基于神经网络和多标度特征分析的古滑坡变形预测及趋势评价

提出一种新的古滑坡变形预测方法。首先结合集合经验模态分解(EEMD)和奇异值分解(SVD)对古滑坡变形数据进行分解,然后利用分项组合神经网络预测古滑坡复活区的变形,最后利用多重分形消除趋势波动分析(MF-DFA)进行古滑坡多标度趋势评价。以王家坡滑坡为例分析本文方法的有效性。结果表明,组合分解模型EEMD-SVD较单项分解模型具有更强的数据分解能力,可有效实现滑坡变形数据的信息分解;基于神经网络的分项组合预测模型适用于滑坡变形预测,所得预测结果的相对误差基本在2%左右,预测精度较高,且外推预测显示滑坡变形仍会进一步增加,增加速率为1.23~1.36 mm/周期;MF-DFA模型的多标度特征分析结果显示,滑坡变形具有多重分形特征,变形有进一步增加的趋势,这与预测结果较为一致,可佐证前述预测结果的准确性。     

基于MVO优化神经网络的GNSS高程异常拟合方法

针对普通神经网络的梯度消失和易陷入局部极值的问题,提出一种基于多元宇宙优化算法(multi-verse optimizer, MVO)的BP神经网络优化方法(MVO-BP),利用MVO全局寻优的特性求取BP神经网络各层之间可靠的神经元阈值与连接权,从而使神经网络预测模型具备更高的预测精度。建立基于MVO-BP算法的GNSS高程异常拟合预测模型,并采用实际工程中少量高程异常数据进行算法可行性检验。结果表明,相较于常规的BP神经网络法及多面函数法,MVO-BP法精度更高、适用性更强,可为实际工程测量中正常高的求取提供参考。     

卷积神经网络在远-近地震震相拾取中的应用及模型解释

利用北京国家观象台的测震记录,探索了样本构建、训练过程、模型结构等因素对远震震相P-S和近震震相Pg-Sg拾取模型性能的影响。结果表明:适中的卷积层深度、正则化和数据清洗能够有效地改善模型性能,而残差块的影响却相对有限。与此同时,基于类模型可视化和平滑GradCAM++的模型解释显示:卷积神经网络复现了震相的关键特征,其决策敏感区域也与震相识别的经验准则一致。最后,连续波形的扫描结果展示了卷积神经网络在远-近地震震相识别的应用前景与提升空间。此外,本文针对模型搭建与训练中存在的问题提出了样本选择、模型架构、标签标注和集成学习等改进方案,以供后续研究参考。      

基于视频监控图像的环巢湖蓝藻实时动态监测

蓝藻的防控与治理是湖泊水环境、水生态管理的重要内容,实时获取蓝藻的空间分布信息对于降低蓝藻灾害风险具有重要意义.针对地面调查费时费力、卫星遥感监测粒度较粗且时效性不强等问题,本文提出了一种基于视频监控网络的湖泊蓝藻实时监测技术.基于环巢湖视频监控网络的33个功能摄像机,研究如何从视频图像中实时、准确提取蓝藻的分布信息.为克服不同摄像头的观测角度不一致、光照强度和背景条件不一致等诸多挑战,在视频图像蓝藻表征分析的基础上,通过多尺度深度网络进行图像粗粒度分类,区分蓝藻与浑浊、阴影水体;基于随机森林进行蓝藻精细化识别,克服蓝藻的强异质性.最后以渔政站沿岸水域的日均蓝藻覆盖率和月均蓝藻覆盖率为统计单位,开展了巢湖沿岸蓝藻的动态监测.研究成果可为科学制定蓝藻治理方案提供技术支撑.     

基于CNN和Transformer耦合网络的低剂量CT图像重建方法

在投影角度个数不变的情况下,降低每个角度下的射线剂量,是一种有效的低剂量CT实现方式,然而,这会使得重建图像的噪声较大。当前,以卷积神经网络（CNN）为代表的深度学习图像去噪方法已经成为低剂量CT图像去噪的经典方法。受Transformer在计算机视觉任务中展现的良好性能的启发,本文提出一种CNN和Transformer耦合的网络（CTC）,以进一步提高CT图像去噪的性能。CTC网络综合运用CNN的局部信息关联能力和Transformer的全局信息捕捉能力,构建8个由CNN部件和一种改进的Transformer部件构成的核心网络块,并基于残差连接机制和信息复用机制将之互联。与现有4种去噪网络比较,CTC网络去噪能力更强,可以实现高精度低剂量CT图像重建。      

