基于小波融合的ASTER数据自组织特征映射神经网络分类研究

重点介绍了有自组织功能的两层结构的神经网络Kohonen自组织特征映射, 两层之间各神经元实现全连接并且在竞争层各神经元之间还存在侧连接, 实现了有效的竞争和抑制, 提高了自适应的学习能力, 因此成为国际遥感数据分类的研究热点. ASTER卫星数据是新型遥感数据, 包括3个15 m分辨率波段和3个30 m分辨率的短波红外波段. 选择天津大港ASTER数据作为方法实验数据, 首先对数据进行了小波融合, 然后进行了土地覆盖类型的神经网络分类研究. 研究结果与相同训练点的最大似然监督分类比较, 总体提高分类精度7%, 特别对城镇分类精度提高近一倍.     

基于遗传神经网络的地震砂土液化判别研究

针对BP人工神经网络具有易陷入局部极小等缺陷,本文提出了将遗传算法与神经网络结合,同时优化网络结构的权值与阈值的思想,建立了砂土液化判别的遗传神经网络模型。根据地震液化的实测资料,分别对BP〗神经网络判别结果和遗传神经网络判别结果进行了比较,结果表明后者比前者判别能力要好些。     

粗集神经网络在建筑物震害预测中的应用

将粗糙粗集理论和神经网络原理结合起来,建立了基于粗集-神经网络的建筑物震害预测模型.首先运用粗糙集理论,根据原始样本建立决策表进行属性离散化、属性重要性排序、属性约简和分类规则的提取;然后将所提取的关键成分作为神经网络的输入练模型.实例研究表明,基于粗集-神经网络的多层砖房震害预测结果与实际震害基本吻合.该模型简化了神经网络结构,提高了训练速度和分类精度,还能对各因素对房屋震害的影响度进行分析.     

结合遗传算法的LVQ神经网络在声学底质分类中的应用

学习向量量化（Learning Vector Quantization，LVQ）神经网络在声学底质分类中具有广泛应用. 常用的LVQ神经网络存在神经元未被充分利用以及算法对初值敏感的问题，影响底质分类精度. 本文提出采用遗传算法（Genetic Algorithms，GA）优化神经网络的初始值，将GA与LVQ神经网络结合起来，迅速得到最佳的神经网络初始权值向量，实现对海底基岩、砾石、砂、细砂以及泥等底质类型的快速、准确识别. 将其应用于青岛胶州湾海区底质分类识别研究中，通过与标准的LVQ神经网络的分类结果进行比较表明，该方法在分类速度以及精度上都有了较大提高.     

基于改进型BP网络的空间电场分类研究

空间电场信号异常识别是研究地震引起电离层扰动的重要内容。 将空间超低频电场电位数据看作随机数字信号, 以均值、 均方差、 偏度和峰度等四个指标进行描述, 采用“5·12”汶川大地震前空间超低频电场电位数据作为原始数据, 训练改进型BP神经网络, 建立了空间电场信号异常分类识别模型, 并以SOM神经网络进行验证。 计算结果显示, 空间超低频电场电位异常信号主要集中在5°~25°N, 88°~120°E之间的区域, 汶川大地震影响范围内的电离层扰动, 可能是汶川地震发生前引起的, 这与前人研究一致, 说明采用改进型BP神经网络异常分类识别模型研究地震引起的电离层扰动是可行的。     

ΔLogR技术与BP神经网络在复杂岩性致密层有机质评价中的应用

本文系统分析ΔLogR技术应用于复杂岩性致密层有机质评价中存在两方面的局限性:参数选取方面,测井曲线选取过于单一,无法有效削弱致密层段复杂岩性和孔隙度等因素对计算有机碳含量的影响;构建模型方面,人为剔除异常点存在随机性与偶然性误差,影响建模准确性.针对上述问题,本文建立了BP神经网络模型,并将其应用于柳河盆地柳参1井下桦皮甸子组烃源岩有机质评价.研究结果表明,在不剔除异常点情况下,BP神经网络模型计算TOC值和实测116组TOC值相关性达到0.886,显示建模效果良好.分别应用BP神经网络和ΔLogR模型,计算研究区致密层纵向上连续的TOC曲线,BP神经网络模型的计算TOC曲线与实测TOC数据基本吻合,而ΔLogR模型的计算TOC曲线吻合度较差.因此在测井资料完善的情况下,本文建议使用BP神经网络评价复杂岩性的致密层有机质.     

