云平台下基于截止时间的自适应调度策略

针对在共享集群中进行任务调度时,无法兼顾任务的响应速度与任务完成时间的问题,提出一种基于截止时间的自适应调度算法。该算法以用户提交的截止时间为依据,根据任务的执行进度自适应地分配适当的计算资源。不同于传统调度方式里由用户提交固定资源参数,该算法在资源约束的情况下会对优先级高的任务进行抢占式调度以保证服务质量(QoS),并在抢占过程结束后额外分配资源补偿被抢占的任务。在Spark平台进行的任务调度实验结果显示,与另一种资源协调者(YARN)框架下的调度算法相比,所提算法能严格地控制短任务的响应速度,并使长作业的任务完成时间缩短35%。

强运动杂波环境下弱小无人机目标检测方法

针对机场环境下雷达检测无人机目标时受到民航飞机等强运动杂波的影响,导致弱小无人机目标的检测概率降低的问题,本文利用新型无人机监视雷达能够获得长相干脉冲间隔的特点,提出了一种抑制强运动杂波以检测弱小无人机目标的方法。首先检测强运动杂波,通过基于重排谱图的谱中心补偿法准确估计并补偿其频谱中心至零频位置,然后采用自适应动目标显示滤波器抑制强运动杂波,并进一步使用恒虚警率检测方法检测弱小无人机目标。实验结果表明:当弱小无人机目标回波被强运动杂波干扰时,本文方法较目前性能较好的奇异值分解重构方法具有更高的目标检测概率和更低的错误检测概率。

基于注意力机制的微表情识别和风险评估方法

微表情作为一种难以隐藏的、短暂而细微的情绪变化,能体现人真实的心理活动,因此微表情可作为一项测谎技术引入机场安检模块,辅助鉴别异常人员,提升机场的安全保障能力。针对微表情变化快,难以提取视频特征的问题,提出了一种改进的基于注意力机制的卷积循环网络(VGG16-SE-TA-LSTM),截取4个发生微表情时变化明显的面部区域作为输入;使用基于SENet的VGG16网络实现4个区域的特征提取,并将区域特征融合得到单帧图像的空间特征;使用基于注意力机制的LSTM网络提取序列的时间特征。结果表明,在融合数据集上,VGG16-SE-TA-LSTM算法相较于传统CNN-LSTM算法显著提升了识别效果,在UF1和UAR上分别提高了15.69%和15.23%,且优于目前较前沿的算法,有效提升了微表情视频的识别性能。

基于A-YOLOv5s的机场小目标检测方法

机场净空域内和跑道一边、五边范围内的无人机和鸟群严重威胁民航的安全,图像中的目标占比小,机场的背景复杂。现有机场净空域的雷达探测手段存在无法识别相距较近的目标类型与数量的问题,因此,提出了注意力特征融合结构并应用在YOLOv5s模型,通过注意力特征融合结构可融合更多的小目标信息至特征图,并使用更浅特征层检测目标,进一步提升原模型针对小目标检测的性能。在无人机和鸟群数据集上实现了93.5%的mAP50,相较于原模型的检测修正率为13.3%,处理视频的速度为28.1帧/s。提出的方法为机场现有监管手段提供了有力的技术支撑,与现有机场探测手段共同保障机场安全。

“通信工程专业导论”课程思政建设与实践

“通信工程专业导论”是量大面广的专业导论类课程,在教学过程中融入思政元素升华教学内容,以帮助学生达到预期学习成果为目标,通过线上线下混合式教学手段引导学生学习,实现知识、能力和素质的综合培养,并从理想信念、社会主义核心价值观、职业素养教育、民航精神与文化、科学精神与使命担当等方面,全面落实课程思政建设,并建立了多元化的教学评价考核方法。

基于深度SE-DenseNet的航班延误预测模型

针对目前民航运输业对航班延误高精度预测的需求,该文提出一种基于深度SE-DenseNet的航班延误预测模型。该模型首先将航班信息、相关机场延误信息和天气信息进行数据融合;其次,利用改进后的SEDenseNet算法对融合后的航班数据集进行自动特征提取;最后,构建Softmax分类器进行航班离港延误等级的预测。该文提出的SE-DenseNet结构融合了DenseNet和SENet二者的优势,既能加强深层信息的传递,避免梯度消失,又可以实现特征提取过程中的特征重标定。实验结果表明,数据融合后,预测准确率较只考虑航班属性提高约1.8%;算法改进后可以有效提升网络性能,模型最终准确率达93.19%。

