多源遥感技术在降雨诱发勉县地质灾害调查中的应用

陕南秦巴山区地形地貌、地质构造和气候条件复杂，易发和频发滑坡、泥石流等地质灾害。由于该区地形高差大且植被覆盖率高，传统的人工地面调查排查在地质灾害的调查识别中难度较大，需借助先进的地质灾害监测识别技术方法。笔者综合采用光学遥感、合成孔径雷达干涉测量（Interferometric Synthetic Aperture Radar, InSAR）和无人机航测等多种技术手段，对陕南勉县“8.22”强降雨诱发的地质灾害进行应急调查与识别分析，探索多源遥感技术对降雨诱发型地质灾害的识别能力与有效性。研究表明，多源遥感技术在强降雨诱发区域性地质灾害的识别和应急调查中能够发挥重要作用，可大大减少现场工作时间，并能提供全方位、多角度和可视化的高精度遥感成果；光学遥感、InSAR、无人机航测等技术具有各自的优势和识别范畴，仅靠单一的技术手段难以完全有效地解决灾害隐患识别问题，建立一套多源遥感技术相互融合、优势互补的综合调查识别体系，是强降雨条件下区域性地质灾害快速调查识别与评价的有效途径。     

基于高分遥感影像和集成机器学习的祁连山区融冻泥流识别研究

受气候变暖影响，青藏高原的多年冻土正在发生广泛的退化，主要表现为融冻泥流事件的频繁发生，对生态系统和当地基础设施造成深刻影响。融冻泥流的精准识别有助于理解融冻泥流的发生和演变机制。近年来尽管基于深度学习的融冻泥流识别取得了进展，但机器学习算法在该领域的识别能力仍有待探究。本研究基于GF-2卫星遥感数据构建了一种基于集成机器学习的优化面向对象融冻泥流识别算法，引入了纹理和几何等空间信息来辅助识别融冻泥流，并基于面向对象技术改善了识别模型的错分问题。此外，基于集成学习整合不同机器学习模型的优势，以获得不低于常用深度学习模型的识别精度。结果表明，基于递归特征消除（RFE）特征选择算法剔除了多维特征数据集中的冗余特征，证明了纹理和几何信息是融冻泥流识别的有效数据补充。在优化后的面向对象机器学习模型中，随机森林（RF）的识别精度最高，总体精度为87.43%。McNemar检验表明，与单一模型相比，集成机器学习模型显著提高了融冻泥流识别精度，其总体精度为93.14%。对研究区内融冻泥流的地形特征进行统计分析后发现融冻泥流主要发生在海拔3 200～3 500 m之间，坡度介于5°～25°，并且以东北...     

矿物分类和识别的人工神经网络模型

本文提出矿物分类和识别的人工神经网络模型，并选取一组标样－我国沉积碳酸盐型锰矿中菱锰矿作为研究对象，识别效率达１００％。结果表明，该模型性能良好，可望成为矿物识别的有效手段。     

利用模式识别技术识别致密砂岩含气层

准确识别致密砂岩含气层一直是测井解释工作所面临的一个难题，为准确识别致密砂岩含气储层，根据各种测井的响应特征，运用计算机模式识别技术进行气层综合识别。通过对实际资料处理与气层测试对比，气层识别的准确率可达到91％，储层划分的纵向误差均〈0．450m。     

信号调制方式自动识别的谱相关方法

信号调制方式的识别对于通信信号分析有着很重要的作用。这里介绍了调制识别的谱相关方法，并讨论了利用该方法进行调制识别的方法和过程，还在硬件上初步实现了该算法。测试结果表明，当信噪比为5dB以上时，该方法对大部分调制类型的识别正确率可达90％以上，有很好的实用前景。     

用自组织人工神经网络分类,识别矿物

作者运用三维Ｔ．Ｋｏｈｏｎｅｎ自组织人工神经网络对我国沉积碳酸盐型锰矿中菱锰矿进行分类、识别。所选研究实例中，识别成功率达１００％．结果表明，该网络性能良好，可望成为矿物识别的有效手段。     