频高图F层异常分层现象的自动识别

频高图F层异常分层(增层)是指在常规电离层结构的基础上,由于电子密度被扰动而在频高图中出现多层回波结构,该F层异常分层(增层)现象在白天和晚上均可观测到.电离层异常分层(增层)主要由某种电动力学或者突发电离源导致电子密度出现扰动而形成,已经引起国内外学者的广泛关注和研究.目前从频高图中识别F层异常分层(增层)主要还是通过人工的方法,海量的频高图数据使该方法在研究F层异常分层(增层)统计特征时变得非常困难.有别于传统的图像分类算法中需要对图像特征进行提取,本文通过引入卷积神经网络(Convolution Neural Network, CNN),设计开发出一种能够自动识别存在F层异常分层(增层)频高图的方法,该方法可以直接输入频高图样本数据,省去了复杂的图像特征提取过程.本文设计的卷积神经网络经过训练以后F层异常分层(增层)识别率为85.82%,准确率90.36%.实验结果表明该卷积神经网络可以较好地自动识别出F层异常分层(增层)的频高图.     

基于小波-神经网络耦合模型对云南星云湖富营养化气象驱动因子的分析

气象因子是影响湖泊富营养化的重要因素,而湖泊富营养化对人群健康、生态系统和社会经济等均有负面影响.本文基于统计资料及遥感数据,结合Morlet小波分析和BP多层前馈神经网络(BP神经网络)构建了不同时间尺度下的小波—神经网络耦合模型,分析了1986—2011年云南星云湖水华强度变化与月降雨量、月平均气温、月平均风速、月日照时数变化之间的关系,探究了影响湖泊富营养化的主导气象因子.结果表明:气象因子的波动周期是影响湖泊年内水华强度变化的重要因素;小波—神经网络耦合模型能有效提高数据拟合的精度,最优小波—神经网络耦合模型的拟合优度为0.605,高于BP神经网络的拟合优度0.292;小波—神经网络耦合模型能更有效地对星云湖富营养化程度进行分析和描述,其均方误差和相关系数均优于BP神经网络;根据最优小波—神经网络耦合模型下的各气象因子的平均影响值,可知月平均气温是影响星云湖富营养化的主导气象因子,其次是月降水率、月平均风速,最后是月日照时数.综上,小波—神经网络耦合模型相比BP神经网络对样本数据具有更好的适应性,拟合精度更高,能为星云湖的保护与富营养化的治理提供参考依据.     

面向复杂储层的非均衡测井数据的岩性识别

针对常规岩性识别方法在复杂储层的非均衡测井数据准确率不高的问题,本文提出了一种面向复杂储层非均衡测井数据的多层BP神经网络的岩性识别算法.根据测井数据的特点及测井数据间的非线性关系,对测井数据进行均衡化处理,利用多层BP神经网络进行逐层岩性识别.在13个含油气盆地的7793个地层元素测井数据中测试表明,本文提出的方法在数据非均衡比达到1∶6的情况下,岩性识别的符合率仍能达到92%以上,在复杂储层的岩性识别方面具有很好的应用前景.     

基于短时傅里叶变换和卷积神经网络的地震事件分类

本文选用内蒙古区域地震台网记录到的417个爆破事件和519个天然地震事件的观测资料,对其进行截取和滤波等预处理后,经过短时傅里叶变换转换为时频域的对数振幅谱,使用含有3个卷积层的卷积神经网络作为分类器,实现地震事件自动分类。5折交叉验证结果显示,本文所使用算法的平均准确率达到97.33%,测试集的准确率达到98.03%,本文采用的模型应用了较完整的原始信息,因此获得了较高的准确率和较好的稳定性。      

甘肃塌陷地震震相识别研究

选取甘肃省测震台网测定的甘肃平凉地区塌陷地震、甘东南地区天然地震各50个,同地区的30个地震事件为待测事件。采用近年来计算机领域里较先进的图像识别方法——卷积神经网络识别两种地震事件类型,设定波形通道总数的80%为地震事件分类阈值,超过分类阈值的设定为“0”或“1”,即可判定该待测事件为对应的事件类型。将地震事件作为原始图像,提取图像中最具代表性特征点;接着提取图像特征进入池化层,池化层会对该图像特征点进行归类压缩,提取最具代表性的图像特征,最后输出识别图像。结果表明:塌陷地震最终分类准确识别率为86.7%,天然地震准确识别率为93.3%,总识别率为90%,为今后平凉地区塌陷地震事件类别识别工作提供了可靠的参考价值。     

重力异常的BP神经网络三维物性反演

三维物性反演参数多,计算量巨大,传统的方法难以实现.本文使用BP神经网络实现重力三维物性反演,介绍了BP神经网络的基本原理及特性,并构造一个适用于重力位场反演的BP神经网络.并用其对模型进行反演计算,结果表明:BP网络具有较好的泛化能力和容错能力,反演速度快、准确,并且较好的反应了场源的分布情况.     

