利用标准时频变换方法在强噪声环境下无偏拾取地震P波、S波到时

地震P波、S波到时是精确分析地震水平位置、深度与速度结构等的重要参数,如何准确拾取P波和S波到时是地震学的一项重要的基础工作.大数据量与强噪声环境给地震到时的自动拾取带来了很大挑战.在频率域中可将信号与噪声分离,但会造成震相的偏移.针对上述问题,本文在STA/LTA、AIC方法的基础上,引入了标准时频变换(Normal Time-Frequency Transform,NTFT),结合信号时间域与频率域特征,提出了基于NTFT的STA/LTA方法,以及基于NTFT的AIC方法来拾取P波和S波的到时.基于NTFT的STA/LTA方法通过构建即时频率约束的特征函数,以增强地震信号振幅响应的变化特征.基于NTFT的AIC方法则根据NTFT的变换系数定位即时频率-时间基准点,通过滑动窗口直接对标准时频谱进行AIC处理拾取最佳到时.本文采用了不同强度噪声的60组合成数据和105组实测地震数据对方法的可靠性进行检验.以人工拾取到时为参考,实测数据中NTFT-STA/LTA方法拾取P波、S波到时的均方根误差分别为0.36 s和0.56 s;NTFT-AIC方法拾取P波、S波到时的均方根误差分别为0.25 s和0.35 s.相比于STA/LTA、AIC方法,NTFT改进后的方法提高了P波和S波到时的拾取准确率,为强噪声环境下的地震波形到时拾取提供了新思路.     

改进的函数滤波器及其在航空重力测量中的应用

本文构造了一种函数滤波器,该滤波器由一个参数化的高斯函数与一个尺度化的香农函数构成,可实现对时间序列的低通、带通和高通滤波处理。该滤波器的频率响应函数在滤波波段平坦且过渡带光滑。滤波器的截断频率与过渡带长度分别由香农函数的尺度参数和高斯函数的窗宽参数独立调节,这使得滤波器具有较好的设计灵活性,这也是本文的创新之处。由于滤波器是连续可导的,因此它可以适应于任意采样率序列的滤波,并且能够对原始时间序列进行求导滤波。模拟算例显示该滤波器具有很好的滤波准确度。应用该滤波器到航空重力测量数据滤波处理中,得到了分辨率7 km的航空重力测量结果。该滤波器使得滤波(低通、带通和高通)工作变得简明且高效。     

地震事件自动识别的标准时频变换方法

提出将标准时频变换(normal time-frequency transform,NTFT)与卷积神经网络(convolutional neural networks,CNN)结合,尝试实现地震信号的自动准确识别。单纯利用神经网络方法识别地震通常需要人工方式判别收集地震信号样本,对受到噪声污染的信号进行相关预处理操作。采用NTFT+CNN模型无需预处理去噪,更具有实用性。从中国云南省盈江地区3个台站连续两周的地震记录中截取19 884个地震事件和17 ?640 ?个噪声数据作为样本,分别利用CNN模型与NTFT+CNN模型进行3台站与单台站地震信号识别实验。在3台站实验中,CNN模型的地震信号识别准确率为93.10%,NTFT+CNN模型的地震信号识别准确率提升至97.80%,引入NTFT使得识别错误率降低了3倍,表明NTFT+CNN模型可更为有效地识别信噪比低的地震信号。与此同时,CNN模型的训练次数为29,而NTFT+CNN模型训练18次即可达到上述识别准确率,说明NTFT+CNN模型收敛快速且稳定。在单台站实验中,对比考察3种典型噪声情况下的模型表现,进一步验证了NTFT对噪声-地震信号的识别作用与模型结果的正确性。并将NTFT+CNN模型应用于识别美国南加州地震台网公开的地震-脉冲噪声数据,相对于CNN模型,NTFT+CNN模型在识别准确率、收敛速度与所需训练样本数量方面均表现出明显的优势。NTFT为基于神经网络结构的地震信号自动识别提供了新的有效途径。     

结合多路径的高分辨率遥感影像建筑物提取SER-UNet算法

针对深层卷积较难兼顾全局特征与局部特征从而导致提取建筑物边缘不准确和微小建筑物丢失的问题，以注意力机制和跳跃连接为基础提出SER-UNet算法。SER-UNet算法在编码器阶段耦合SE-ResNet和最大池化层，在解码器阶段关联SE-ResNet与反卷积层，通过跳跃连接将编码器提取的浅层特征和解码器提取的深层特征进行融合后输出特征图。验证SER-UNet算法的有效性，在MAP-Net网络并行多路径特征提取阶段使用SER-UNet算法替换原网络中的特征提取结构，分别在WHU数据集和Inria数据集上进行评估，IoU与精度分别达91.46%、82.61%和95.67%、92.75%,对比UNet、PSPNet、ResNet101、MAP-Net网络，IoU分别提高0.49%、0.14%、1.89%、1.57%,精度分别提高0.14%、1.06%、2.42%、1.09%。分析SER-UNet算法的泛化能力，将级联SER-UNet的MAP-Net网络在AerialImage数据集上进行提取验证，IoU与精度分别达85.32%和94.13%。结果表明，结合SER-UNet算法的MAP-Net并行...     

结合多尺度共享编码的半监督网络航空影像语义分割EI北大核心CSCD

在半监督语义分割中,主要采用编码-主从解码器结构使无标签样本参与计算以提高分割精度,但编码器的连续下采样操作易丢失浅层细节特征,从而导致地物边界分割不完整。为此,本文提出结合多尺度共享编码的半监督网络架构对航空影像进行语义分割,该网络的编码器采用ResNet-50获取影像浅层特征,并通过在ResNet-50末端嵌入多尺度共享编码模块来链接浅层特征,以构建密集特征金字塔和扩大感受野,从而获取目标地物多尺度细节信息。将本文网络与UNet、DeepLabv3+、FCN监督网络和CCT、XModalNet、VLCNet半监督网络在LandCover.ai和DroneDeploy数据集上分别进行了对比试验和精度评估。结果表明:本文网络在标签数量与精度方面均具有明显优势,对于LandCover.ai数据集,在6000张标签样本和6500张无标签样本的前提下,整体mIoU提升1.15%,对于DroneDeploy数据集,在30张标签样本和5张无标签样本的前提下,整体mIoU提升0.94%,同时显著提升影像地物的分割精度,得到更清晰、完整的地物边界。