大港滩海区埕北断阶带古近系层序界面的识别方法

通过对大港滩海区埕北断阶带层序地层的研究，将研究区古近系划分为3个三级层序，总结了5种识别层序界面的方法：①地震识别法；②钻井识别法；③测井识别法；④古生物组合识别法；⑤地球化学识别法。在研究区，方法①表现为区域性的上超和削截；方法②表现为岩性和泥岩颜色的突变；方法③表现为各种曲线和地层倾角的突变；方法④表现为古生物组合类型的变化；方法⑤表现为Fe^2＋／Mn^2＋值由下向上由逐渐增大，转为突然变小。其中方法①、③、④是层序界面的主要识别标志，方法②可作为参考标志，而方法⑤的应用效果较差。     

人工神经网络在隧道围岩稳定性识别中的应用

在全面分析影响隧道围岩稳定性因素的基础上，结合人工神经网络方法的特点，提出了一种基于隧道围岩稳定性识别的B－P人工神经网络方法。通过实例分析对比表明，模型精度很高，识别结果可靠，且操作简洁方便，能有效地应用于隧道围岩稳定性的识别。     

基于地震波形指示反演的陷落柱识别方法及应用

在煤层气勘探开发中，陷落柱是制约煤层气勘探成效的重要因素之一，因此，有效识别陷落柱对提高煤层气勘探成效具有重要意义。以往识别方法都是基于三维地震数据利用陷落柱这一构造引起的地震反射同相轴的非连续性进行识别，本次将陷落柱作为一种地质异常体，利用地震波形指示反演的方法对其进行识别预测。通过测井资料分析和地质建模正演，分析得出煤层中陷落柱发育位置地震波形的3种地球物理响应特征:纵波阻抗值高、地震波形变化和振幅减弱。从地震波形指示反演的基本原理入手，明确该反演方法能够利用陷落柱上述3个响应特征对其进行有效识别。以沁水盆地樊庄区块为例，用该方法对陷落柱识别进行试验，识别结果与钻井含气性及水文地质背景相吻合。结果表明波形指示反演法对陷落柱能够达到有效识别，该方法是识别陷落柱的一种有效手段。      

前馈神经网络在矿物识别方面的应用

本文首先介绍人工神经网络的发展现状，然后着重阐述BP人工网络的基本原理和算法，并以蓝宝石的产地识别和石榴子石分类识别作为具体实例，用此说明人工神经网络方法在矿物学中的应用，最后对识别结果及BP算法本身进行了讨论。     

自组织学习联想神经树在多金属成矿预测中的应用

本文运用自组织学习联想神经树，对鄂东南地区４４个铁帽进行了计算机识别，识别成功率达１００％，结果表明，该方法性能良好，可望成为多金属成矿预测的一种有效的辅助手段。     

基于GIS的人工神经网络模型在铀成矿预测中的应用——以塔里木盆地北缘为例

利用地理信息系统（GIS）与人工神经网络（ANN）相结合,研究设计了基于GIS的人工神经网络成矿预测系统,实现了从地质变量优选到人工神经网络成矿预测结果图形显示的计算机自动化处理。在塔里木盆地北缘铀成矿预测中,应用效果良好。     

神经网络理论在自贡市水资源评价中的应用

应用神经网络的理论和方法,预测了自贡市目标规划年的需水量,并由此完成对自贡市水资源远景状况的评价及开发规模的研究     

基于GIS与ANN耦合技术的非线性矿产预测系统设计

利用地理信息系统(GIS)和人工神经网络(ANN)相结合,提出的基于GIS的人工神经网络矿产预测系统设计方案,实现了从地质变量优选到人工神经网络成矿预测结果图形显示的计算机自动化处理。其中的主要模块为:地质变量优选模块、数据库管理模块、神经网络成矿预测模块和图形处理功能模块。它们之间通过数据库进行数据传输与共享达到互相连接。     

基于GIS的人工神经网络矿产预测系统设计

将地理信息系统(GIS)和人工神经网络(ANN)相结合,提出基于GIS的人工神经网络矿产预测系统设计方案,实现了从地质变量优选到人工神经网络成矿预测结果图形显示的计算机自动化处理,并对其中的主要模块:地质变量优选模块、数据库管理模块和神经网络成矿预测模块进行了介绍,简要说明了各模块功能实现中所应用的主要技术.     