基于多尺度注意残差网络的地震波形分类研究

选用2010年2月—2016年12月发生在北京顺义及河北三河等首都圈邻近区域的117个地震事件(包括54个天然地震事件和63个非天然地震事件——爆炸事件)作为研究对象,利用文章所提出的多尺度注意残差网络对其中的天然地震事件和爆炸事件波形进行二分类。首先,对原始地震波形进行简单预处理并截取成相同长度的地震时序数据,直接将其作为网络模型的输入;其次,选用含有残差模块的深度神经网络作为基础网络,利用深度神经网络对特征的自动提取能力,省略了传统波形分类需要提前提取时域波形的特征作为分类算法输入的步骤;然后,融合通道注意力机制(ECA)并对其进行改进,将空间维度的信息融入通道信息,优化了网络对关键信息的关注,更好地聚焦重要特征;最后,使用空间金字塔池化代替最大池化进行多尺度特征融合,得到更多的特征信息,构成多尺度注意残差网络。实验结果表明,最高分类准确率为97.11%,平均分类准确率为96.53%,证明了多尺度注意残差网络在地震波形分类任务中的有效性,为震源类型识别工作提供了一种新的方法。     

Seismic buffer recognition using wavelet-based features and neural classification

One of the first operations in a seismic signal processing system applied to earthquake data is to distinguish between valid and invalid records. Since valid signals are characterized by a combination of their time and frequency properties, wavelets are natural candidates for describing seismic features in a compact way. This paper develops a seismic buffer pattern recognition technique, comprising wavelet-based feature extraction, feature selection based on the mutual information criterion, and neural classification based on feedforward networks. The ability of the wavelet transform to capture discriminating information from seismic data in a small number of features is compared with alternative feature reduction techniques, including statistical moments. Three different variations of the wavelet transform are used to extract features: the discrete wavelet transform, the single wavelet transform and the continuous wavelet transform. The mutual information criterion is employed to select a relatively small set of wavelets from the time–frequency grid. Firstly, it is determined whether wavelets can capture more informative data in an equal number of features compared with other features derived from raw data. Secondly, wavelet-based features are compared with features selected based on prior knowledge of class differences. Thirdly, a technique is developed to optimize wavelet features as part of the neural network training process, by using the wavelet neural network architecture. The automated classification techniques developed in this paper are shown to perform similarly to human operators trained for this function. Wavelet-based techniques are found to be useful, both for preprocessing of the raw data and for extracting features from the data. It is demonstrated that the definition of wavelet features can be optimized using the classification wavelet network architecture.     

Recognizing spatial distribution patterns of grassland insects: neural network approaches

The main objective of this study was to fit and recognize spatial distribution patterns of grassland insects using various neural networks, and to analyze the feasibility of neural networks for detecting spatial distribution patterns of grassland insects. BP neural network, Learning vector quantization (LVQ) neural network, linear neural network and Fisher’s linear discriminant analysis were used to fit and recognize spatial distribution patterns at different ecological scales. Various comparisons and analysis were conducted. The results showed that BP, LVQ and linear neural networks were better algorithms for recognizing spatial distribution patterns of grassland insects. BP neural network was the best algorithm to fit spatial distribution patterns. BP network may be used to recognize the spatial details of distribution patterns, and the recognition performance of BP network became better as the increase of the number of hidden layers and neurons. Performance of linear neural network for pattern recognition was similar to linear discrimination method. Linear neural network would yield better performance in finding the general trends of distribution patterns. Recognition performance of LVQ network was just between BP network and linear network. It was found that recognition performance of neural networks depended upon not only the ecological scale but also the criterion for classification. Under the uniform criterion, recognition efficiency of linear methods tended to be weak as ecological scale became to be coarser. A joint use of neural networks was suggested in order to achieve both overall and detailed understanding on spatial distribution patterns.     

