联合SVM和HMM的水上/水下导航场景感知模型构建

导航场景感知是智能化PNT的重要特征,更是实现多场景无缝导航定位的基础。本文聚焦水上/水下导航场景,考虑电磁波的衰减程度差异将其细分为水上、浅水、深水3类场景,利用支持向量机(support vector machine,SVM)进行场景分类与识别,在此基础上,引入隐马尔可夫模型(hidden Markov model,HMM)表达导航场景切换,进一步提升场景识别可靠性。本文分别构建了基于结果联合(SVM-HMM1)及基于概率联合(SVM-HMM2)的水上/水下导航场景感知模型。实测分析表明,两种模型能够实现高精度场景感知,SVM-HMM1与SVM-HMM2识别准确率分别为91.36%与95.11%;与单一的HMM和SVM模型相比,联合模型在结果分类与识别上更为稳定,准确率提升约为0.95%~8.46%。

智能化变电站10kV高压开关柜无线测温技术

随着智能电网的建设,变电站也得到了广泛地应用,为电力系统提供稳定、可靠运行创造条件。而在智能化高压开关柜中对实时性和可靠性要求较高。基于此,首先介绍了智能化变电站基本功能,接着讲述了智能化变电站系统运行基本要求,强调智能化变电站无线测温技术的重要性,最后讲述了智能化变电站10kV高压开关柜无线测温实际应用。

一种融合相位、振幅与频率的GNSS-IR土壤湿度反演方法

GNSS干涉测量(GNSS interferometric reflectometry,GNSS-IR)技术已经成为探测地表环境特性的一种新兴被动遥感技术,综合利用从土壤反射的GNSS信号中提取的相位、振幅、频率特征,提出了一种多类型特征数据融合的GNSS-IR土壤湿度反演方法,采用最小二乘支持向量机(least square support vector machine,LSSVM)、随机森林(random forest,RF)、BP神经网络(back propagation neural network,BPNN)三种机器学习模型,对比和验证了所提方法的可行性与效果。结果表明,多特征融合的LSSVM、RF和BPNN模型反演得到的土壤湿度与参考值的相关系数分别为0.830、0.953和0.980,对应的均方根误差分别为0.045、0.035和0.032 cm^(3)/cm^(3)。相比于单一特征反演法,土壤湿度反演精度和可靠性有显著提升。

不同水深层的GNSS信号特征分析及其导航场景聚类划分

导航场景的划分对于自适应无缝导航定位服务具有重要意义。针对目前水上/水下导航场景划分简单、颗粒度不够的问题,通过采集位于不同水域内的全球导航卫星系统(global navigation satellite system,GNSS)观测数据,分析了不同水深层的GNSS观测信号质量与特征,结果表明,水下导航场景具有显著的分层性。考虑到导航场景具有分割、合并、联通等固有属性,通过K均值聚类将水下导航场景细分为浸水(<6.5 cm)、浅水(6.5~8.5 cm)、深水(>8.5 cm)3层。利用多种GNSS信号特征进行了导航场景分类实验,结果表明,聚类正确率达到90.4%,验证了浸水、浅水、深水导航场景划分的有效性。