CN106886856B - 一种基于PSR-FastICA-OS_ELM的自动气象站实时数据质量控制方法 - Google Patents

一种基于PSR-FastICA-OS_ELM的自动气象站实时数据质量控制方法 Download PDF

Info

Publication number
CN106886856B
CN106886856B CN201710098307.3A CN201710098307A CN106886856B CN 106886856 B CN106886856 B CN 106886856B CN 201710098307 A CN201710098307 A CN 201710098307A CN 106886856 B CN106886856 B CN 106886856B
Authority
CN
China
Prior art keywords
quality control
signal
time
air temperature
reconstruction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710098307.3A
Other languages
English (en)
Other versions
CN106886856A (zh
Inventor
叶小岭
姚润进
熊雄
沈云培
杨星
陈洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN201710098307.3A priority Critical patent/CN106886856B/zh
Publication of CN106886856A publication Critical patent/CN106886856A/zh
Application granted granted Critical
Publication of CN106886856B publication Critical patent/CN106886856B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于PSR‑FastICA‑OS_ELM的自动气象站实时数据质量控制方法，该方法，首先对单站实时气温及定长历史气温序列进行采集，构成采集信号；然后对采集信号进行基本质量控制；接着进行相空间重构；并对重构的高维矢量空间信号进行快速独立分量分析，达到去噪、去冗余的目的，得到源信号在高维矢量空间中的无偏信号；最后，通过在线序贯极限学习机构建时间序列采集信号的重建模型，得到去噪后的气温重建值；并根据此去噪重建值与实际观测值比较进行条件修正，完成对该时刻气温的质量控制。该方法满足了实时数据采集的要求，提高了实时自动气象站观测数据的质量。

