Identifying Possible Climate Change Signals Using Meteorological Parameters in Short-Term Fire Weather Variability for Russian Boreal Forest in the Republic of Sakha (Yakutia)

The Boreal forest is a terrestrial ecosystem highly vulnerable to the impacts of short-term climate and weather variabilities. Detecting abrupt, rapid climate-induced changes in fire weather and related changes in fire seasonality can provide important insights to assessing impacts of climate change on forestry. This paper, taking the Sakha Republic of Russia as study area, aims to suggest an approach for detecting signals indicating climate-induced changes in fire weather to express recent fire weather variability by using short-term ranks of major meteorological parameters such as air temperature and atmospheric precipitation. Climate data from the “Global Summary of the Day Product” of NOAA (the United States National Oceanic and Atmospheric Administration) for 1996 to 2018 were used to investigate meteorological parameters that drive fire activity. The detection of the climate change signals is made through a 4-step analysis. First, we used descriptive statistics to grasp monthly, annual, seasonal and peak fire period characteristics of fire weather. Then we computed historical normals for WMO reference period, 1961-1990, and the most recent 30-year period for comparison with the current means. The variability of fire weather is analyzed using standard deviation, coefficient of variation, percentage departures from historical normals, percentage departures from the mean, and precipitation concentration index. Inconsistency and abrupt changes in the evolution of fire weather are assessed using homogeneity analysis whilst a Mann-Kendall test is used to detect significant trends in the time series. The results indicate a significant increase of temperature during spring and fall months, which extends the fire season and potentially contributes to increase of burned areas. We again detected a significant rainfall shortage in September which extended the fire season. Furthermore, this study suggests a new approach in statistical methods appropriate for the detection of climate change signals on fire weather variability using short-term climate ranks and evaluation of its impact on fire seasonality and activity.

基于奇异谱分析和辛几何模态分解的短期碳排放预测模型

在短时期内对碳排放水平进行评估和规划,对制定精准的减排目标和有效的政策措施可以起到辅助作用。将奇异谱分析分解法(Singular spectrum analysis decomposition,SSAD)和辛几何模态分解(Symplectic geometry mode decomposition,SGMD)组合成新型的二次信号分解法,并应用于每日碳排放量预测。在对原始序列进行二次分解之后,利用快速傅里叶变换对子序列进行重构,并应用偏自相关函数来选择合适的输入变量。最后,利用麻雀搜索算法(Sparrow search algorithm,SSA)对长短期记忆网络(Long short-term memory network,LSTM)进行优化,建立了SSAD-SGMD-SSA-LSTM模型。通过与其他模型进行对比实验,发现SSAD-SGMD二次分解更加适合碳排放时间序列预处理,并且可以进一步提高预测精度。SSAD-SGMD模型与集成经验模态分解和变分模态分解相结合的二次分解模型相比,模型的可决系数R2提高了1.83%,平均绝对百分比误差(Mean absolute percentage error,MAPE)有所降低,均方根误差(Root mean square error,RMSE)降低了43.16%。此外,经过SSA优化后的LSTM模型,R2提高了1.49%,MAPE有所降低,RMSE降低了38.64%。所提出的模型能够有效提升短期碳排放预测的准确性。

草原道路驾驶员个性心理特征对疲劳的影响

为科学预防疲劳驾驶,采用模拟实验进行草原道路长时程行车,运用MP150多通道生理信号采集仪,采集行车过程中驾驶员的脑电(EEG)信号,定量分析急躁型、谨慎型和常规型驾驶员在不同行车时段的疲劳特性。结果表明:α波、β波这两项指标对反应急躁型驾驶员疲劳状态最为敏感;θ波在评价谨慎型驾驶员疲劳状态时最敏感;在30 min~40 min驾驶员疲劳反应初次显现,120 min~140 min为自我调整临界点,此后自我调节效果不明显;在驾驶任务中,急躁型驾驶员最先出现疲劳,随着时间的累积,谨慎型驾驶员的疲劳程度远高于其他两类驾驶员,说明这类驾驶员缺少持久性,不宜长时程驾驶。

基于VMD的地电阻率自适应长期变与年变化提取方法

基于VMD技术,结合地电阻率观测数据固有的数字信号特征,通过分析VMD分解后每层IMF分量的中心频率,研究能够提取地电阻率长趋势变化和年周期变化的VMD算法。结果表明,通过判断VMD分解后第2层IMF分量为年变化的方法,可以给出合理的分解层数K;自适应VMD分解有利于震前地电阻率异常识别,尤其是在地电阻率长趋势变化转折时间的确定以及破年变变化的识别方面。