Application of artificial neural networks in optimal tuning of tuned mass dampers implemented in high-rise buildings subjected to wind load

High-rise buildings are usually considered as flexible structures with low inherent damping. Therefore, these kinds of buildings are susceptible to wind-induced vibration. Tuned Mass Damper (TMD) can be used as an effective device to mitigate excessive vibrations. In this study, Artificial Neural Networks is used to find optimal mechanical properties of TMD for high-rise buildings subjected to wind load. The patterns obtained from structural analysis of different multi degree of freedom (MDF) systems are used for training neural networks. In order to obtain these patterns, structural models of some systems with 10 to 80 degrees-of-freedoms are built in MATLAB/SIMULINK program. Finally, the optimal properties of TMD are determined based on the objective of maximum displacement response reduction. The Auto-Regressive model is used to simulate the wind load. In this way, the uncertainties related to wind loading can be taken into account in neural network’s outputs. After training the neural network, it becomes possible to set the frequency and TMD mass ratio as inputs and get the optimal TMD frequency and damping ratio as outputs. As a case study, a benchmark 76-story office building is considered and the presented procedure is used to obtain optimal characteristics of the TMD for the building.     

卷积神经网络在地面微地震多道P波极性分类中的应用

微地震监测技术是监测水力压裂过程、评价压裂效果的重要手段。对于地面监测,P波极性能够直接、快速地反演震源机制,同时极性校正能够提高绕射叠加定位方法的成像精度。因此,准确而迅速地确定P波极性对地面微地震实时监测具有重要意义。卷积神经网络是一种深度学习算法,具有强大的特征学习与分类能力,可用来确定微地震事件的P波极性。地面监测多采用星型、网格型等规则观测系统,本文使用目标道及其相邻检波器记录作为输入样本,构建基于卷积神经网络的多道P波极性分类网络模型。实际数据应用结果表明,相比于单道记录的网络模型,多道的网络模型能够将目标道与相邻道相结合来预测目标道的极性,提高规则观测系统下地面微地震P波极性分类的准确率。     

基于改进EWT和LogitBoost集成分类器的地震事件分类识别算法

快速、准确地识别天然地震和人工爆破事件是地震台网监测的重要工作之一,也是提高地震观测记录质量、开展地震研究工作的重要基础.针对反向传播神经网络、支持向量机等主流分类识别方法在地震事件分类识别应用上的不足,提出一种基于改进 EWT 和 LogitBoost集成分类器的地震事件分类识别算法.首先,基于S谱能量曲线对传统经验小波变换进行改进,将信号自适应分解为按频率和能量分布的本征模函数;其次,提取 P波与S波最大振幅比,前4个本征模函数的香农熵、对数能量熵,以及去噪后重构信号主频等特征;最后,采用基于集成学习 LogitBoost的决策树集成分类器进行分类.实验结果表明,所提算法具有较高的鲁棒性,能有效解决样本不足的问题,识别准确率达93．1%以上,比集成学习 AdaBoost、反向传播神经网络和支持向量机等方法提高了1%以上,且分类识别效果好.     

基于最近邻支撑向量特征线融合算法的核爆地震识别

为增强核爆地震模式分类器的泛化能力以提高对核爆炸事件的准确识别能力,论文提出了一种选择支撑向量样本集来表征训练样本集的最近邻支撑向量特征线分类算法,用以训练时扩展核爆地震的训练样本库,提高分类器的泛化能力.该算法用于核爆炸和地震的识别结果发现,和最近邻特征线分类器相比,提出的算法降低了计算复杂度,但识别能力却有些许降低.对新算法的分析发现,纯粹的支撑向量集不能完全代表原始样本空间集,支撑向量比例在其中有重要作用,为发挥支撑向量比例的作用以提高核爆分类器的识别能力,提出了最近邻支撑向量特征线融合算法.最后以核爆地震数据库对上述算法进行了检验和分析,理论分析和识别结果证实,在相同的训练样本选择条件下,最近邻支撑向量特征线融合算法对于核爆炸的识别来说具有较好的泛化能力,正确识别率达到90.3%,且优于支持向量机算法和最近邻特征线算法.     

基于RBF神经网络的地震与爆破识别技术

利用天然地震震源和人工爆破震源之间信号能量分布的差异,结合RBF神经网络技术,对2类事件进行分类,具体步骤如下:使用8个带通滤波器对事件波形进行滤波,并划分为4个波形段:P波、P波尾波、S波和S波尾波,分别计算每个滤波器信道和波形段的能量特征值,以所得32个特征参数作为输入向量,利用RBF神经网络,对地震和爆破事件进行分类识别。结果表明,基于RBF神经网络的地震事件识别方法,识别率为88.1%,具有较高的准确性,可作为地震与爆破事件识别的一个重要依据。