Description

一种基于PSR-FastICA-OS_ELM的自动气象站实时数据质量控 制方法
技术领域
本发明涉及自动气象站观测数据的质量控制领域，特别发明了一种针对自动气象站实时采集气温资料的质量控制方法。
背景技术
我国自90年代末开始在部分台站布设地面自动气象观测系统，至2011年，全国有2500多个地面自动气象站应用到气象观测业务。自动气象站具有站点分布密集、地形差异大、测站环境恶劣、数据采集和传输自动化程度高、资料实时性强、中小尺度天气现象明显等特点，其观测数据的质量问题比人工常规地面站观测资料显得更复杂和严重，因而必须对自动气象站的观测数据进行质量控制。我国对采集的数据进行两个层面质量控制，即基于观测台站的数据有效性、实时性控制和基于数据中心的内部一致性、时间一致性和空间一致性质量控制。在我国三级质量控制业务中，基层台站级控制进行基本质量控制，省级、国家级应对自动站实时数据进行全面系统质量控制。但是，自动气象站在进行数据采集过程中容易受到大量系统噪声、随机噪声、粗大噪声和微气象噪声的干扰；这些噪声中的随机噪声、系统噪声和微气象噪声是现有质量控制方法不能消除的，这会影响自动气象站观测数据的质量，从而影响气候、气象变化模型的研究和短期数值天气预报的精度。
传统基于相空间重构的气温重建实时质量控制法，是根据历史观测数据在高维矢量空间与对应气温的映射关系完成对气温的重建，进而达到质量控制的目的。这种方法忽视了历史气温数据在高维矢量空间信号中噪声部分的分离，即高维矢量空间信号包含源信号和噪声信号；也忽视了高维矢量空间信号的冗余性去除，即高维矢量空间独立信号的特征提取。这是传统基于相空间重构方法的不足之处。
发明内容
本发明的目的是提供一种基于PSR-FastICA-OS_ELM的自动气象站实时数据质量控制方法，解决了目前质量控制方法不能消除随机噪声、系统噪声、微气象噪声的问题，提高了自动气象站实时观测数据的质量。
本发明采用的技术方案为：一种基于相空间重构(PSR)、快速独立分量分析(FastICA)和在线序贯极限学习机(OS_ELM)的自动气象站实时数据质量控制方法，包括以下步骤：
步骤1：采集被检站被检t时刻气温tep(t)，即实际观测值，及t时刻前某一长度的小时数据构成气温时间采样信号{x(t′)|t′＝1,2,…,n}，其中t为实时采样时间，t′为历史采样时间，两者满足关系t′＝t-n+1，n为历史采样时间的长度。
步骤2：对历史气温序列信号{x(t′)|t′＝1,2,…,n}进行基本质量控制，得到基本控制后的数据
Figure BDA0001230434060000021
步骤3：根据公式
Figure BDA0001230434060000022
对基本质量控制后的数据
Figure BDA0001230434060000023
进行相空间重构，得到N(N＝n-(m-1)τ)个维数为m的矢量信号
Figure BDA0001230434060000024
其中，m、τ为相空间重构参数嵌入维数和时间延迟。
步骤4：根据独立分量分析，步骤3得到的高维矢量信号包括源信号真实信息部分和噪声信息部分，即ICA混叠模型
Figure BDA0001230434060000025
其中，
Figure BDA0001230434060000026
为步骤3中得到的高维矢量信号，即混叠信号；A为未知混合矩阵；
Figure BDA0001230434060000027
为理想的相互独立、无污染的高维矢量信号；ni为噪声项。根据ICA解混模型
Figure BDA0001230434060000028
求取源信号真实部分的无偏估计值
Figure BDA0001230434060000029
其中
Figure BDA00012304340600000210
为基于某一目标函数的最优解叠矩阵W下的源信号
Figure BDA00012304340600000211
的估计信号。本发明运用FastICA算法的基于负熵非高斯性最大化原理求解解叠矩阵W，得到去噪、独立统计高维信号
Figure BDA00012304340600000212
步骤5：根据步骤4中FastICA分析所得高维矢量信号
Figure BDA00012304340600000213
与步骤2中经基本质量控制后的历史采样信号
Figure BDA00012304340600000214
按照高维矢量信号与对应时刻的历史采样信号的原则，构建OS_ELM样本集，即
Figure BDA00012304340600000215
其中，训练集、测试集为前(N-1)个。经过训练、测试得到在被检t时刻、在历史高维信号
Figure BDA00012304340600000216
下的气温tep(t)重建模型，即
Figure BDA00012304340600000217
步骤6：在步骤5中得到的OS_ELM模型中输入