基于FMCW雷达的人体生命体征信号预测算法

将FMCW雷达检测到的人体生命体征信号,用于预测未来一段时间内人体生命体征信号是否异常,具有明显的应用价值。该方向当前研究主要针对如何进一步降低重构误差、提升生命体征信号的预测精度。为此,本文提出一种自适应变分模态分解-长短期记忆神经网络的生命体征信号预测方法。针对静止状态下的人体,通过雷达采集到的生命体征信号,采用粒子群算法优化变分模态分解VMD的模态分量个数K和惩罚系数α的值,实现自适应选取后用于VMD分解,再将分解后的模态分量进行叠加重构。采用粒子群算法优化长短期记忆网络模型中的网络层数、学习率、正则化系数等3个参数,自适应选取合适的参数组合,将重构后的信号通过优化后的LSTM网络进行预测。实验结果显示本文所提预测方法在10位志愿者的预测结果与原始数据的均方根误差平均值为0.017 188 9,平均绝对误差的平均值为0.007 158,相较于当前其他研究,预测精度上有明显提升。

基于迁移学习和CNN-LSTM的水轮机空化状态识别方法

针对水轮机空化声发射信号中包含较多噪声、依赖人工降噪与特征提取以及深度学习模型准确率极度依赖海量训练数据的问题,提出一种基于迁移学习和卷积神经网络-长短时记忆网络(CNN-LSTM)的水轮机空化状态识别方法。首先,将数据输入CNN中提取隐含特征;然后,在LSTM中提取特征隐含的时序信息并输出空化类型,通过训练网络参数建立基于CNN-LSTM的空化状态识别模型;最后,引入迁移学习对类似工况进行空化状态识别。结果表明:该模型能准确识别出3种不同的水轮机空化类型,其平均识别准确率达到较高水平;与传统深度学习模型相比,该模型在极少样本学习任务中的识别准确率具有明显优势。

基于ConvLSTM的风机轴承寿命预测

针对普通滚动轴承寿命预测模型在提取特征过程中存在特征提取不充分、预测误差大等问题,提出了基于双通道的卷积长短时记忆网络(ConvLSTM)风机轴承寿命预测模型。首先,将原始轴承振动信号进行小波阈值去噪,去除振动信号中的噪声干扰;其次,为充分提取特征采用双通道提取振动信号特征,其中一路为轴承振动信号信息,另一路为频域幅值信号;然后,采用ConvLSTM模型进行特征提取,该模型可同时兼顾空间局部特征和时间序列上的依赖关系,具有良好的特征提取能力;最后,将两路特征融合深入到全连接层,输出模型预测结果;此外,为提高模型预测准确率,还对损失函数作了相应改进。实验结果表明,所提模型轴承剩余寿命预测误差百分比均在20%以下,其误差百分比小于其他基于深度学习的模型。

基于CNN-NLSTM的脑电信号注意力状态分类方法

通过脑电信号进行注意力状态检测,对扩大脑-机接口技术的应用范围具有重要意义。为了提高注意力状态的分类准确率,该文提出一种基于CNN-NLSTM的脑电信号分类模型。首先采用Welch方法获得脑电信号的功率谱密度特征并将其表示为二维灰度图像。然后使用卷积神经网络从灰度图像中学习表征注意力状态的特征,并将相关特征输入到嵌套长短时记忆神经网络依次获得所有时间步骤的注意力特征。最后将两个网络依次连接来构建深度学习框架进行注意力状态分类。实验结果表明,该文所提出的模型通过进行多次5-折交叉验证评估后得到89.26%的平均分类准确率和90.40%的最大分类准确率,与其他模型相比具有更好的分类效果和稳定性。

基于长短期记忆网络的钠冷快堆蒸汽发生器钠-水反应噪声探测技术研究

钠冷快堆蒸汽发生器传热管路泄漏导致的钠-水反应具有初期不易识别且发展迅速的特点,针对上述现象,提出了一种基于长短期记忆网络(Long Short-Term Memory,LSTM)的蒸汽发生器小泄漏信号识别检测方法,以试验台架最大背景噪声工况下泄漏信号观测数据作为输入,建立钠-水反应分类模型,实现强背景噪声运行工况下小泄漏信号识别,实验结果表明,提出的基于LSTM算法的分类模型具有极高的判断准确率,将所提出方法与其他分类方法进行对比,所提出的方法泄漏判断的准确率及可靠性更好,验证了上述基于LSTM算法的蒸汽发生器钠-水反应泄漏判断方法在强背景噪声工况下进行小泄漏探测的可行性和有效性。

