采用k近邻进行空间相关性超短期风速预测

提高超短期风速预测准确率和可靠性的途径之一,是从历史观测值中充分挖掘风速相关性的特征和规律。将本地最新的风速历史观测值结合按照最优延迟时间提前的上游风速观测值,形成空间相关性k近邻预测的参考矢量;以相关系数作为相关性的具体评价指标,从风速历史观测值中优选出该参考矢量的k个最相似的近邻;采用7种回归模型进行本地的未来风速预测。荷兰Huibertgat地区冬季风速预测的仿真结果表明:使用线性回归、偏最小二乘回归、最小二乘支持向量回归3个优化模型预测,优化的k近邻数量为100左右,优化的历史数据年数为10 a;空间相关性k近邻风速预测能够有效使用历史数据的相似性进行可靠的超短期风速预测。     

我国冬季风路径上风速与其影响因子的优化延迟相关性分析

为提高超短期和短期风速预测的准确率和可靠性,分析了我国冬季风主要路径上7个代表性地点的风速与气压、风向、气温等的相关性变化。首先,根据相关性/距离指标的性质,采用Pearson相关系数等来计算风速与其影响因子之间的相关性。采用样本交叉相关函数SCCF来分析各地风速之间的平均优化延迟时间。之后,计算了时间窗口上风速与其影响因子第一主成分之间的相关性及其优化延迟时间。结果表明:台湾海峡是特别适合空间相关性超短期预测的风能丰富区域。并且采用北京的气压、风速、风向和气温作为影响因子来预测澳仔的冬季风风速,预测误差对最优延迟时间的依赖性并不明显。北京对澳仔的气压差值,对预测误差的影响最为重要。     

基于自适应双阈值的地下目标自动检测算法

在使用探地雷达（GPR）生成的Bscan图像进行地下目标检测时，当前基于深度学习的目标检测网络模型存在训练样本需求量高、耗时长，不能区分目标显著程度，难以识别复杂目标等问题。针对以上问题，提出一种基于直方图的双阈值分割算法。首先，根据地下目标的GPR图像直方图分布特性，快速从直方图中计算出分割地下目标所需的两个阈值；然后，采用支持向量机（SVM）和LeNet的组合分类器模型对分割结果进行分类识别；最后，进行分类结果整合并统计精确度数值。相较于传统的最大类间方差法（Ostu）、迭代法等阈值分割算法，所提算法获得的地下目标分割结果结构更加完整，并且几乎不含噪声。在真实数据集上，所提算法的平均识别准确率达到了90%以上，比仅使用单一分类器的平均识别准确率提高40%以上。实验结果表明，所提算法能够同时有效分割显著和非显著性地下目标，且采用的组合分类器能够获得更好的分类结果，适用于小样本数据集的地下目标自动检测和识别。