Figure BDA00012304340600000218
得到被检时刻气温的重建值
Figure BDA00012304340600000219
即
Figure BDA00012304340600000220
完成去噪后气温的重建。
步骤7：将t时刻去噪重建气温值
Figure BDA00012304340600000221
与采样值tep(t)进行比较，若两者差值绝对值在某一阈值δ内，即
Figure BDA00012304340600000222
则通过质量检测，否则认为该观测数据可疑，用去噪重构值修正实际观测值，即
Figure BDA0001230434060000031
步骤8：令t＝t+1，重复步骤1到步骤7，完成对历史观测气温高维去噪、实时气温重建及疑误修正的质量控制过程。
作为优选，所述步骤2中，进行的基本质量控制操作主要包括界限值检查、气候极值检查、时变检查、内部均一性检查和空间一致性检查。
作为优选，所述步骤3中，PSR技术参数中，嵌入维数m的选取采用了最小虚假近邻法，时间延迟τ采用了互信息法决定。
作为优选，所述步骤4中，解叠矩阵W、去噪和去冗余高维矢量信号的求取是基于最大熵近似负熵原理，即目标函数为J(y)＝[E{G(y)}-E{G(ygauss)}]2，其中G(·)是任意二次函数，y、ygauss为零均值和方差的变量，本发明即高维矢量信号
Figure BDA0001230434060000032
作为优选，所述步骤5中，在去噪高维矢量-气温的重建模型中，训练、测试样本个数按照随机3:1比例随机分配。
作为优选，所述步骤7中，临界阈值δ按照公式δ＝f·rmse(x(t′))计算，其中为f质控灵敏度参数，与实际质控效果相关；rmse(x(t′))为t时刻历史采样信号{x(t′)|t′＝1,2,…,n}的均方根误差。
与现有技术相比，本发明具有如下有益效果：
通过消除历史观测数据的高斯噪声、系统噪声和微气象噪声来实现对自动气象站实时观测数据的去噪重建质量控制，弥补了传统质量控制方法的不足，能够提高自动气象站实时观测数据在长期气候研究和短期预报的可靠性。
附图说明
图1为本发明方法的流程框图。
图2为本发明基本质量控制后的历史数据的相空间重构参数m的最小虚假邻点法求取示意图。
图3为本发明基本质量控制后的历史数据的相空间重构参数τ的互信息法求取示意图。
图4为某一t时刻基本质控历史数据
Figure BDA0001230434060000033
在高维矢量空间分量信号图。
图5为FastICA混叠解叠模型示意图。
图6为某一t时刻经过FastICA去噪、去冗余后的
Figure BDA0001230434060000041
在高维矢量空间分量信号图。
图7为南京58238站2009年部分采样时间气温观测数据与去噪重建质量控制后的对比图。
图8a-c为本发明方法与小波去噪重建质量控制、传统相空间去噪重建质量控制方法在信噪比、均方根误差和互相关系数上的比较结果图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步说明。
按照本发明方法的流程框图，如图1所示，对单站实时数据采集，并提取部分长度历史时间序列(历史信号)进行采集；然后对历史信号做基本质量控制；再对历史信号进行相空间重构(PSR)得到高维矢量信号；进一步对高维矢量信号进行快速独立分量分析(FastICA)，得到去噪和去冗余的高维独立分量信号；然后运用去噪和去冗余的高维独立分量信号构建在线贯序极限学习机(OS_ELM)的气温重建模型，并得到去噪后的气温重建值；最后将该重建值与实际采集气温值进行对比，进行条件修正，完成实时质量控制。
以下将对南京编号为58238站2014年全年小时气温观测数据进行实施例分析，进一步说明本发明：
步骤1：采集被检58238站被检t时刻气温tep(t)，即实际观测值，及t时刻前部分长度数据数据构成气温时间序列信号{x(t′)|t′＝1,2,…,n}。其中t为实时采样时间，t′为历史采样时间，满足t′＝t-n+1关系；本实施例选择t＝1,2,…,8040，即全年小时观测气温数据；n＝480，即20天的历史小时数据。
步骤2：对历史气温序列信号{x(t′)|t′＝1,2,…,480}进行界限值检查、气候极值检查、时变检查、内部和空间均一性检查等基本质量控制，得到基本控制后的历史信号
Figure BDA0001230434060000042
步骤3：根据公式
Figure BDA0001230434060000043
对基本质量控制后的数据
Figure BDA0001230434060000044
进行相空间重构，得到N(N＝480-(4-1)*2＝474)个维数为4的矢量信号，即
Figure BDA0001230434060000045
