【自我解析】2020年华为杯数学建模比赛E题

问题一:

【自我解析】2020年华为杯数学建模比赛E题_第1张图片

0114(中国石油大学)对于问题一的分析如下:

我认为与C题数据处理模型建立等问题较为相似。

这篇我打算详细看一下。在题目所给的数据中。分别给了19和20年的风速、湿度、能见度的表格。对其进行数据处理。

【自我解析】2020年华为杯数学建模比赛E题_第2张图片

(0114对数据的陈述) 

在第二步需要对一些因素进行假设,以便更好地建立模型。

(0114的假设)

【自我解析】2020年华为杯数学建模比赛E题_第3张图片

 然后对问题一进行了问题分析:

【自我解析】2020年华为杯数学建模比赛E题_第4张图片

0114的问题一思路流程图:

【自我解析】2020年华为杯数学建模比赛E题_第5张图片

这里 0219应该是用matlab把数据转换成了图像,详情在如何用Matlab把excel表格中的数据导入Matlab中并绘制出图?_魏波-CSDN博主-CSDN博客

可以做到。这里又用了一些办法展现不同数据之间的相关性:

【自我解析】2020年华为杯数学建模比赛E题_第6张图片

(44条消息) 相关性分析的五种方法_Munger6的博客-CSDN博客_相关性分析https://blog.csdn.net/Munger6/article/details/108408096以上链接可以展现5种相关性的分析。

接着两篇都开始进行对模型的建立,其中0219用了三元三次多项式拟合

【自我解析】2020年华为杯数学建模比赛E题_第7张图片

 0114使用了多元线性回归方程

 【自我解析】2020年华为杯数学建模比赛E题_第8张图片

然后对模型验证进行评价,使用拟合优度对多项式拟合的结果进行评估。

【自我解析】2020年华为杯数学建模比赛E题_第9张图片

其中0219使用了拟合优度、均方根误差、平均绝对误差等。0114用了协方差。具体这些方差公式该怎么带入我猜是把这些公式的matlab代码与给定的数值结合跑出所得结果。

问题二:

【自我解析】2020年华为杯数学建模比赛E题_第10张图片

实际是利用给出的机场视频数据结合地面气象观测数据分析得到能见度的大小,要根据视频中的特征信息将其与能见度数据建立对应的关系,建立深度学习模型,分析得到能见度(雾的浓厚程度),将问题转化为分类问题,利用深度模型将视频按照雾的浓度进行分类,评估能见度进行精度验证

 0114问题二思路流程图

【自我解析】2020年华为杯数学建模比赛E题_第11张图片

(0219)

对视频进行了帧提取,并利用影像去噪、影像增强的手段对数据质量进行修正;对标签数据进行统计和划分,避免了某一类数据在训练集和验证集中过于密集的 情况;尝试使用 SIFT 算子对图像特征点进行提取,并结合神经网络提出我们的神经网络深度学习模型。

 因为机场AMOS数据是一维数据,而视频数据属于二维图像数据。但本题的图像数据存在异常情况,局部特征对于能见度的反演能力有限。所以直接基于图像进行深度学习不太合适。所以需要对图像数据进行预处理减少噪声等随机信息对模型收敛的影响。

0219先提取每一幅图像的特征信息再采用全连接神经网络进行学习。提取时间间隔15秒的重要关键帧。将连续的视频数据转换为1860幅图像。通过图像对异常信息进行辨识。

从有噪声的图像中恢复有意义的信息以获得高质量的图像是一个重要的问题,分别采用中值滤波、均值滤波和高斯滤波。

中值滤波是一种非线性空间滤波器,均值滤波器的输出是包含在滤波掩膜领域内像素的简单平均值;高斯滤波是一种线性平滑滤波。

【自我解析】2020年华为杯数学建模比赛E题_第12张图片

(以上为非局部均值部分示意。0219使用)

然后进行“尺度不变特征变换(SIFT)特征提取”,是一种较为稳定的局部特征,具有放缩不变性、旋转不变形,抗光照变化,抗试点变化

接着开始对图像进行预处理(去噪、增强、掩膜)

【自我解析】2020年华为杯数学建模比赛E题_第13张图片

 

用不同的滤波器对图像进行去噪,然后找出适合本题的滤波算法。(一般图像分为:椒盐噪声和高斯噪声)

然后对样本进行训练,对样本的处理也很重要,保证数据的能见度分布比较均衡。

这里两篇都使用了对深度学习模型的搭建,0114在建立深度学习模型的时候,使用卷积神经网络直接将图像数据作为输出。

以下为VGG16卷积神经网络深度学习模型的流程图

【自我解析】2020年华为杯数学建模比赛E题_第14张图片

对问题二的总结(0219)

(1)对视频进行帧提取,利用影像去噪、影像增强的手段对数据质量进行修正

(2)尝试使用SIFT算子对图像特征点进行提取,并结合神经网络提出神经网络深度学习模型。

【自我解析】2020年华为杯数学建模比赛E题_第15张图片

问题二需要一些神经网络或是深度学习的知识

问题三:

【自我解析】2020年华为杯数学建模比赛E题_第16张图片

 建模估算能见度。

0219: (如何充分利用图像中的特征以及如何分析具有时间序列的图像是进行建模求解的关键。)

(1)直接根据单目图像计算景深

(2)选定感兴趣区域(ROI),计算所有ROI区域的平均亮度值的变化;

(3)通过图像增强算法,利用边缘检测算子获取公路标线的可见长度,以此来推算能见度

(4)基于暗通道先验算法,根据不同景深的物体对比度差异,计算图像的大气消光系数和大气透射率,根据大气消光系数估算能见度。

【自我解析】2020年华为杯数学建模比赛E题_第17张图片

后对这四个方法进行试验和介绍。第四种方法的技术路线图:

【自我解析】2020年华为杯数学建模比赛E题_第18张图片

得到模型优缺点:

【自我解析】2020年华为杯数学建模比赛E题_第19张图片

 0114:【自我解析】2020年华为杯数学建模比赛E题_第20张图片

Canny算子边缘检测

对原始图像进行灰度化,然后对灰度图进行边缘检测,提取图像中的灰度级突变。

使用经典Hough变换,对图像进行坐标变换,使变换结果更容易识别和检测。

最后用相机模型原理,建立灰度变化拐点值最大景深线与能见度的定量关系:

【自我解析】2020年华为杯数学建模比赛E题_第21张图片

 可见第三问两道题的处理方式是不一样的,可以都进行详细了解在使用不同题目时进行使用。

 问题四:

0219:

【自我解析】2020年华为杯数学建模比赛E题_第22张图片

 0114:

我觉得两道题相比,0219的问题解决的更清晰更符合应用。 但0114更流程化。

 至此,本题梳理完毕

你可能感兴趣的:(数模练习,算法,华为)