通用航空飞行计划评估方法综述

通航飞行计划是飞行前制定的任务信息,对飞行计划的评估可以在提高飞行安全性的同时,预计任务的执行情况,帮助决策者审视飞行任务的各个方面。根据评估内容的适用范围和重要程度,首先综述面向所有通航飞行计划安全性和飞行成本的一般性评估方法,其中定性评估主要依据专家的主观判断,而定量评估则利用各项指标特有的公式进行计算,评估其是否在要求范围内,然后通过分析通航飞行在实际应用中的特殊需求对通航任务进行分类,最终比较分析各类通航飞行计划评估方法的特点与局限性,对通航飞行计划评估方法进行系统性梳理。

基于双通道卷积神经网络的航班延误预测模型

针对航班延误预测数据量大、特征提取困难而传统算法处理能力有限的问题,提出一种基于双通道卷积神经网络(DCNN)的航班延误预测模型。首先,该模型将航班数据和气象数据进行融合,应用DCNN进行自动特征提取,采用批归一化(BN)和Padding策略优化,提升到港延误等级的分类预测性能;然后,在卷积神经网络(CNN)基础上加入直通通道,以保证特征矩阵的无损传输,增强深度网络的畅通性;同时引入卷积衰减因子对卷积通道的特征矩阵进行稀疏性限制,控制不同网络深度的特征叠加比例,维持模型的稳定性。实验结果表明,所提模型与传统模型相比,具有更强的数据处理能力。通过数据融合,航班延误预测准确率可提高1个百分点;加深网络深度后,该模型能保证梯度的稳定,从而训练更深的网络,使准确率提升至92.1%。该基于DCNN算法的模型特征提取充分,预测性能优于对比模型,可更好地服务于民航决策。

雾霾环境下基于PLATE-YOLO的车牌检测方法

针对目前车牌识别领域中,雾霾环境下车牌检测准确率低的问题,本文提出一种基于深度学习的抗雾霾车牌检测方法,该方法能够检测民用车牌和机场民航车辆车牌。该方法首先利用一种基于卷积神经网络的去雾算法对车牌图片进行去雾预处理,然后将处理过的无雾霾图片送入PLATE-YOLO网络中检测车牌的位置。该PLATE-YOLO网络是本文针对车牌检测的特点,对YOLOv3网络做了修改后得到的适用于车牌检测的网络。主要改进点有两处:第一,提出了一种基于层次聚类算法的锚盒(Anchor Box)个数和初始簇中心的计算方法;第二,针对车牌目标较大的特点,对网络的多尺度特征融合做了优化。优化后的PLATE-YOLO网络更适合于车牌检测,且提高了检测速度。实验证明,PLATE-YOLO网络检测车牌的速度较YOLOv3提高了5 FPS;在雾霾环境下,经去雾预处理的PLATE-YOLO车牌检测方法比未经去雾处理的车牌检测方法准确率提高了9.2%。

基于CBAM-CondenseNet的航班延误波及预测模型

针对航班延误衍生的航班延误波及问题,该文提出一种基于CBAM-CondenseNet的航班延误波及预测模型。首先,通过分析航班延误在航空网络内产生的延误波及现象,确定会受前序延误航班影响的航班链;其次,对选定的航班链数据进行清洗,将航班信息与机场信息进行数据融合;最后,提出改进的CBAM-CondenseNet算法对融合后的数据进行特征提取,构建Softmax分类器对首班离港航班延误波及的后续离港航班延误等级进行预测。该文提出的CBAM-CondenseNet算法融合了CondenseNet和CBAM的优势,采用通道和空间注意力机制来加强网络结构深层信息的传递。实验结果表明,算法改进后有效提升网络性能,预测准确率可达97.55%。