其中，m、τ为相空间重构参数嵌入维数和时间延迟，分别由最小虚假最近邻点法和互信息法决定，本实施例为m＝4，τ＝2。
步骤4：进行FastICA分析，首先构建ICA混叠模型
Figure BDA0001230434060000051
Figure BDA0001230434060000052
为步骤3中得到的高维矢量信号，即混叠信号，A为未知混合矩阵，
Figure BDA0001230434060000053
为理想的相互独立、无污染的高维矢量信号，ni为噪声项；再构建ICA解混模型
Figure BDA0001230434060000054
Figure BDA0001230434060000055
为基于某一目标函数的最优解叠矩阵W下的源信号
Figure BDA0001230434060000056
的无偏估计信号；最后，运用FastICA算法求解解叠矩阵W，得到去噪、独立统计高维信号
Figure BDA0001230434060000057
步骤5：根据步骤4中FastICA分析所得高维矢量信号
Figure BDA0001230434060000058
与步骤2中经基本质量控制后的历史采样信号
Figure BDA0001230434060000059
按照高维矢量信号与对应时刻的历史采样信号的原则，构建OS_ELM样本集，即
Figure BDA00012304340600000510
其中，训练集、测试集为前(N-1)即473个，按照3:1比例随机分配。经过训练、测试得到在被检时刻、在历史高维信号下的重建模型，即
Figure BDA00012304340600000511
步骤6：在步骤5中得到的OS_ELM模型中输入
Figure BDA00012304340600000512
得到被检时刻气温的重建值
Figure BDA00012304340600000513
即
Figure BDA00012304340600000514
完成去噪后气温的重建。
步骤7：将t时刻去噪重建气温值
Figure BDA00012304340600000515
与采样值tep(t)进行比较，若两者差值绝对值在某一阈值δ内，即
Figure BDA00012304340600000516
则通过质量检测，否则认为该观测数据可疑，用去噪重构值修正实际观测值，即
Figure BDA00012304340600000517
步骤8：令t＝t+1，重复步骤1到步骤7，完成对历史观测气温高维去噪、实时气温重建及疑误修正的质量控制过程。
本实施例将被检时刻历史数据进行了4维、延迟2小时的相空间重构。其中嵌入维数采用的是最小近邻法，如图2所示，可以看出在嵌入维数大于等于5时虚假近邻点率较低，低于10％，所以取嵌入维数为4；时间延迟采用的是互信息法，如图3所示，可以看出当时间延迟等于2、4、6、10、18时互信息量达到极小值，取第一次互信息量达到最小值时的时间为时间延迟。图4是历史信号
Figure BDA00012304340600000518
在高维(4维)空间的信号图。
根据FastICA混叠解叠模型，如图5所示，运用FastICA算法求取去噪、去冗余的高维信号
Figure BDA00012304340600000519
如图6所示。FastICA算法中，目标函数选用J(y)＝[E{G(y)}-E{G(ygauss)}]2，其中G(·)是任意二次函数，y、ygauss为零均值和方差的变量，本发明中即高维矢量信号
Figure BDA0001230434060000061
临界阈值δ按照公式δ＝f·rmse(x(t′))计算，其中为f质控灵敏度参数，与实际质控效果相关，本实施例在多次试验后取f＝3；rmse(x(t′))表示t时刻历史采样信号{x(t′)|t′＝1,2,…,480}的均方根误差。根据上述临界阈值，决定实时采样数据是通过质量控制还是需要进行修正。图7是南京58238站2014年部分采样时间气温观测数据与去噪重建质量控制后数据的对比图。
为分析本发明方法的优越性，运用美国NOAA国家气候数据中心同时段再分析气温数据作为分析数据，分别计算本发明方法与小波去噪重建质量控制、传统相空间去噪重建质量控制方法的信噪比、均方根误差和互相关系数进行对比，表1为随机8个采样片段效果对比。
Figure BDA0001230434060000062
表1
为便于直观比较，将表1评价指标进行可视化，如图8a-c所示。可以看出，本发明方法的信噪比明显高于小波去噪重建质量控制法和传统相空间去噪重建质量控制方法；均方根误差远小于小波去噪重建及传统相空间去噪重建；互相关系数高于小波去噪重建及传统相空间去噪重建。
通过表1、图8a-c对比分析，本发明方法质量控制效果明显，可以提高自动气象站实时采集数据的质量。
应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (6)