基于CNN神经网络的煤层底板突水预测

为了提高煤层底板突水预测的准确性,建立了基于卷积神经网络的煤层底板突水预测模型。通过综合分析,确定了15个影响煤层底板突水的因素,将这些影响因素进行拼接组合,运用建立的深度计算结构模型对影响因素及其相互联系进行特征提取。用已知的115组数据对模型进行学习训练,并进行了预测。为验证模型的准确性,利用相同的数据对BP神经网络模型和LeNet-5模型进行训练,将建立的模型与BP神经网络模型和LeNet-5模型进行对比。结果表明:该模型通过加深模型的计算深度,综合考虑了影响底板突水因素间的相互联系,提高了突水预测准确性。基于卷积神经网络构建的模型可以对煤层底板突水进行预测,并且准确率相对较高。     

基于全卷积神经网络的花岗岩中不同组分分布特征分析

岩石中不同组分的分布特征是研究岩石物理力学性质的重要基础。本文以花岗岩为例,使用全卷积神经网络（FCN）和单轴压缩试验视频来研究花岗岩不同组分（裂隙、黑云母、石英、长石）的分布特征。将视频中单帧图像进行灰度转换和像素裁剪后,使用肉眼判定方法将4种组分进行标记并制成基础数据集,建立并训练了相应的FCN,通过对不同卷积层的可视化操作探讨了花岗岩中不同组分的分布情况,研究了整个变形破坏过程岩石中不同组分分布的变化特征,分析了不同组分识别准确率的变化情况及主要因素（网络深度、初始学习率和网络迭代次数）的影响。结果表明,在花岗岩的整个变形破坏过程中,裂隙首先在中部区域萌生、最后纵向贯穿整个岩石表面,黑云母组分分布分散且不断向左上方或右上方移动,石英主要集中在两侧区域,长石主要集中在中间和左上角区域;不同组分识别准确率逐步小幅度下降,准确率大小顺序是裂隙>黑云母>长石>石英;网络深度越深、初始学习率越大、则识别效果越好,迭代次数5000时的识别效果较好。研究结果对使用人工智能技术研究岩石中不同组分分布特征具有一定的参考价值。     

基于岩样细观图像深度学习的岩性自动分类方法

在现阶段的岩土工程中,通常采用人工识别的方法来判别岩样种类,不仅耗时长、专业性强,还易受主观因素影响,准确率不理想。随着计算机技术的发展,机器学习逐渐被应用于岩性的自动识别,开启了岩样分类的新路径。本文以重庆市主城区4种典型岩样（泥岩、砂质泥岩、泥质砂岩和砂岩）的细观图像为研究对象,基于Inception V3卷积网络模型和迁移学习算法,建立了岩样细观图像深度学习模型,并完成了训练学习。结果显示：模型在训练1 000次后,训练集中的分类准确率达到92.77%,验证集中的分类准确率为76.31%。其中,验证集中的砂岩识别准确率为97.28%,泥岩识别准确率为81.85%,泥质砂岩识别准确率为72.59%,砂质泥岩识别准确率为72.35%。与现有的机器学习方法相比,本识别模型不仅可以自动识别岩性极为相近的岩样,而且具有较好的识别准确率、鲁棒性和泛化能力。     

航空高光谱反演耕地土壤重金属分布特征——以苏北灌河地区为例

为探索航空高光谱遥感开展大比例尺、大面积土壤重金属含量和分布特征快速调查的技术方法和工作流程,以苏北灌河地区为例,利用国产高光谱成像仪和自主集成的航空高光谱遥感测量系统获取影像光谱数据,通过数据预处理、CARS特征波段选择及BP神经网络建模反演等方法,建立了从数据获取到数据分析评价的工作流程,反演了土壤重金属元素含量,展示了其空间分布特征。与传统地球化学调查数据进行对比分析,结果显示高光谱反演成果与地球化学调查的重金属浓度空间分布特征吻合度较高,验证了航空高光谱反演耕地土壤重金属分布特征的可靠性。在区域性耕地土壤重金属污染调查评价方面,航空高光谱遥感能够快速、及时地获取土壤污染及相关信息,并具有很好的实用性和经济性。     

全卷积神经网络用于遥感影像水体提取

提出了一种全卷积神经网络模型用于遥感影像的水体目标提取的方法,介绍了全卷积神经网络的基本原理及构建3种网络模型的过程。为了分析模型效果,首先搜集带有水体的影像数据,并将这些数据标注为水体和背景两类,然后利用构建的全卷积神经网络模型进行推理和学习获取先验模型,最后对测试影像进行水体提取试验。通过与传统的基于影像光谱特征的阈值法和基于图论的Grab Cut算法提取结果进行比较,验证了本文方法的可行性。