摘要— 开发了一种获取传感器测量过程的贝叶斯网络 (BN) 表示的方法,以便从统一的角度处理传感器融合和管理问题。传感器数据中嵌入的不确定性、可靠性和因果信息用于构建传感器的 BN 模型。该方法用于为人道主义排雷建模探地雷达、电磁感应和红外传感器。采用结构和参数学习算法对 BN 模型中的地雷特征、传感器测量值和环境条件之间的关系进行编码。在存在异质土壤和变化的环境条件的情况下,推理用于估计目标特征。开发了一种基于 BN 模型的多传感器融合技术,以利用传感器测量的互补性。通过相同的方法,可以获得 BN 分类器来估计目标类型。BN 模型和分类器还计算所谓的置信度,以量化与特征估计和分类决策相关的不确定性。通过实施这些 BN 工具来检测和分类具有不同形状、大小、深度和金属含量的金属和塑料地雷,证明了该方法的有效性。通过 BN 融合,特征估计的准确性相对于单传感器测量提高了高达 64%,并且同时检测和分类的物体数量增加了高达 62%。
摘要—开发了一种获取传感器测量过程的贝叶斯网络 (BN) 表示的方法,以便从统一的角度处理传感器融合和管理问题。传感器数据中嵌入的不确定性、可靠性和因果信息用于构建传感器的 BN 模型。该方法用于为人道主义排雷建模探地雷达、电磁感应和红外传感器。采用结构和参数学习算法在 BN 模型中对地雷特征、传感器测量值和环境条件之间的关系进行编码。在存在异质土壤和不同环境条件的情况下,使用推理来估计目标特征。开发了一种基于 BN 模型的多传感器融合技术,以利用传感器测量值的互补性。通过相同的方法,可以获得 BN 分类器来估计目标类型。 BN 模型和分类器还计算所谓的置信度,以量化与特征估计和分类决策相关的不确定性。通过实施这些 BN 工具来检测和分类具有不同形状、大小、深度和金属含量特征的金属和塑料地雷,证明了该方法的有效性。通过 BN 融合,特征估计的准确度相对于单传感器测量提高了 64%,并且同时检测到和分类的物体数量增加了 62%。
与传统的有源雷达系统相比,无源雷达系统利用外部环境中存在的大量射频发射信号,具有许多优势。这些优势包括通过使用第三方传输作为目标照明源,节省采购和运营成本,从而降低功率要求和隐蔽性。此类系统可用于军事监视以及民用应用,例如空域监视和地面监测。通常,此类系统使用通信、无线电或电视广播服务产生的射频发射。每个发射器在覆盖范围、功率水平和波形方面都有自己的特点。继使用电视传输进行前向散射雷达研究之后,BAE 系统先进技术中心设计并建造了一个用于无源传感器研究的演示系统。演示系统在多倍频程带宽上运行,可以配置为利用广播和通信系统的模拟和数字传输。这最大限度地提高了灵活性,并允许通过利用基于特定几何形状、覆盖范围、波形和目标特征的最佳雷达回波进行监视和跟踪。特别是,使用不同几何形状在不同波段进行多次观测将允许轨迹融合,从而实现比单波段系统更稳健、更准确的轨迹。本文概述了在演示器开发过程中解决的系统和设计问题,包括模拟模型、目标特征和与不同类型传输相关的权衡。显示了实验工作的结果,说明了演示系统对机会目标的运行情况。
无源雷达系统利用外部环境中存在的大量射频发射信号,与传统的有源雷达系统相比具有许多优势。这些优势包括,通过使用这些第三方传输作为目标照明源,可以节省采购和运营成本,从而降低功率要求和隐蔽性。此类系统可用于军事监视以及民用应用,例如空域监视和地面监视。通常,此类系统使用通信、无线电或电视广播服务产生的射频发射。每个发射器在覆盖范围、功率水平和波形方面都有自己的特点。继使用电视传输进行前向散射雷达研究之后,BAE 系统先进技术中心设计并建造了一个用于无源传感器研究的演示系统。演示系统在多倍频程带宽上运行,可以配置为利用来自广播和通信系统的模拟和数字传输。这最大限度地提高了灵活性,并允许通过利用基于特定几何形状、覆盖范围、波形和目标特征的最佳雷达回波来进行监视和跟踪。具体而言,使用不同几何形状在不同波段进行多次观测将允许轨迹融合,从而实现比单波段系统更稳健、更准确的轨迹。本文概述了在演示器开发过程中解决的系统和设计问题,包括模拟模型、目标特征和与不同类型传输相关的权衡。本文展示了实验工作的结果,说明了演示器系统对机会目标的运行情况。
