time of arrival,ETA）,减少场面冲突,提高机场运行效率,本文使用卡尔曼滤波算法对场面历史轨迹数据进行预处理。为了衡量轨迹样本间的距离,综合三类特征用于机场场面历史轨迹数据聚类。特征包含航空器滑行时段和场面航空器数量,以及参考动态时间规整（Dynamic time warping,DTW）算法提取的轨迹差异度特征。将两个样本特征的欧式距离作为样本间的相似度量;基于均差最大原则确定初始聚类中心,使用K-means算法对样本进行聚类,根据待规划航空器的所处时段和场面航空器数量选择匹配度最高的类簇,将其聚类中心样本的轨迹序列和塔台规划的静态路径相结合预测航空器滑行ETA。通过将实际轨迹数据与预测的滑行ETA进行对比分析,证明了本文预测航空器滑行ETA的准确性。     

空中交通网络物理系统影响力节点排序与抗毁性研究（英文）

为了确保飞行安全,采用复杂网络方法研究了空中交通网络物理系统(Cyber physical system,CPS)节点的影响和抗毁性。根据空中交通管理规则,分析了航路与管制扇区之间的逻辑耦合关系,构建了空中交通CPS网络模型,并建立了节点影响力指标和抗毁性指标。改进了K-shell(Improved K-shell,IKS)算法,对网络节点的影响力进行了计算和排序,并分析了随机和选择性攻击下的网络抗毁性。以华东地区空域为例,建立空中交通CPS模型,利用度、IKS和接近中心性对信息网和物理网的影响力节点进行了排序,分析了空中交通CPS在不同攻击方式下的抗毁性。实验结果表明,IKS算法能够有效识别空中交通CPS网络中的影响力节点,改进K-shell和接近中心性是影响空中交通CPS的抗毁性的两个关键指标。