变结构人工神经网络模型及其在成矿预测中的应用

针对人工神经网络成矿预测模型结构难以确定的问题，详细阐述了一种在模型训练中进行隐层数目及隐层单元数目动态调整的人工神经网络算法，并以VC 为开发工具实现了变结构人工神经网络成矿预测模型，经用华南26个岩体检验，回忆率及预测率均高达100％。该方法提供了一种面向具体问题的动态解决方案，在成矿预测工作中具有一定的实用性。     

基于PSO-BP神经网络的导水裂隙带高度预测

导水裂隙带高度是西部矿区保水采煤的理论依据和关键参数。近年来,BP神经网络广泛应用于导水裂隙带高度预测,但BP神经网络存在收敛速度慢、易陷入局部极小等问题。为提高导水裂隙带高度预测的准确性,利用粒子群优化算法(PSO)对BP神经网络的权值和阈值进行优化,建立基于PSO-BP神经网络的导水裂隙带高度预测模型。选择开采厚度、开采深度、工作面倾斜长度、煤层倾角、覆岩结构特征为导水裂隙带高度主要影响因素,选取22例导水裂隙带高度实测数据对PSO-BP神经网络进行训练,将训练后的PSO-BP神经网络对2例测试样本的预测结果与实际值进行对比,并与BP神经网络预测模型及经验公式预测结果进行对比。结果表明:PSO-BP神经网络预测模型的平均相对误差为1.55%;BP神经网络预测模型的平均相对误差为4.8%,经验公式的最小相对误差为9.4%,PSO-BP神经网络预测精度明显优于BP神经网络和经验公式,且绝对误差和相对误差变化较稳定,可以有效预测导水裂隙带高度。      

神经网络在岩体力学参数和地应力场反演中的应用

BP神经网络已广泛地应用于岩体力学参数和初始应力场的反演分析,但在实际应用中,BP网络存在着网络训练易于过度、收敛速度慢、易陷入局部极小以及隐层节点数难于确定等缺点。采用RBF网络和改进的BP网络,利用基于有限差分格式的快速拉格朗日算法进行正分析计算,依据若干测点的正应力数据,反演了计算区域的岩体力学参数以及初始应力场。算例表明,RBF神经网络与快速拉格朗日算法相结合,在样本容量相同的情况下,反演分析的精度、网络的拓扑结构以及学习、收敛速度,均优于采用BP网络的反演算法。     

典型降水预报ANN多指标优选——以太湖湖西区为例

为提高多种典型人工神经网络应用于降水预报的精度与稳定性并做出优选,对太湖流域湖西区丹徒、丹阳、金坛、溧阳、宜兴5站的年降水量时间序列建立基于组成成分分析的人工神经网络模型,并通过平均相对误差、平均绝对误差、均方根误差及合格率4项评价指标对比分析预报效果。该模型采用Mann-Kendall法、秩和检验法、谱分析法进行组成成分分析;建立BP网络、小波神经网络、RBF网络、GRNN网络及Elman网络模拟并预测随机成分,与确定性成分叠加得年降水量预报结果。在湖西区的研究结果表明,基于组成成分分析的人工神经网络模型的拟合及预测精度高于原始人工神经网络和线性自回归模型,GRNN网络的预测精度与稳定性高于其他4类神经网络。     

基于SOFM神经网络的边坡稳定性评价

针对边坡工程稳定性分析中参数的不确定性,在分析自组织特征映射神经网络（SOFM）基本学习算法的基础上,从提高算法收敛速度和性能出发,将自组织特征映射神经网络基本学习算法加以改进,据此建立了评价边坡稳定状态的SOFM神经网络模型。然后用收集到的边坡稳定工程实例作为样本,对该模型进行训练和检验,并与BP神经网络判别结果对比。结果表明,SOFM神经网络性能良好、预测精度高,是边坡稳定性评价的一种有效方法。