基于改进层次分析法的重点人员风险评价方法

为解决未来民航旅客安检分级缺乏科学定量评价的问题,利用层次分析法(AHP)构建评价体系,实现旅客背景分析和风险预警。针对传统AHP法通过人为经验方式选取评价指标具有较高主观性的缺点,提出一种改进的AHP法;通过恐怖主义数据库(JJATT)建立描述个人特征的样本数据集,采用随机森林(RF)筛选样本数据集特征,将最优的特征组合作为评价指标,建立人员风险评价体系;采用AHP法确定指标权重,结合评价指标打分表提出重点人员风险评估方法;应用评估方法评估大样本实例和真实个例的人员风险等级。研究结果表明:所提方法在多个样本数下的评估准确率均达92%以上,可评估验证样本的人员风险等级;经验证,作为所提方法核心的改进AHP法具备一定的合理性。

基于最小色散方法的广播式自动相关监视压制式干扰抑制

压制式干扰是广播式自动相关监视(ADS-B)系统面临的最常见且最有威胁的干扰之一。该文将最小色散算法应用到ADS-B信号压制式干扰抑制的研究中。首先,利用ADS-B信号的脉冲特性,将以往只考虑二阶统计量的形式扩展,重新建立p范数约束优化模型。然后,提取观测信号更低阶统计量中的有用信息,将解算最优加权矢量转化为一个最优化问题。最后,解算最优权矢量,对观测信号进行空域滤波,完成ADS-B的压制式干扰抑制,并对抑制结果进行性能分析。文中提供的仿真实验结果验证了算法的有效性,该方法不需要知道ADS-B信号来向,也无需估计协方差矩阵。

MDI训练样本集构建对雷达探测旋翼无人机分类的影响分析

利用卷积神经网络对目标微多普勒特征进行深度学习是目前雷达探测无人机分类的重要手段。实际应用中,无人机参数如叶片转速、叶片长度、叶片初始相位、无人机方位角、无人机俯仰角、无人机径向速度等参数变化大,导致训练样本变化大。该文分析训练样本集对旋翼无人机分类结果的影响。首先建立单旋翼无人直升机、四旋翼无人机和六旋翼无人机雷达回波仿真模型。然后对其进行微多普勒特征分析提取,构建多种不同情况下的合并多普勒图像(Merged Doppler Images,MDI)训练样本集。最后利用GoogLeNet(Inception v1)得到不同情况下的无人机分类结果,分析训练样本集中样本数量、无人机单一参数变化、样本参数涵盖完整性以及无人机参数采样间隔对分类准确率的影响。实验结果表明:训练样本集的差异可能对分类准确率产生显著影响。

基于HBase和Hive的航班延误平台的存储方法

针对我国目前航班延误平台的移植难、可扩展性差,无法适应民航高速发展所带来的大数据量存储的现状,设计了面向大数据的跨平台、高适用性与高扩展性的航班延误平台。该平台以大数据工具Leaf Let为可视化载体,在地图界面实时显示航班轨迹并将轨迹数据加载至HBase数据库中,并且利用信息摘要算法(MD5)重新设计与优化航班数据表的行键,以解决其递增的飞行时间特性产生的"热点"问题;针对HBase过滤器多级查询的缺陷,提出了基于Solr Cloud的关联查询算法,利用Solr Cloud实现对行键与索引字段的分层存储,从而实现HBase二级快速索引;最后在HBase的历史航班数据与飞行计划数据基础上,构建基于Hive的海量航班信息数据仓库。实验结果显示,航班延误大数据平台的可扩展性与搭建的航班信息数据仓库可以满足民航对数据集中统一存储的需求,而多条件查询的响应速度与无二级索引的集群相比提高了上百倍,并且这种优势随着航班数据量的增长愈发明显。

基于稳健协方差矩阵的ADS-B压制式干扰抑制

压制式干扰是广播式自动相关监视(automatic dependent surveillance-broadcast,ADS-B)系统面临的最常见且最有威胁的干扰之一。提出基于稳健协方差矩阵估计的ADS-B压制式干扰抑制算法。首先,考虑了ADS-B信号的脉冲特性,将协方差矩阵的求解转化成凸优化问题。然后,利用求解凸优化问题得到的稳健协方差矩阵设计最优权矢量。最后,对观测信号进行空域滤波,完成ADS-B的压制式干扰抑制,并对抑制结果进行性能分析。提供的仿真实验结果也验证了算法的有效性,该方法不需要知道ADS-B信号来向,且在非高斯噪声情况下同样有效。