1.一种基于PSR-FastICA-OS_ELM的自动气象站实时数据质量控制方法，其特征在于：包括以下步骤：
步骤1：采集被检站被检t时刻气温tep(t)，即实际观测值，及t时刻前某一长度的小时数据构成气温时间采样信号{x(t′)|t′＝1,2,…,n}，其中t为实时采样时间，t′为历史采样时间，两者满足关系t′＝t-n+1，n为历史采样时间的长度；
步骤2：对历史气温序列信号{x(t′)|t′＝1,2,…,n}进行基本质量控制，得到基本控制后的数据
Figure FDA0002532526740000011
步骤3：根据公式
Figure FDA0002532526740000012
对基本质量控制后的数据
Figure FDA0002532526740000013
进行相空间重构PSR，得到N个维数为m的矢量信号
Figure FDA0002532526740000014
其中，N＝n-(m-1)τ,m、τ为相空间重构参数嵌入维数和时间延迟；
步骤4：根据独立分量分析，步骤3得到的高维矢量信号包括源信号真实信息部分和噪声信息部分，即ICA混叠模型
Figure FDA0002532526740000015
其中，
Figure FDA0002532526740000016
为步骤3中得到的高维矢量信号，即混叠信号；A为未知混合矩阵；
Figure FDA0002532526740000017
为理想的相互独立、无污染的高维矢量信号；ni为噪声项；根据ICA解混模型
Figure FDA0002532526740000018
求取源信号真实部分的无偏估计值
Figure FDA0002532526740000019
其中
Figure FDA00025325267400000110
为基于某一目标函数的最优解叠矩阵W下的源信号
Figure FDA00025325267400000111
的估计信号；运用快速独立分量分析FastICA算法的基于负熵非高斯性最大化原理求解解叠矩阵W，得到去噪、独立统计高维信号
Figure FDA00025325267400000112
步骤5：根据步骤4中FastICA分析所得高维矢量信号
Figure FDA00025325267400000113
与步骤2中经基本质量控制后的历史采样信号
Figure FDA00025325267400000114
按照高维矢量信号与对应时刻的历史采样信号的原则，构建在线序贯极限学习机OS_ELM样本集，即
Figure FDA00025325267400000115
其中，训练集、测试集为前N-1个；经过训练、测试得到在被检t时刻、在历史高维信号
Figure FDA00025325267400000116
下的气温tep(t)重建模型，即
Figure FDA00025325267400000117
步骤6：在步骤5中得到的OS_ELM模型中输入
Figure FDA00025325267400000118
得到被检时刻气温的重建值
Figure FDA00025325267400000119
即
Figure FDA00025325267400000120
完成去噪后气温的重建；
步骤7：将t时刻去噪重建气温值
Figure FDA0002532526740000021
与采样值tep(t)进行比较，若两者差值绝对值在某一阈值δ内，即
Figure FDA0002532526740000022
则通过质量检测，否则认为观测数据tep(t)可疑，用去噪重构值修正实际观测值，即
Figure FDA0002532526740000023
步骤8：令t＝t+1，重复步骤1到步骤7，完成对历史观测气温高维去噪、实时气温重建及疑误修正的质量控制过程。
2.根据权利要求1所述的一种基于PSR-FastICA-OS_ELM的自动气象站实时数据质量控制方法，其特征在于：所述步骤2中，进行的基本质量控制操作包括界限值检查、气候极值检查、时变检查、内部均一性检查和空间一致性检查。
3.根据权利要求1所述的一种基于PSR-FastICA-OS_ELM的自动气象站实时数据质量控制方法，其特征在于：所述步骤3中，PSR技术参数中，嵌入维数m的选取采用了最小虚假近邻法，时间延迟τ采用了互信息法决定。
4.根据权利要求1所述的一种基于PSR-FastICA-OS_ELM的自动气象站实时数据质量控制方法，其特征在于：所述步骤4中，解叠矩阵W、去噪和去冗余高维矢量信号的求取是基于最大熵近似负熵原理，即目标函数为J(y)＝[E{G(y)}-E{G(ygauss)}]2，其中G(·)是任意二次函数，y、ygauss为零均值和方差的变量，即高维矢量信号
Figure FDA0002532526740000024
5.根据权利要求1所述的一种基于PSR-FastICA-OS_ELM的自动气象站实时数据质量控制方法，其特征在于：所述步骤5中，在去噪高维矢量-气温的重建模型中，训练、测试样本个数按照随机3:1比例随机分配。
6.根据权利要求1所述的一种基于PSR-FastICA-OS_ELM的自动气象站实时数据质量控制方法，其特征在于：所述步骤7中，临界阈值δ按照公式δ＝f·rmse(x(t′))计算，其中f为质控灵敏度参数，与实际质控效果相关；rmse(x(t′))为t时刻历史采样信号{x(t′)|t′＝1,2,…,n}的均方根误差。
CN201710098307.3A 2017-02-22 2017-02-22 一种基于PSR-FastICA-OS_ELM的自动气象站实时数据质量控制方法 Active CN106886856B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710098307.3A CN106886856B (zh) 2017-02-22 2017-02-22 一种基于PSR-FastICA-OS_ELM的自动气象站实时数据质量控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710098307.3A CN106886856B (zh) 2017-02-22 2017-02-22 一种基于PSR-FastICA-OS_ELM的自动气象站实时数据质量控制方法

