辐射源定位结果的有效性判定能够排除噪声定位结果干扰,保留真实有效的辐射源定位点,进而获取一个清晰连续的闪电成像图.基于电磁时间反转(electromagnetic time reversal,EMTR)的雷电甚高频辐射源定位方法具有较高的定位精度,但其定位...辐射源定位结果的有效性判定能够排除噪声定位结果干扰,保留真实有效的辐射源定位点,进而获取一个清晰连续的闪电成像图.基于电磁时间反转(electromagnetic time reversal,EMTR)的雷电甚高频辐射源定位方法具有较高的定位精度,但其定位结果有效性判定方法依靠主观设定的阈值,无法准确区分弱辐射源和噪声定位结果;其次,该方法定位速度较慢,时效性较差.为了改善这些问题,本文提出了一种基于神经网络辅助决策的定位方法,构建了一个双通道二维卷积神经网络分类模型.首先对滑动窗口的时域信号进行离散傅里叶变换,将其频点幅值及相位信息输入模型进行分类预测,判断其是否为辐射源;而后仅保留辐射源滑窗数据进行定位计算,减少了滑窗运算量;最后通过密度聚类算法对定位结果进行筛选并得到最终定位结果.模型在实测的人工引雷数据上的分类精度达到了99.73%.使用梯度可视化热力图对模型所学习到的特征以及分类依据进行物理涵义分析,增强了模型的可解释性以及合理性.相较于现有的EMTR方法,本文提出的方法不仅定位速度提高了21倍,同时模型具有较好的迁移泛化能力,对于未曾学习过的人工触发闪电以及自然闪电数据均具有较好的识别能力,在这些数据上的辐射源定位数量增加了55.71%,在排除噪声干扰的同时,获得了更为精细的通道结构图,并保留了更多的雷电发展分支结构.展开更多
为解决在目标检测网络中使用特征融合方法带来的参数量大、计算复杂度高的问题,提出了一种融合无参注意力机制(SimAM)的特征融合方法。对动态蛇形卷积(DSConv)进行轻量化处理(Light-DSConv)。利用该结构自主学习目标几何形状的能力,对...为解决在目标检测网络中使用特征融合方法带来的参数量大、计算复杂度高的问题,提出了一种融合无参注意力机制(SimAM)的特征融合方法。对动态蛇形卷积(DSConv)进行轻量化处理(Light-DSConv)。利用该结构自主学习目标几何形状的能力,对小目标的特征进行二次提取。利用SimAM模块对特征图空间域的重要性进行划分并与通道域权重相结合,进一步提升模型性能。在Pascal VOC 2007测试集上测试融合模块的有效性。结果表明:轻量化后,单个DSConv结构参数量下降85.6%。模型平均精度(mean average precision,mAP)比基线模型增加了4.41%,比添加现有特征融合方法模型平均增加3.78%。所提出模块的参数量、计算量、检测速度与现阶段其它方法相比均具有一定优势。展开更多
文摘辐射源定位结果的有效性判定能够排除噪声定位结果干扰,保留真实有效的辐射源定位点,进而获取一个清晰连续的闪电成像图.基于电磁时间反转(electromagnetic time reversal,EMTR)的雷电甚高频辐射源定位方法具有较高的定位精度,但其定位结果有效性判定方法依靠主观设定的阈值,无法准确区分弱辐射源和噪声定位结果;其次,该方法定位速度较慢,时效性较差.为了改善这些问题,本文提出了一种基于神经网络辅助决策的定位方法,构建了一个双通道二维卷积神经网络分类模型.首先对滑动窗口的时域信号进行离散傅里叶变换,将其频点幅值及相位信息输入模型进行分类预测,判断其是否为辐射源;而后仅保留辐射源滑窗数据进行定位计算,减少了滑窗运算量;最后通过密度聚类算法对定位结果进行筛选并得到最终定位结果.模型在实测的人工引雷数据上的分类精度达到了99.73%.使用梯度可视化热力图对模型所学习到的特征以及分类依据进行物理涵义分析,增强了模型的可解释性以及合理性.相较于现有的EMTR方法,本文提出的方法不仅定位速度提高了21倍,同时模型具有较好的迁移泛化能力,对于未曾学习过的人工触发闪电以及自然闪电数据均具有较好的识别能力,在这些数据上的辐射源定位数量增加了55.71%,在排除噪声干扰的同时,获得了更为精细的通道结构图,并保留了更多的雷电发展分支结构.
文摘为解决在目标检测网络中使用特征融合方法带来的参数量大、计算复杂度高的问题,提出了一种融合无参注意力机制(SimAM)的特征融合方法。对动态蛇形卷积(DSConv)进行轻量化处理(Light-DSConv)。利用该结构自主学习目标几何形状的能力,对小目标的特征进行二次提取。利用SimAM模块对特征图空间域的重要性进行划分并与通道域权重相结合,进一步提升模型性能。在Pascal VOC 2007测试集上测试融合模块的有效性。结果表明:轻量化后,单个DSConv结构参数量下降85.6%。模型平均精度(mean average precision,mAP)比基线模型增加了4.41%,比添加现有特征融合方法模型平均增加3.78%。所提出模块的参数量、计算量、检测速度与现阶段其它方法相比均具有一定优势。
