1 国家电网有限公司 信息通信分公司, 北京100761
2 国网湖北省电力有限公司 信息通信公司, 武汉 430077
3 长飞光纤光缆股份有限公司 光纤光缆制备技术国家重点实验室, 武汉 430073
G.654.E光纤应用于传输系统中, 因截止波长大以及与收发端设备的耦合方式, 可能产生多路径串扰(MPI)从而影响传输性能。为了探究MPI的影响因素, 通过窄带外腔激光器/光功率计法在1310 nm光源波长下分析了光纤类型、光纤长度、打圈条件、连接方式和尾纤类型对MPI的影响。实验结果表明: 对于短距离链路, 可通过热熔代替活动连接器以及打圈滤模来减小MPI;而对于长距离链路, 尽量避免不同类型光纤的混合连接。
光纤传输 G.654.E光纤 多路径串扰 短距离链路 长距离链路 fiber transmission, G.654.E fiber, multi-path inte
宁波大学信息科学与工程学院,浙江 宁波 315211
遥感卫星具有覆盖范围广、连续观测等特点,被广泛应用于海雾识别相关研究。本文首先借助能够穿透云层,获取大气剖面信息的星载激光雷达(cloud-aerosol LiDAR with orthogonal polarization, CALIOP)对中高云、低云、海雾、晴空海表样本进行了标注。然后结合葵花8号卫星(Himawari-8)多通道数据提取了各类样本的亮温特征与纹理特征。最后根据海雾监测的需求,抽象出海雾监测的推理决策树,并据此建立深度神经决策树模型,实现了高精度监测夜间海雾的同时具备较强的可解释性。选择2020年6月5日夜间Himawari-8每时次连续观测数据进行测试,监测结果能够清晰地展现此次海雾事件的动态发展过程。同时本文方法海雾监测平均命中率(probability of detection, POD)为87.32%,平均误判率(false alarm ratio, FAR)为13.19%,平均临界成功指数(critical success index, CSI)为77.36%,为海上大雾的防灾减灾提供了一种新方法。
葵花8号卫星 CALIOP星载激光雷达 深度神经决策树 夜间海雾识别 Himawari-8 CALIOP deep neural decision tree nighttime sea fog recognition
宁波大学信息科学与工程学院,浙江 宁波 315211
针对传统云图检索方法难于获得理想的检索精度且检索效率低的问题,提出了一种基于深度度量学习的云图检索方法。首先设计了残差3D-2D卷积神经网络,以提取云图的空间及光谱特征。鉴于传统基于分类的深度网络所提取的特征可能存在类内差异大、类间差异小的问题,采用三元组训练网络,依据云图之间的相似性将云图映射到度量空间中,以使同类云图在嵌入空间中的距离小于非同类云图。在模型训练时,通过对无损三元组损失函数增加正样本对间距离的约束,改善了传统三元组损失的收敛性能,提高了云图检索的精度。在此基础上,通过哈希学习,将度量空间中的云图特征变换成哈希码,在保证检索精度的条件下提高了检索效率。实验结果表明,在东南沿海云图数据集和北半球区域云图数据集上,本文算法的平均精度均值(mean average precision, mAP)分别达到75.14%和80.14%,优于其他对比方法。
深度学习 度量学习 三元组损失 卫星云图检索 deep learning metric learning triplet loss satellite cloud image retrieval
宁波大学 信息科学与工程学院, 浙江宁波315211
准确的云分类模型对气象监测有重要的意义,传统机器学习云分类模型依赖手工特征提取,容易受噪声数据影响,模型泛化能力较差。深度网络分类模型能自动学习图像深度特征,但是对于图像边缘与细节分类效果不佳。本文针对上述问题进行研究。首先提取Himawari-8卫星云图光谱特征、纹理特征用以训练模糊支持向量机(Fuzzy Support Vector Machine,FSVM)模型;同时利用不同通道云图训练深度网络,学习云图深度特征;最后,根据不同模型特性,训练元分类器对各模型输出进行融合,设计了一种基于深度网络与FSVM集成学习的云分类方法,该方法综合不同模型优势,利用不同模型间的互补性提高云分类结果的鲁棒性和可信度。相比单独使用FSVM或深度网络的分类模型,本文集成学习方法在众多评价指标中有更好的表现,平均命中率、平均误报率和平均临界成功指数分别达到0.924 5、0.079 6、0.858 1;与其它云分类模型相比,本文方法也有更好的分类效果;在具体案例测试中也发现,该方法对于不同云类混合区有更高的识别精度,而且能更加准确的识别云团边缘及细节。本文模型能够满足云分类模型稳定可靠、高精度、泛化性能强的要求。
Himawari-8 云分类 深度网络 FSVM 集成学习 Himawari-8 cloud classification deep neural network FSVM ensemble learning
1 国家电网有限公司 信息通信分公司,北京 100761
2 武汉光迅科技股份有限公司,武汉 430205
针对光纤非线性补偿中低通滤波器对数字后向传输(DBP)算法复杂度与补偿精度的影响,研究了256 Gb/s偏振复用16阶正交振幅调制(PDM-16QAM)信号在采用贝塞尔、高斯和巴特沃斯低通滤波器时的非线性补偿特性。实验结果表明:当步长较小时,3种低通滤波器对DBP算法影响基本一致;当步长较大时,高阶贝塞尔低通滤波器的性能最佳。此外,当低通滤波器阶数为1、3 dB带宽固定为8 GHz和步长大于40 km时,高斯低通滤波器比其它2种低通滤波器的Q因子高约0.1 dB。