ADS-B自适应抗干扰接收机监控软件的设计实现

日益复杂的空间电磁环境,使得ADS-B系统面临各类干扰问题。目前,国内外的ADS-B接收机大多不具备自主式抗干扰能力。针对ADS-B自适应抗干扰接收机对监控系统的特殊需求,设计了接收机实时监控软件,包括其系统组成架构、关键单元设计以及性能测试。结果表明,该软件可以快速准确地传输接收机的接收数据、工作状态、控制命令等信息,并生成可视化交互界面,为ADS-B抗干扰接收机监控系统的开发提供参考。

基于空间相关的ADS-B欺骗干扰检测方法

随着广播式自动相关监视技术的广泛应用,其安全性问题也引起了高度关注。针对ADS-B系统容易受到的欺骗式干扰,提出了一种干扰检测方法:该方法首先根据报文内容计算坐标空间中的一组变量,其反映目标相对于接收机的方向变化趋势;其次,根据阵列天线接收的信号计算信号空间中一组同样表征此方向变化趋势的变量;最后,通过两组变量的皮尔逊相关系数判别真实目标和欺骗干扰。在此基础上,还提出了一种信源一致性检测方法,以降低误检测概率。所提方法无需估计信号来向,对阵列的幅相误差较为稳健,适合工程实践。

基于IAHP和信息熵组合赋权的空域运行风险评估

针对传统空域运行安全风险评估方法中存在的点值评估随意性和间断性等问题,该文提出基于区间层次分析法(IAHP)和信息熵法结合的空域运行风险评估方法。通过广泛采集空域内航空器运行产生的告警信息,深入分析并挖掘出对空域运行产生影响的风险因子,构建一套新的基于"人、机、环"分类思路的风险评估多层指标体系。所提方法主要采用IAHP和信息熵方法分别对评估指标赋权,同时给出主客观权重组合模型,既保证了评估数据的连续性,也兼顾到评估要素的客观性,并在风险隶属度矩阵基础上进行模糊综合评价。最后对某飞行情报区一段时间的运行状态进行实例评估,结果表明,该模型在空域运行风险方面具有良好的适用性和有效性,为空中交通安全风险管理提供理论上的决策支持。

基于胶囊网络的中长微博情感分析

针对通过微博文本获取用户情感倾向,以提高舆情监控效率的问题。利用深度学习的方法实现微博语料的情感分类,构建符合近年文本长度分布特点的高质量微博情感分类数据集,分析微博文本长度对情感分类的影响。由于中长语料主观性强、句子关联度弱,其检测准确率偏低。针对此问题,本文提出一种基于胶囊网络的中长微博情感分析模型。采用注意力机制,在融合局部特征与全局特征的基础上,利用胶囊向量实现深层情感特征提取,提高中长语料的检测效果。利用本文搜集的数据集进行实验,结果表明,相较于多种深度学习算法,本文模型性能更佳。在不同文本长度语料的对比实验中,伴随着文本长度的增加,分类准确率逐渐降低。相较于传统的LSTM算法,本文模型随文本长度增加效果提升,证明了该模型针对中长微博文本情感分类的可行性。

异构环境下Spark动态资源调度策略研究

针对Spark未考虑异构集群节点间的性能差异,导致多作业场景下节点负载不均衡、作业执行效率低的问题,提出一种基于异构集群节点负载的Spark动态资源调度策略。根据节点静态负载和运行时的动态负载信息建立异构集群节点负载评价指标,获取集群运行时节点的实时负载;改进Spark默认资源管理器Standalone在资源分配时的节点排序规则;最终实现基于异构集群节点负载的动态资源调度策略。实验结果表明,与默认调度策略相比,该策略评价指标适用性更好,有效缓解了集群的负载失衡问题,提高了作业执行效率。