抽象的秋葵是一种重要的蔬菜作物,在世界的热带和亚热带地区以及温带地区的温暖地区种植。其商业种植专门分布在亚洲和非洲的各个发展中国家。通常,通常培养的秋葵被报告给四倍体物种,并具有非常大而复杂的基因组,它利用现代的OMICS技术阻碍了其快速的遗传改善。繁殖方法适用于自授粉作物,经常用于秋葵的遗传改善,例如植物引入,纯线选择,杂交,然后选择,突变育种和异性疾病育种。血统的选择和杂种育种,这导致了印度许多品种和杂种的发展。在现代的秋葵繁殖中,对YVMV,oelcv,吮吸害虫和鲍鱼的多种耐受性,易于收获,深绿色水果颜色和理想的植物类型是主要目标特征。在过去的几十年中,不同的公共部门机构已开发并发布了33种改进的品种/混合动力车,以使全国农业社区受益。这些品种/混合动力车中很少有人对印度的秋葵产量产生了值得注意的影响。本文回顾了秋葵育种的当前状态,包括遗传资源,细胞遗传学关系,育种目标,品种发展,抗性育种,生物技术干预及其未来的改善策略。关键词:秋葵,遗传学,育种,遗传资源,生物技术。
这项研究探讨了尼日利亚南部的机器学习技术在洪水预测和分析中的应用。机器学习是一种人工智能技术,它使用基于计算机的指令分析和将数据转换为有用的信息,以使系统能够进行预测。传统的洪水预测和分析方法通常无法提供有效灾难管理的准确和及时信息。更重要的是,由于无法将复杂的大气动力学简化为简单方程式,因此对19世纪的洪水灾害的数值预测不是很准确。在这里,我们使用了机器学习(ML)技术,包括随机森林(RF),逻辑回归(LR),幼稚的贝叶斯(NB),支持向量机(SVM)和神经网络(NN)来建模引起洪水泛滥的复杂物理过程。数据集包含59个具有目标特征“事件类型”的案例,其中包括39例洪水和20例洪水/暴雨。基于使用历史记录创建的模型的评估指标的比较,结果表明,NB的性能比所有其他技术都更好,其次是RF。开发的模型可用于预测洪水事件的频率。大多数洪水场景表明,该事件对人们的生命构成了重大风险。因此,每个紧急响应要素都需要足够了解洪水事件,持续的预警服务和准确的预测模型。本研究可以扩大有关弱势领域洪水预测建模的知识和研究,以告知有效,可持续的应急计划,政策和管理洪水灾害事件的行动,特别是在其他技术欠发达的环境中。
许多研究表明,EEG 波段,特别是 alpha 和 theta 波段,是潜在有用的认知负荷指标。然而,很少有研究可以证实这一说法。本研究旨在评估和分析 alpha-theta 和 theta-alpha 波段比率对支持创建能够区分自我报告的心理负荷感知的模型的影响。使用原始 EEG 数据集,其中 48 名受试者以多任务 SIMKAP 测试的形式进行静息活动和诱导任务要求练习。波段比率是根据额叶和顶叶电极簇设计的。构建和模型测试是使用从计算的比率随时间提取的频率和时间域的高级独立特征进行的。模型训练的目标特征是从休息和任务需求活动后收集的主观评级中提取的。模型是通过使用逻辑回归、支持向量机和决策树构建的,并使用准确度、召回率、精确度和 f1 分数等性能指标进行评估。结果表明,使用从 alpha-theta 比率和 theta-alpha 比率中提取的高级特征训练的模型具有较高的分类准确率。初步结果还表明,使用逻辑回归和支持向量机训练的模型可以准确地对自我报告的心理工作量感知进行分类。这项研究通过展示从 alpha-theta 和 theta-alpha EEG 频带比率中提取的时间、频谱和统计域中用于区分自我报告的心理工作量感知的信息的丰富性,为知识体系做出了贡献。
在欧洲,Natura 2000站点应保护受威胁的目标物种和栖息地网络。作为共同农业政策的一部分(CAP)的一部分,经常通过大量放牧来实现Natura 2000草原的管理。我们研究了Natura 2000管理层放牧的CAP放牧程度,以及这如何影响黄油 - 弱目标物种(Marsh Fritillary)和植物资源。基于2年在瑞典的225 km 2 land-scape中的2年中的广泛的捕获标志性研究,包括15个Natura 2000地点,我们比较了Marsh Fritillary的出现概率和人口密度和不偏见和帽盖的人群的人口密度。此外,我们分析了基于2347个样本图的植物记录,花蜜资源和兰花如何受到盖帽的影响。我们估计了在Natura 2000遗址内外被帽覆盖的黄油含量栖息地的比例。总共有10 453和4417黄油在2017年和2019年标记。与2017年的盖帽习惯相比,未放牧的网格细胞的出现概率高1.8倍,弹出密度高2.3倍,2019年的相应数字分别高出10和5.3倍。流动植物的数量平均高出6.9倍,而兰花的密度则是未种植栖息地的12.3倍。大致覆盖了30%(130公顷)的沼泽植物栖息地,其中97%的放牧发生在受保护区域内,其中111公顷位于Natura 2000地区,沼泽片是目标物种。令人震惊的是,我们表明,每年都有强烈的CAP放牧,这是所有Natura 2000站点的主要管理策略,对目标特征和生物多样性的其他方面产生了毁灭性的后果。不太强烈的管理,这将拟合生物多样性,需要更改上限,以便为栖息地管理目标和目标物种的保护提供更多灵活的付款。