长期以来,疏散星团成员星的证认问题一直是天文学领域的一个挑战,由于疏散星团形成及演化的复杂性,没有统一的方法能准确地确定疏散星团中的成员星.目标是以3种不同空间分布类型的疏散星团为样本,选取恒星的位置和运动的五维参数,通过DB...长期以来,疏散星团成员星的证认问题一直是天文学领域的一个挑战,由于疏散星团形成及演化的复杂性,没有统一的方法能准确地确定疏散星团中的成员星.目标是以3种不同空间分布类型的疏散星团为样本,选取恒星的位置和运动的五维参数,通过DBSCAN(Density-Based Spatial Clustering of Applications with Noise)、FOF(Friend of Friend)和STAR GO(Star's Galactic Origin)3种聚类方法,对疏散星团进行聚类检测,量化不同算法的绩效.研究结果表明,FOF与STAR GO算法对有特殊结构的星团更为适用,能识别出星团的潮汐或延展结构,而DBSCAN对星团核心区域成员星的识别更为完整.旨在星团结构细节与提高成员星识别的完整性之间找到更均衡的算法策略.展开更多
散射中心是描述雷达目标高频散射机理的重要特征,准确提取雷达目标散射中心参数对解析雷达目标有着极其重要的研究意义。为了提高散射中心参数计算速度,通常将整幅合成孔径雷达(synthetic aperture radar,SAR)图像分解为多个包含散射中...散射中心是描述雷达目标高频散射机理的重要特征,准确提取雷达目标散射中心参数对解析雷达目标有着极其重要的研究意义。为了提高散射中心参数计算速度,通常将整幅合成孔径雷达(synthetic aperture radar,SAR)图像分解为多个包含散射中心的小区域,对每个小区域分别进行特征提取和参数计算。根据雷达目标散射中心的特点,提出了一种基于局部密度聚类的雷达目标散射中心区域分割技术。首先,对雷达图像进行Frost滤波、基于水平集方法(level set method,LSM)的图像分割和面积滤波的一系列图像预处理获得目标感兴趣(region of interest,ROI)区域,然后对预处理后的图像利用局部密度聚类算法检测散射中心并进行区域分割。实验中,采用模拟数据和真实数据对所提方法和传统图像分割算法展开数值实验,实验结果验证了所提方法在雷达目标散射中心区域分割的有效性和优越性。展开更多
由于核反应堆发电的特殊性,核电厂对于生产安全的敏感度远胜于普通电厂。作为日常运维的重要环节,核电机组运行状态监测,对于核电厂的安全稳定运行具有重要意义。当前核电机组状态监测主要采用预设固定阈值报警结合人工监盘的方式,这种...由于核反应堆发电的特殊性,核电厂对于生产安全的敏感度远胜于普通电厂。作为日常运维的重要环节,核电机组运行状态监测,对于核电厂的安全稳定运行具有重要意义。当前核电机组状态监测主要采用预设固定阈值报警结合人工监盘的方式,这种方式无法发现低于报警阈值的异常状态,同时存在一定程度的漏报风险。核电运行数据作为高维海量时序数据,具有正常样本和异常样本分布不均衡以及数据缺乏标签的问题,这限制了有监督深度学习方法的使用。提出了一种基于变分自编码器(variational autoencoders,VAE)构建的无监督深度学习模型对真实运行数据进行异常检测,通过正常运行数据学习正常模式下数据在隐空间的分布,并基于异常数据无法被良好重构的原理,通过重构误差的大小来判别当前状态是否异常。实验以核电机组化学和容积控制系统(removal-chemical and volume control system,RCV)中的上充泵为例,使用真实运行数据结合插入异常的方式对模型进行了验证,并与经典机器学习方法进行了对比。实验结果表明基于变分自编码器的模型能够有效检测到核电真实数据中的异常数据片段及离群点,检测精确率和召回率均高于90%,检测性能相对孤立森林和支持向量机等经典机器学习算法具有优势,具备一定的实用价值和研究意义。展开更多
文摘长期以来,疏散星团成员星的证认问题一直是天文学领域的一个挑战,由于疏散星团形成及演化的复杂性,没有统一的方法能准确地确定疏散星团中的成员星.目标是以3种不同空间分布类型的疏散星团为样本,选取恒星的位置和运动的五维参数,通过DBSCAN(Density-Based Spatial Clustering of Applications with Noise)、FOF(Friend of Friend)和STAR GO(Star's Galactic Origin)3种聚类方法,对疏散星团进行聚类检测,量化不同算法的绩效.研究结果表明,FOF与STAR GO算法对有特殊结构的星团更为适用,能识别出星团的潮汐或延展结构,而DBSCAN对星团核心区域成员星的识别更为完整.旨在星团结构细节与提高成员星识别的完整性之间找到更均衡的算法策略.
文摘散射中心是描述雷达目标高频散射机理的重要特征,准确提取雷达目标散射中心参数对解析雷达目标有着极其重要的研究意义。为了提高散射中心参数计算速度,通常将整幅合成孔径雷达(synthetic aperture radar,SAR)图像分解为多个包含散射中心的小区域,对每个小区域分别进行特征提取和参数计算。根据雷达目标散射中心的特点,提出了一种基于局部密度聚类的雷达目标散射中心区域分割技术。首先,对雷达图像进行Frost滤波、基于水平集方法(level set method,LSM)的图像分割和面积滤波的一系列图像预处理获得目标感兴趣(region of interest,ROI)区域,然后对预处理后的图像利用局部密度聚类算法检测散射中心并进行区域分割。实验中,采用模拟数据和真实数据对所提方法和传统图像分割算法展开数值实验,实验结果验证了所提方法在雷达目标散射中心区域分割的有效性和优越性。
文摘由于核反应堆发电的特殊性,核电厂对于生产安全的敏感度远胜于普通电厂。作为日常运维的重要环节,核电机组运行状态监测,对于核电厂的安全稳定运行具有重要意义。当前核电机组状态监测主要采用预设固定阈值报警结合人工监盘的方式,这种方式无法发现低于报警阈值的异常状态,同时存在一定程度的漏报风险。核电运行数据作为高维海量时序数据,具有正常样本和异常样本分布不均衡以及数据缺乏标签的问题,这限制了有监督深度学习方法的使用。提出了一种基于变分自编码器(variational autoencoders,VAE)构建的无监督深度学习模型对真实运行数据进行异常检测,通过正常运行数据学习正常模式下数据在隐空间的分布,并基于异常数据无法被良好重构的原理,通过重构误差的大小来判别当前状态是否异常。实验以核电机组化学和容积控制系统(removal-chemical and volume control system,RCV)中的上充泵为例,使用真实运行数据结合插入异常的方式对模型进行了验证,并与经典机器学习方法进行了对比。实验结果表明基于变分自编码器的模型能够有效检测到核电真实数据中的异常数据片段及离群点,检测精确率和召回率均高于90%,检测性能相对孤立森林和支持向量机等经典机器学习算法具有优势,具备一定的实用价值和研究意义。