基于HHT-LSTM的冬奥会临时设施运行趋势预测方法研究

针对冬奥会延庆赛区临时设施的安全性和可使用性,本文充分结合信号处理算法与深度神经网络,提出了一种由希尔伯特黄变换(Hilbert-Huang transform,HHT)对时序数据进行信号分解和信号特征提取,长短期记忆网络(long short-term memory,LSTM)进行临时设施运行趋势预测2部分构成模型。该模型基于受严寒天气和大客流诱发的看台振动等一系列外因影响所测得的真实振动和倾角数据,实现对设施进行有效的预测,以避免发生安全问题,解决了由于受数据中一些无关特征因素的干扰导致预测准确度低的问题。论文提出的方法与循环神经网络(recurrent neural network,RNN)、门控循环网络(gated recurrent neural network,GRU)、双向RNN和双向GRU等运行趋势预测方法进行比较,验证了本文方法的可行性和有效性,实验结果也说明所提出的模型在此类任务中表现非常出色。

基于运动单站的LTE辐射源定位技术

长期演进(LTE)信号具有覆盖范围广泛、带宽大、自相关特性良好、抗衰落能力强及发射功率大等诸多有利于定位的优点,是一种可用于定位的主要机会信号。基于LTE信号的定位方法需要利用辐射源的位置信息进行解算,在非合作环境中获取基站的位置信息是使用LTE信号进行定位的基础。提出了一种利用移动单站获取LTE辐射源位置的定位方法,以到达时间差(TDOA)为观测量,建立了包含钟差校准的定位模型,并从单站的运动轨迹和初始点选取两个方面分析了算法的收敛性和定位精度。通过行人以及车载两种方式,在实际环境中对定位方法的性能进行了测试,实验结果表明,该方法的定位误差小于10 m。

基于优化长短时记忆网络的海面微弱目标检测

针对强混沌背景噪声下传统方法难以检测微弱目标信号的问题,研究了混沌相空间重构理论和麻雀寻优算法,提出一种基于优化长短时记忆网络(LSTM)的混沌背景下微弱信号检测方法。利用麻雀搜索算法优化LSTM模型参数,提高模型预测精度,降低目标检测门限,结合LSTM模型进行单步预测,利用预测误差从强海杂波背景下检测出微弱目标信号。以Lorenz混沌系统作为混沌背景进行仿真实验,对叠加的小信号进行检测,结果表明,该方法能够有效地检测微弱信号,其预测的均方根误差0.00171(信噪比为-137.707 dB),相较于传统神经网络预测模型、LSTM预测模型、GA-LSTM预测模型、PSO-LSTM预测模型均有显著提升。利用IPIX雷达信号进行预测实验,进一步验证了该方法的有效性。

基于多特征筛选的双频指数预测算法

双频指数(Bispectral Index,BIS)是根据脑电信号得到的衍生指数,是目前镇静深度监测应用最广泛的指标。但是根据脑电信号计算得到BIS存在20 s~30 s的更新延迟,影响麻醉医师对患者镇静状态的判断,增大患者术中知晓的风险,影响患者术后恢复。论文结合脑电信号子参数、历史BIS和患者术中生命体征预测BIS值,为麻醉医师提供患者最新的镇静状态的变化趋势,进而方便其准确地调整麻醉用药。论文构造基于多特征筛选的BIS预测模型。首先通过经验模态分解算法对脑电信号噪声滤除,并对处理后的脑电信号进行子参数提取。然后采用随机森林算法筛选镇静特征参数,得到与BIS相关度最高的5个特征。最后将筛选的特征和对应的BIS值输入长短期记忆网络中进行预测。实验结果表明,该模型预测的BIS值与患者真实BIS值拟准确度达到0.93。与多层感知器和时间卷积网络进行比较,该算法预测的准确率分别提升了17.7%和12.9%。同时该算法预测30 s内BIS耗时0.32 s,比多层感知器多用了0.2 s,比时间卷积网络节省了2.12 s。

基于LSTM和响应分解的冲击载荷识别方法研究

同一量级的冲击载荷所产生的动响应要远大于静态响应,因此准确识别冲击载荷对于航空器结构件的动强度设计、校核与结构健康监测都具有重要意义。该文章提出的方法主要针对一般线性结构的冲击载荷识别问题,从实测冲击响应应变信号出发,主要解决了冲击载荷与响应信号样本长度不一致这一突出矛盾。首先基于冲击响应信号分解方法来进行振动信号特征提取,然后基于长短期记忆神经网络对载荷和响应信号样本特征进行映射,从而实现冲击载荷识别。通过对挂架模型实测冲击载荷信号进行识别,结果表明4种工况下,该方法识别的冲击载荷的均方根相对误差小于0.6,相关系数大于0.94。结果初步表明,在理想的试验环境中,该方法具备一定的识别精度。

基于深度学习的语音信号去噪方法研究

为提升语音去噪技术的整体性能,提出基于深度学习的语音信号去噪方法。通过引入Adam优化长短期记忆(Long Short-Term Memory,LSTM)网络,提高了语音去噪的效率和效果。实验部分使用TIMIT数据集进行验证,并对比了传统LSTM模型和优化后的LSTM模型的性能。实验结果表明,优化后的LSTM模型的信噪比(Signal-to-Noise Ratio,SNR)和均方误差(Mean Squared Error,MSE)均优于传统模型。

