震时中学应急疏散模型建立的探究

如何有效预防和减少地震及其他突发事件导致的人员伤亡,已成为国内外公共安全工作和研究的重中之重。本文从汶川地震中中学生的伤亡情况、人员疏散状态和疏散时间密切相关的特点出发,阐述了建立中学校园疏散时间模型的必要性。以中学生在面对地震等灾害情况时的心理和行为规律的研究为基础,探究了采用回归分析法建立应急疏散时间与各影响因素之间的回归模型的想法,并且建立人员应急疏散运动时间预测模型的可行性方法。     

张衡一号卫星闪电哨声波扩散状态识别算法

闪电哨声波是由闪电激发的宽频带电磁脉冲,在穿越南北两半球沿地磁线传播时携带了大量的空间环境信息.由于在闪电哨声波中高频的部分先到达低频的部分后到达,导致其在时频图中呈现色散状.其传播路径的长短、传播路径中的电子密度成分以及反射次数等不同使得其存在多种扩散状态.为了进一步探索闪电哨声波的扩散状态与空间环境之间的关系,将闪电哨声波依据其扩散状态进行分类是现在一个亟需解决的问题.然而,目前的检测算法还无法对闪电哨声波扩散状态进行细分.基于此,本文以张衡一号(ZH-1)卫星感应磁力仪(SCM)的VLF波段的波形数据为研究对象,首次将闪电哨声波的散度信息作为其特征,统计并制作了2303张闪电哨声波的时频图像数据集并对其进行特征提取,最后将提取到的特征输入SVM分类器对闪电哨声波进行分类.实验结果表明该算法具有较好的分类效果,其准确率为94.35%、精确率为95.42%、召回率为98.58%、F1-Score为96.97%.     

基于智能语音技术的闪电哨声波自动识别

闪电哨声波是一种重要的电磁波动,了解其传播特征及传播过程有助于揭开圈层电磁耦合机理.从卫星观测资料识别闪电哨声波通常需要将原始电磁波形进行滤波处理再转化为时频图像,最后采用目视方法识别图像中的色散状形态,整个过程消耗大量人机时间和内存资源,不能满足张衡一号(ZH-1)卫星观测的海量电磁场数据处理的需求.针对该问题,鉴于闪电哨声波原始波形数据能够通过播放器产生降调的声音,本文打破以视觉分析为主的闪电哨声波研究惯例,首次采用语音智能技术研究其自动识别算法.首先,以张衡一号卫星感应磁力仪(SCM)的VLF波段的波形数据为研究对象,截取时间窗口为0.16 s的波形数据作为音频片段;然后对该片段进行去趋势处理;基于梅尔频率倒谱系数(MFCCs)能够刻画人耳的听觉机理,提取闪电哨声波的MFCCs特征;其次,构建长短期记忆(LSTM)神经网络并输入波形数据的MFCCs特征训练分类模型;最后利用MFCCs特征和训练得到的LSTM分类模型实现闪电哨声波自动识别.通过对10200数据集(5100段包含闪电哨声波,5100段无闪电哨声波)上开展实验发现：该方法的准确率为96.7%,召回率为84.2%,调和平均得分(F1-score)为90.0%,AUC(Area under Curve)评分为90.1%,而且消耗的时间成本是2.28 s,消耗内存资源是82.89 MB;当前最优的基于时频图的闪电哨声波识别算法在本数据集上的准确率为97.3%,内存消耗为233 MB,在CPU上处理0.16 s的片段数据所消耗的时间是6.71 s,内存消耗和时间消耗比较严重.相比而言,基于智能语音的闪电哨声波识别算法准确率略低0.6%,但能够节约66%的时间成本以及65%的内存资源.这表明该算法不仅仅适合从卫星观测的海量数据中快速准确识别出闪电哨声波,且更适合应用于星载识别.