Publications (2)

Publication Number Publication Date
CN106886856A CN106886856A (zh) 2017-06-23
CN106886856B true CN106886856B (zh) 2020-07-28

Family

ID=59179700

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710098307.3A Active CN106886856B (zh) 2017-02-22 2017-02-22 一种基于PSR-FastICA-OS_ELM的自动气象站实时数据质量控制方法

Country Status (1)

Country Link
CN (1) CN106886856B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109034195A (zh) * 2018-06-21 2018-12-18 南京信息工程大学 一种基于psr-pca-svr的自动气象站实时气温质量控制方法
CN114978406B (zh) * 2022-05-07 2024-06-11 中国地质大学（武汉） 一种基于PSR-fastICA的频谱激电信号降噪方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102207555A (zh) * 2011-03-26 2011-10-05 朱君 气象区域自动站数据监控及质量控制系统
CN103278867B (zh) * 2013-05-03 2015-02-04 南京信息工程大学 一种基于经验模态分解的自动气象站数据去噪方法
CN105809321A (zh) * 2016-01-26 2016-07-27 南京信息工程大学 地面气象观测站采集气温数据的质量控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种基于改进克里金法的地面气温质量控制算法;叶小岭等;《气候与环境研究》;20160930;第21卷(第5期);614-620 *

Also Published As

Publication number Publication date
CN106886856A (zh) 2017-06-23

Similar Documents

Publication Publication Date Title
CN108830127B (zh) 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法
CN110032939B (zh) 一种基于高斯混合模型的遥感时序数据拟合方法
CN106897957B (zh) 一种基于pca和pso-elm的自动气象站实时数据质量控制方法
CN105913081B (zh) 基于改进的PCAnet的SAR图像分类方法
CN111161229B (zh) 一种基于几何主动轮廓模型和稀疏自编码的变化检测方法
Chawan et al. Automatic detection of flood using remote sensing images
CN106886856B (zh) 一种基于PSR-FastICA-OS_ELM的自动气象站实时数据质量控制方法
CN113283155B (zh) 一种近地表气温估算方法、系统、存储介质及设备
CN114067152B (zh) 一种基于星载sar影像的精细化洪水淹没区提取方法
CN103278867A (zh) 一种基于经验模态分解的自动气象站数据质量控制方法
CN114120137B (zh) 一种基于时序植被遥感影像的湿地要素时空演变监测方法
CN111563528A (zh) 基于多尺度特征学习网络与双边滤波的sar图像分类方法
CN114755010A (zh) 一种旋转机械振动故障诊断方法及其系统
CN113920255A (zh) 基于点云数据的高效测绘系统
CN107358162B (zh) 基于深度堆栈网络的极化sar影像变化检测方法
CN117633588A (zh) 基于频谱加权和残差卷积神经网络的管道泄漏定位方法
Sadouki et al. Classification of radar echoes with a textural–fuzzy approach: an application for the removal of ground clutter observed in Sétif (Algeria) and Bordeaux (France) sites
CN112085060A (zh) 基于SVT-DTSVMs的双偏振气象雷达降水粒子分类方法及装置
CN114943189B (zh) 一种基于XGboost的声速剖面反演方法及系统
CN116167936A (zh) 一种用于洪水监测的山体阴影去除方法及装置
CN115639979A (zh) 基于随机森林回归模型的高分辨率spei数据集开发方法
CN111126234A (zh) 一种基于多源卫星影像的船舶自动识别方法
Wang et al. Typhoon Cloud System Identification and Forecasting Using the Feng‐Yun 4A/Advanced Geosynchronous Radiation Imager Based on an Improved Fuzzy Clustering and Optical Flow Method
CN116399592A (zh) 一种基于通道注意力双路径特征提取的轴承故障诊断方法
Chen et al. Tree-ring based reconstruction of precipitation in the Urumqi region, China, since AD 1580 reveals changing drought signals

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant