高速面阵CCD图像采集系统的设计

高速高分辨率CCD器件的实用化是近年图像采集领域的一个研究热点.选用科学级柯达新型高分辨率可见光面阵CCD KAI-0304设计了一种高速图像采集系统.该系统采用KSC-100作为时序发生器驱动面阵CCD和信号处理器AD9840A,实现对CCD面阵输出模拟信号的高速A/D转换,并将信号快速转存至片外SDRAM存储器,经USB采集系统将数据发送到计算机.系统采用相关双采样(CDS)技术滤除信号中的相关噪声,提高了系统的信噪比,采集速度达40 Mbit/s,具有集成度高、低噪声、数据传输速度快等特点.经测试,系统工作稳定,为高端科学级CCD面阵的实用化提供了一种设计方案.     

矿区地表形变监测及预测方法研究

利用2018年1月至2021年12月的47景Sentinel-1A影像，基于SBAS-InSAR技术，对窑街矿区进行沉降监测。根据矿区沉降特征，构建GM(2,1)、BP神经网络、PSO-SVR和LSTM4种预测模型，对3个矿区2020—2021年形变中心沉降值进行预测分析。结果显示：窑街矿区大部分区域处于稳定状态，矿区中心形成明显的沉降漏斗，最大平均沉降速率为157.01 mm/a，2018—2021年最大累积沉降量达到681.82 mm，存在发生采空区大面积塌陷和次生地质灾害的危险。预测结果显示，4种模型表现出不同的预测精度， LSTM模型预测精度最高，可作为矿区地表沉降相对可靠的预测模型。     

基于时序全局主成分分析的经济开发区发展态势研究——以安徽省部分经济开发区为例

经济开发区对我国的经济社会发展起到了巨大的推动和促进作用。本文将利用时序全局主成分分析方法,选取安徽省部分经济开发区2000至2011年间相关指标数据为样本,动态描绘其发展态势。     

基于广域多时间尺度的CVT误差状态预测方法

针对现有电容式电压互感器（CVT）误差状态预测只考虑单一粒度构建时序模型的问题，本文提出了一种基于广域多时间尺度的CVT误差状态预测方法，首先，对CVT运行状态下二次输出数据进行STL时序分解，构建多元时序特征；其次，利用不同时间尺度的分解数据构造多元时间序列预测模型；最后，利用多元时间序列预测模型，实现不停电条件下CVT误差状态的精准预测。仿真数据表明，该方法能准确预测CVT超误差状态，与现有方法相比，验证了该方法的准确性与适用性。     

中小城市高铁站区“站城融合”发展研究

随着八纵八横高铁网络加密成型，高铁网络布局进入新阶段。对中小城市而言高铁既可能是机遇，更可能是挑战，在新的城镇化和高铁发展格局下，如何处理中小城市与高铁发展的关系，减弱高铁的虹吸效应，利用自身资源禀赋创造发展机会，是中小城市发展面临的难题。通过梳理当前中小城市高铁站区存在的距离中心城区过远、功能定位过高、与城市协同不足等问题，分析研究高铁对中小城市发展的影响，提出优化中小城市高铁选线选站、谨慎确定站区功能定位、组织渐进式开发、依托高铁走廊发展互补功能区、重视高铁站区周边交通基础设施建设等对策建议。     

新型城镇化与都市农业发展耦合关系及时序特征研究——以武汉市为例

[目的]新型城镇化引致都市农业实现高质量发展,都市农业发展倒逼新型城镇化协同高效推进;探究新型城镇化与都市农业发展的耦合互动关系,对加快推动两系统协调发展具有重要意义。[方法]文章基于2006—2017年武汉市新型城镇化与都市农业发展水平的评价指标测度数据,运用耦合协调度模型定量分析了新型城镇化与都市农业发展的耦合关系。[结果](1)新型城镇化与都市农业总体发展水平均呈上升态势,耦合关系显著;(2)两者耦合度C值在0.490左右变化浮动,2008年和2013年耦合度出现最低值和最高值,分别为0.475和0.500;(3)耦合协调度D值处在0.290～0.627,耦合协调等级从中度失调转变为初级协调阶段,且时序演变呈现出小幅波动性、差异性和阶段性特征。[结论]武汉市新型城镇化与都市农业发展水平的耦合协调程度处于不断完善中,时序特征变化明显。为此,武汉市应坚持贯彻实施"以人为本"及城乡融合发展的新型城镇化发展道路,挖掘农业的多种功能以打造都市农业高质量发展的升级版,强化政策扶持的支持力度以保障新型城镇化与都市农业耦合协调发展。     

时序证据的加窗累积D—S组合推理方法

针对相关时序证据的D-S组合证据推理,分析了传统D-S组合规则的一直累积融合所产生的组合证据趋于平凡解的不合理原因,提出了一种时序证据加窗累积融合的D-S组合推理新方法,并根据组合证据判决置信度推导了窗口大小的自适应选取公式,数值实例分析说明了本方法的有效性.     

基于深度学习对茅台机场降水量预测的研究

强降水等恶劣天气对于民航的正常运行有着极大的危害，降水量的准确预测有助于民航等企业安全稳定运行。通过对机场跑道自动气象观测系统（AWOS）收集的降水时序数据进行预处理，为深度学习提供训练和测试的样本集，然后分别构建长短期记忆模型（LSTM）和时序卷积网络（TCN）模型，实现对未来1～3 h降水量的预测，并对两个模型的预测精度进行比较分析。结果表明,TCN模型的预测效果优于LSTM模型。其中，对未来1～3 h降水量的预测中，TCN模型的R2分别为0.96、0.91和0.86。