出行活动模型等研究动态

选取来自国际学术期刊的论文,以概述形式对城市交通理论方法、实证分析等学术研究成果进行总结性介绍,旨在增强城市交通业界和学界对国际学术动向和研究热点的关注,促进学术交流。本期共选取2篇论文:《基于长短期记忆网络和手机信令数据的出行活动模型》一文提出一个新的基于长短期记忆网络的出行活动模型框架,该模型框架能够根据手机信令数据识别的出行详细信息直接分析个人出行行为偏好,减少对社会经济属性和活动类型等信息的需求,同时可以很好地预测与时间相关的信息,并具有最佳的稳定性;《用于自动驾驶卡车编队的聚合零知识证明和区块链授权身份验证》一文提出一种聚合高效的零知识证明方法,用于卡车混合队列环境中基于许可区块链网络进行隐私保护身份验证,其能以毫秒为单位执行身份验证,与单一零知识证明设计相比,聚合高效的零知识身份验证系统具有更高的安全性和更好的性能。

基于EMD-LSTM模型的水轮机组实测摆度信号预测方法研究

水电机组的运行状态直接影响电站及电网的安全稳定,预测机组监测的振动信号有助于改善故障诊断的缺陷。为此,将经验模态分解(EMD)和神经网络模型相结合,提出一种基于EMD-LSTM的水轮机组摆度信号预测模型,将该模型应用于国内某水电站的机组摆度信号预测中,并与LSTM、GA-BP和EMD-GABP模型预测结果进行比较。结果表明,该模型在机组摆度信号的预测方面表现出较高的精度,且优于其他模型。

浅谈电机轴承振动信号的采集与处理

基于实际电机运维和故障检测技术,对电机轴承的故障检测,提出了轴承振动信号的采集与处理的一些经验方法。基于振动信号的采样理论,讨论了采样控制方法和信号预处理方法,以及电机的轴承信号故障检测与分析方法。

基于LSTM联合卷积网络的低信噪比干涉相位解缠方法

针对合成孔径雷达(Synthetic Aperture Radar,SAR)干涉测量处理技术中的缠绕相位解缠的问题,提出了一种基于LSTM联合卷积网络的低信噪比干涉相位解缠方法。该方法采用复合损失函数对网络进行训练,并利用空间四向长短时记忆(Spatial Quadrature-Difference Long Short-Term Memory,SQD-LSTM)网络模块将相位解缠分解为一个回归问题,以避免典型卷积神经网络(Convolutional Neural Networks,CNN)难以学习局部空间特征参数的困难。实验结果表明,所提方法在低信噪比的情况下性能指标优于现有相位解缠方法,同时计算速度快,不需大规模训练数据集,相位解缠精度高,在SNR=0 dB时,归一化均方根误差达到了1.3%,提升了干涉测量的精准性。

血肿周围脑组织中G蛋白信号调节因子2表达水平与高血压脑出血患者炎症反应及短期预后的关系

目的研究血肿周围脑组织中G蛋白信号调节因子2(RGS2)表达水平与高血压脑出血患者炎症反应及短期预后的关系。方法选择2019年5月至2022年5月接受血肿清除术的高血压脑出血患者124例作为脑出血组,取22例接受尸检的非脑出血患者作为对照组。检测脑组织中RGS2、TNF-α和IL-1β的蛋白表达水平;根据脑出血患者出院后3个月时的mRS评分,分为预后良好患者和预后不良患者;采用Pearson检验分析RGS2与TNF-α、IL-1β的相关性,采用Logistic回归分析脑出血患者短期预后的影响因素,采用ROC曲线分析RGS2、TNF-α、IL-1β对脑出血患者短期预后的预测价值。结果脑出血组血肿周围脑组织中RGS2的蛋白相对表达水平低于对照组,TNF-α、IL-1β的蛋白相对表达水平高于对照组(均P<0.05);脑出血组血肿周围脑组织中RGS2与TNF-α、IL-1β的蛋白相对表达水平呈负相关;脑出血组中预后不良患者的入院时NIHSS评分、入院即刻血糖水平、脑出血体积、血肿周围脑组织中TNF-α、IL-1β的蛋白相对表达水平均高于预后良好患者,RGS2的蛋白相对表达水平均低于预后良好患者(均P<0.05)。Logistic回归分析显示,NIHSS评分、血肿体积、TNF-α、IL-1β、RGS2的蛋白相对表达水平是脑出血组患者短期预后不良的影响因素;ROC曲线分析显示,RGS2的蛋白相对表达水平对脑出血组患者的短期预后具有预测价值。结论高血压脑出血血肿周围脑组织中RGS2表达降低与炎症反应激活、短期预后不良有关。