相干光通信 低通滤波器 非线性 单模光纤 数字后向传输 coherent optical communications low pass filter nonlinearity single mode fiber digital backward transmission
宁波大学信息科学与工程学院, 浙江宁波 315211
在图像超分辨率重建问题中, 许多基于深度学习的方法大多采用传统的均方误差 (MSE)作为损失函数, 重建后的图像容易出现细节模糊和过于平滑的问题。针对这一问题, 本文对传统的均方误差损失函数进行改进, 提出一种基于多尺度特征损失函数的图像超分辨率重建方法。整个网络模型由基于 DenseNet的重建模型和一个用来优化多尺度特征损失函数的卷积神经网络串联构成。将重建后得到的图像和对应的原始高清图像作为串联的卷积神经网络的输入, 计算重建图像卷积得到的不同尺度特征图与对应的原始高清图像卷积得到的不同尺度特征图的均方误差。实验结果表明, 本文提出的方法在主观视觉效果和 PSRN、SSIM上均有所提升。
图像超分辨率重建 稠密卷积神经网络 多尺度特征损失函数 深度学习 image super-resolution reconstruction densely connected convolutional neural networks multi-scale feature loss function deep learning
宁波大学信息科学与工程学院,浙江 宁波 315211
卫星云图能从多角度展示各类云系特征及其演变过程,实现基于内容的云图检索在天气实况监测、气候研究等方面具有重要意义。为了优化云图的组合特征,增强其组合特征的泛化能力,本文提出一种结合稀疏表示和子空间投影的特征优化方法。首先分别提取云图的颜色、纹理以及形状三种特征,并对其组合特征进行转换分块;然后对每一块的特征进行稀疏表示,根据不同原子的方差来分组特征,得到显著特征和非显著特征;最后由分组特征的能量来计算得到子空间投影矩阵,将初始的组合特征在投影矩阵上进行投影,得到优化后的云图特征。实验结果表明,本文优化云图特征的方法在查准率、查全率上均优于常用的降维方法和云图检索技术,对组合特征具有较强的优化能力,在实时检索过程中时间复杂度低,是一种全新的检索方法。
稀疏表示 特征优化 子空间学习 云图检索 sparse representation feature optimization subspace learning cloud retrieval
宁波大学 信息科学与工程学院,浙江 宁波 315211
针对红外云图分辨率低、视觉效果较差的问题,提出一种图像结构组稀疏表示的超分辨率方法。该方法充分利用红外云图的结构自相似性,将结构组作为稀疏表示的基本单位,建立图像结构组稀疏表示模型。在训练字典过程中通过高斯混合模型学习图像结构组的先验信息,再对样本块进行聚类,利用主成分分析学习得到紧凑的分类字典。在重建阶段对每个结构组自适应选取最匹配的字典,使用改进了的加权l1 范数优化方法求解稀疏系数。实验结果表明,与ScSR、Zeyde、NARM 等算法相比,所提算法在视觉效果以及图像质量评价指标上均有所提高,红外云图重构质量有较为明显的改善。
超分辨率 红外云图 结构组稀疏表示 自相似性 super-resolution infrared nephogram structural group sparse representation self-similarity
宁波大学 信息科学与工程学院,浙江 宁波 315211
为了综合利用红外和可见光云图的天气信息,本文提出一种基于非下采样shearlet(NSST)与自适应脉冲耦合神经网络(PCNN)相结合的红外和可见光卫星云图融合方法。首先利用NSST 对红外和可见光卫星云图进行多尺度、多方向分解,然后对分解得到的低频子带系数采用基于局部区域方差和局部区域能量的自适应加权方法进行融合,高频子带系数采用改进的自适应PCNN 进行融合,其中脉冲耦合神经网络的连接强度依据高频系数区域特征的不同重要性,通过一个S 型模糊隶属度函数自适应确定。最后对融合完成的低频和高频分量进行NSST 逆变换得到最终的融合云图。实验结果表明,基于本文提出方法的融合图像无论是从主观视觉效果,还是客观评价指标都要优于文中对比的典型融合方法,能为后续的天气分析和处理提供具有更加丰富的气象资料。
卫星云图 图像融合 非下采样shearlet 变换 自适应PCNN 模糊隶属度函数 cloud images image fusion nonsubsampled shearlet transform adaptive PCNN fuzzy membership function
宁波大学信息科学与工程学院,浙江宁波 315211
针对现有人脸识别方法在光照变化、表情变化及噪声干扰等情况下识别率下降的问题,本文将主成分分析 (PCA),图像的小波包分解 (WPD)和稀疏表示分类 (SRC)等算法结合起来进行研究分析,提出了一种融合小波包细节子图及稀疏表示 (FW-SRC)的人脸识别方法。该方法首先将图像小波包分解以后的子图像进行加权融合,对融合后的图像进行特征提取并构造特征空间,然后用样本在特征空间上的投影集构造稀疏字典,最后通过对人脸图像的稀疏表示实现分类识别。采用 Yale B、AR和 CMU PIE人脸库分别进行了光照、表情及噪声鲁棒性的测试,实验结果表明本文方法不仅提高了人脸识别率,而且在光照强度变化、表情变化以及噪声干扰的情况下具有良好的识别性能。
人脸识别 小波包分解 稀疏表示 鲁棒性 face recognition wavelet packet decomposition sparse representation FW-SRC FW-SRC robustness -14