基于高光谱和LiDAR的黄河口湿地植被分类方法

利用无人机（Unmanned Aerial Vehicle, UAV）高光谱影像（Hyper-spectral Imaging, HSI）和激光雷达（Light Detection and Ranging, LiDAR）数据开展黄河口湿地植被分类方法研究。由于高空间分辨率HSI光谱变异性强,以及LiDAR点云密度不均匀,分类结果呈现出“椒盐”现象。为了解决这些问题,本文提出了一种结合空谱特征融合和通道注意力机制的双分支卷积神经网络（SSF-C-DBCNN）。光谱注意力机制通过为每个波段分配不同的权重来减少光谱变异性的影响。空间注意力机制侧重于学习和强调特征表达能力强的密集点云区域空间信息,从而减轻LiDAR点云密度不均匀对结果的影响。最后,在双分支融合特征后引入通道注意力机制来提取更深层次的特征。利用UAV采集的HSI和LiDAR数据进行实验验证,结果表明,本文提出方法的性能优于随机森林和五种深度学习方法,分类结果更为贴合实际土地覆盖,有效地抑制了“椒盐”现象。     

基于学习自动机的雷达干扰资源分配研究

综合考虑干扰机干扰频率、干扰功率、干扰时机和干扰样式等干扰效果评估指标,构建干扰效益矩阵,建立目标函数,构建干扰资源分配博弈模型,并基于学习自动机原理提出了分布式干扰资源分配算法,求解出干扰分配决策。仿真结果表明,提出的分布式干扰资源分配算法能以很低的复杂度来获得很好的干扰性能,有效地解决了干扰资源分配问题,对实际作战指挥有一定的指导意义。     

基于ECHAM5模式的杭州亚运保障期间降水预测

本文基于ECHAM5气候模式模拟的2000～2039年全球逐日降水量,通过与杭州萧山国际机场2001～2020年的降水资料做对比,从而预测2023年9月和10月杭州亚运保障期间降水情况。得到以下结论:1)2023年9月降水日数可能在10.5～15 d。2)2023年10月模式降水日数远低于模式及实况多年平均值,考虑两者平均值之间6.6～11.3 d的可能性更具指导意义。3)通过偏差订正,2023年9月及10月预测降水量分别为117.43 mm和0.15 mm,而预测雷暴日数分别为2.7 d和0.0 d。总体上9月降水比平均水平略高,10月则明显偏少。考虑10月预测值远低于平均值,10月降水量在模式与实况平均值之间68.34～75.57 mm的可能性更具参考意义,而雷暴日数取0.2～1.2 d更可靠。4)10月降水与秋台风的影响密切相关,叠加今年厄尔尼诺增强的趋势,降水预测也更为复杂多变。     

窄距平行双跑道运行效率分析

随着我国航空运输业的发展,部分单跑道机场容量逐渐达到饱和,单跑道已经不能满足航空业务量的需求,因此近年来越来越多的窄距平行双跑道投入运行。本文采用统计分析方法梳理国内由单跑道构型提升到窄距平行双跑道构型机场容量保障提升情况,并通过计算机仿真方法分析贵阳机场窄距平行双跑道不同跑道使用策略下的机场运行效率情况,以期为机场跑道规划建设提供新思路。     

国内代码共享航班票价发布模式分析

代码共享是航空运输企业特有的一种商务合作方式,可以在不增加运力的前提下帮助航空公司提高市场占有率和客运量,达到资源共享、增加收益的目的。代码共享航班的票价制定及发布,是支撑航空公司代码共享收益的核心组成部分,本文总结了国内航空公司关于代码共享航班票价发布模式的发展变迁,分析了兴起于不同时间段的数种发布模式的相应特点与存在问题,并结合机票价格发布业务的趋势,展望了票价发布模式今后的发展前景,以期对航空公司代码共享票价的制定与发布流程建设及优化起到积极的推动作用。     

以学生为中心的电路分析基础混合式教学改革

本文分析了基于SPOC的线上线下混合式教学在“电路分析基础”课程教学中的应用模式,这种混合式教学模式坚持以学生为中心,充分发挥了线上和线下两种教学优势。在教学改革实践过程中,课题组了重新确定教学理念,教学目标,重构了教学内容,融入了课程思政,改革了考核方式。混合式教学模式拓展了教与学的时间和空间,提高了学生学习的积极性,提升了课堂效率。     

“新工科”视角下材料成型及控制工程专业人才培养模式

在新工科背景下,结合学校材料成型及控制专业人才培养模式,进行了几点深入思考,提出了以加强教师队伍建设、推进课程教学改革、完善人才培养机制三方面改革新举措。构建了以校企协同育人,新型应用型人才培养模式。     

基于特征融合和集成学习的运动想象脑电解码方法

开发高性能的脑电解码方法一直是脑机接口系统研究的重点和难点。为了进一步提高运动想象脑电解码的性能,提出了基于特征融合和集成学习的脑电解码方法。首先,针对每个通道脑电信号提取方差、自回归(AR)系数和带通功率特征,接着进行特征融合。其次,提出两种新的集成学习方法,分别是基于K最近邻(KNN)的集成学习模型和基于最小绝对值收缩和选择算子(LASSO)的集成学习模型。其中,KNN集成模型针对KNN分类器的K值以及闵式距离的P值进行集成,LASSO集成模型针对LASSO分类器的正则化参数进行集成,这两种集成学习方法计算简单且不需要烦琐耗时的交叉验证过程进行模型选择。最后,在三个公开的运动想象脑电数据集上验证所提方法的有效性。实验结果表明,新提出的集成学习方法,其分类结果优于支持向量机、随机森林等现有的分类器。LASSO集成模型优于KNN集成模型,在三个数据集上取得了71.75%的最高平均分类准确率。