固定翼时间域航空电磁仪系统集成与试飞

作者： 贲放   王浩   曹展宏   吴珊   刘磊   黄威   廖桂香   刘俊杰   西永在   李飞   年份： 2021 文献类型 ： 会议论文 关键词： 系统集成   时间域航空电磁   探测深度   固定翼  

描述： 固定翼时间域航空电磁仪系统集成与试飞

航空瞬变电磁数据背景场去除研究

作者： 黄威   贲放   李军峰   殷长春   胥值礼   刘俊杰   来源： 物探与化探 年份： 2021 文献类型 ： 期刊 关键词： 数据预处理   线性插值法   航空瞬变电磁法   背景场去除  

描述： 与地面瞬变电磁法相比,航空瞬变电磁法受不同的噪声类型影响较大,如天电噪声、运动噪声等,并且背景场对数据的影响也是不可忽略的。由于背景场中含有一次场信息,使得背景场幅值远大于含有地质信息的二次场信号。为较清晰地获得地下电性结构,需找到可以高效去除背景场的方法。本文提出利用线性插值方法来对背景场问题进行研究。首先,获得前、后高空飞行的测线数据,经过叠加、平均计算得到叠加周期内相同采样时间道的响应值,然后,利用插值原理针对每个采样时间道建立一个插值函数,最后,根据飞行时间来计算工区每条测线上采集数据的背景场值,从而达到去除背景场的目的。实测数据背景场去除的算例表明,该方法可较好地去除背景场对二次场异常的掩盖,去除后可较清晰地判断异常出现的位置。时间域航空电磁数据预处理包含较多处理模块,该方法的提出为高效的数据处理奠定了基础。

时间域航空电磁的天电噪声去除研究

作者： 贲放   黄威   路宁   韩飞   郑红闪   丁志强   李军峰   来源： 物探与化探 年份： 2021 文献类型 ： 期刊 关键词： 时间域航空电磁   去噪   剪切均值滤波   天电噪声  

描述： 天电噪声是影响时间域航空电磁数据质量的主要噪声源之一,在实际工作中如何对其高效、快速地去除是数据预处理的关键。前人研究的α-trimmed均值/中值滤波对天电噪声去除效果较好,但单窗口滤波存在一定问题,小窗口滤波去除天电噪声不彻底,大窗口滤波虽可很好地去除天电噪声,但供电处、峰值和断电处数据会被过度平均化。因此,提出混合窗口剪切均值滤波,即每半个周期内供电处、峰值和断电处数据采用小窗口参数滤波,其他数据采用大窗口参数滤波,该方法滤波后保证数据变化趋势的同时较好地去除了天电噪声。天电噪声的去除不仅能提高数据信噪比且能增大勘探深度,可以为后期数据处理提供高质量的原始测量数据。

固定翼时间域航空电磁数据预处理研究与应用

作者： 黄威   李军峰   胥值礼   贲放   李飞   廖桂香   年份： 2021 文献类型 ： 会议论文 关键词： 噪声压制   数据预处理   时间域航空电磁   背景场   天电噪声   研究与应用   剖面曲线   工频干扰   固定翼  

描述： 固定翼时间域航空电磁数据预处理研究与应用

基于质量管理的航空情报原始数据质量控制

作者： 刘俊杰   来源： 中国民用航空飞行学院 年份： 2021 文献类型 ： 学位论文 关键词： 航空情报原始数据   编码分类   统计质量控制图   相似工序   质量控制   Elman神经网络  

描述： 基于质量管理的航空情报原始数据质量控制

基于生成对抗网络的半监督遥感图像飞机检测

作者： 陈国炜   刘磊   郭嘉逸   潘宗序   胡文龙   来源： 中国科学院大学学报 年份： 2021 文献类型 ： 期刊 关键词： 生成对抗网络   目标检测   半监督学习  

描述： 遥感图像上的飞机目标检测是一件极富挑战性的工作,吸引了广大研究者的兴趣。基于人工神经网络的方法是当前遥感图像飞机目标检测的主流方法,这类方法要求人工标记大量的数据用于训练。对训练图像的人工标注工作费时费力,是制约有效利用大规模数据的主要瓶颈之一。为解决这个问题,提出一种基于生成对抗网络(generative adversarial networks,GAN)的半监督检测方法。在遥感图像飞机目标检测中,该方法不需要标记全部用于训练的图像,只需要标记其中一小部分样本,再和大量未标记数据一起进行训练便能取得优异的检测结果。该方法结合传统的检测网络和基于GAN的半监督学习网络。在对抗训练过程中,生成器学习数据分布并生成假样本,判别器判别真假样本,同时判别器还需要从标记数据中学习类别信息。最后,判别器学习到的决策分类面不仅仅区分出标记数据,而且平行于数据分布的边界。实验证明,在存在大量可供训练的图像的基础上,减少标注数据的比例,全监督学习方法性能会大幅下降;而本文提出的半监督学习方法,由于利用了未标注的数据,能保持更好的检测性能。

基于生成对抗网络的半监督遥感图像飞机检测

作者： 陈国炜   刘磊   郭嘉逸   潘宗序   胡文龙   来源： 中国科学院大学学报 年份： 2021 文献类型 ： 期刊 关键词： 生成对抗网络   目标检测   半监督学习  

描述： 遥感图像上的飞机目标检测是一件极富挑战性的工作,吸引了广大研究者的兴趣。基于人工神经网络的方法是当前遥感图像飞机目标检测的主流方法,这类方法要求人工标记大量的数据用于训练。对训练图像的人工标注工作费时费力,是制约有效利用大规模数据的主要瓶颈之一。为解决这个问题,提出一种基于生成对抗网络(generative adversarial networks,GAN)的半监督检测方法。在遥感图像飞机目标检测中,该方法不需要标记全部用于训练的图像,只需要标记其中一小部分样本,再和大量未标记数据一起进行训练便能取得优异的检测结果。该方法结合传统的检测网络和基于GAN的半监督学习网络。在对抗训练过程中,生成器学习数据分布并生成假样本,判别器判别真假样本,同时判别器还需要从标记数据中学习类别信息。最后,判别器学习到的决策分类面不仅仅区分出标记数据,而且平行于数据分布的边界。实验证明,在存在大量可供训练的图像的基础上,减少标注数据的比例,全监督学习方法性能会大幅下降;而本文提出的半监督学习方法,由于利用了未标注的数据,能保持更好的检测性能。