海底声学底质分类的ELM-AdaBoost方法

基于自适应增强算法（AdaBoost）结合极限学习机（ELM）,通过迭代、调整、优化ELM分类器之间的权值,从而构建了具有强鲁棒性、高精度的ELM-AdaBoost强分类器,增强了现有的ELM分类器的稳定性。以珠江口海区侧扫声呐图像为实验数据,对礁石、砂、泥3类典型底质进行分类识别,该方法的平均分类精度超过90%,优于单一ELM分类器的平均分类精度85.95%,也优于LVQ、BP等传统分类器,且在分类所耗时间上也远少于传统分类器。实验结果表明,本文构建的ELM-AdaBoost方法可有效应用于海底声学底质分类,可满足实时底质分类的需求。     

海底底质声学参数测量系统设计

海底底质声学参数测量系统用于测量海底沉积物的声速和声衰减参数,它由水上主控子系统和水下测量子系统构成.水上主控子系统由工控机、数据传输接口和GPS定位模块组成,实现实时控制、数据处理与记录功能;水下测量子系统由声系、数据采集和传输模块组成,完成水下声波信号数字化及数据上传.水上设备与水下装置间通过电缆建立低速的下行命令信道和高速的上行数据信道,数据通讯采用曼彻斯特编码调制方式.水上计算机通过下传命令实时改变数据采集模块的控制参数,能够在各种环境条件下获得最佳测量效果.实验证明,仪器测量达到预期效果.     

一种基于Voronoi多边形的海底底质表示方法

海底底质对舰船航行、锚泊、登陆、铺设海底管线等海上活动具有重要的影响。文中提出了一种基于同质Voronoi多边形的海底底质分布可视化方法。通过构建Delaunay三角网,求取Voronoi多边形顶点,并依次排序顶点,从而生成构成Voronoi图。在Voronoi图的基础上,提出了同底质Voronoi多边形合并的具体算法,并处理与岸线相交的区域。实验表明,文中所提方法对于海底底质分布的可视化表达,比传统方法更为形象、直观。     

海洋开发和海底不稳定性调查研究的关系

海洋开发和海底不稳定性调查研究的关系杨启伦（地质矿产部上海海洋地质调查局上海）１前言海洋工程地质或灾害地质是近二、三十年随着海上油气勘探开发的兴起而发展的一门分支学科，其主要任务是研究产生海底不稳定性的区域地质、地理背景、诱发条件和内在因素；调查形成...     

不同海底底质类型水深数据特征分析

在典型的实验海区，使用双频测深仪和箱式取样器，对海底进行同步探测，获取双频测深仪不同底质类型数据。比较了式取样器海底底质样品，归纳出海底基岩、沙、粘土的双频测深仪水深数据和双频测深仪海底模拟记录图象特征，该特征可为双频测深仪识别海底底质类型提供先验认识。     

顾及声图纹理特征的海底底质分类方法研究

针对目前海底底质分类要素单一造成的底质分类类别不够细致和底质信息获取效率低等问题,提出一种顾及声图纹理特征的海底底质分类方法,综合利用海底底质来源、地理等属性以及声图纹理特征等分类要素,进一步细化海底底质类别,解决了海底底质分类信息混淆或表达不充分等问题。实例数据分析表明,该分类方法克服了传统方法单一考虑底质粒度信息的缺点,可以真实反映海底底质的时空变化特性以及一定范围内的表面起伏特征,并且所包含的海底底质分类信息量更全面,从而可以为用户提供直接形象的海底底质信息。     

海底表层底质探测系统测试仪的设计

海底表层底质探测系统是一种新型的声学探测设备,它利用声学信号实时走航式地遥测海底的表层底质。本测试仪用于在试验室条件下对海底表层探测系统性能的测试。由于该测试仪在设计过程中充分考虑到了目前测深仪的情况,所以也可以用于测深仪的性能测试。     

基于声纳图像纹理特征的海底底质分类方法研究

一般不同底质的海底声纳图的纹理特征不同。重点分析了不同底质声纳图像纹理特征的差异,为底质分类的实现提供了基础。并提取了海底声纳图像的灰度共生矩阵,将灰度共生矩阵的统计特征作为特征向量。最后应用自组织迭代(ISODATA)分类算法依据对特征向量进行分类,从而实现了海底底质的划分。     

基于粒子群优化算法的PSO-BP海底声学底质分类方法

利用粒子群优化算法（PSO）较强的鲁棒性和全局搜索能力等优点,将PSO算法与BP神经网络相结合,优化了BP神经网络分类时的初始权值和阈值。基于珠江河口三角洲的侧扫声呐图像数据,提取了海底声呐图像中砂、礁石、泥3类典型底质的6种主要特征向量,利用PSO-BP方法对海底底质进行分类识别。实验表明,3类底质分类精度均大于90%,高于BP神经网络70%左右的分类精度,表明PSO-BP方法可有效应用于海底底质的分类识别。     

海底底质声学性质原位测量技术研究

系统介绍了海底底质声学性质原位测量技术,提出了新的原位测量方法,并根据这一测量方法,初步设计制作了相应的海底原位测量仪器。利用初步制作的测量仪器在实验室内对砂质沉积物进行了模拟测量试验,仪器测量得到的沉积物声速与直接透射法测量获得的声速基本一致。在宁波近海海域进行了海上实际测量试验,获得了该测量区域海底底质的声速,验证了此测量技术的可行性,为进一步研发先进的海底原位测量仪器奠定了基础。     

海底底质测量数据处理技术体系研究

针对底质测量方式和应用需求的不断增加,构建海底底质测量数据处理技术体系,从梳理海底底质测量现状、方式和特点、数据处理方法等方面,分析和总结了海底底质测量数据处理技术体系的设计思路和建设策略,为体系的系统性、规范性数据处理提供了理论依据,为底质测量数据处理的全面开展提供前瞻性、有针对性的参考意见.研究现场采样、声学测量等...     

基于改进BP神经网络的海底底质分类

通过采用遗传算法优化神经网络初始权值的方法,将GA算法与BP神经网络有机结合,应用于海底底质分类。基于多波束测深系统获取的反向散射强度数据,应用改进的BP神经网络分类方法,实现对海底基岩、砾石、砂、细砂和泥等底质类型的快速、准确识别。通过实验比较,GA-BP神经网络分类精度明显高于BP神经网络,证明了该方法的有效性和可靠性。     

海底底质声学原位测量电路控制系统研究

介绍了一种液压驱动贯入式海底沉积声学原位测量系统的电路控制单元的研究实现过程,以及该控制单元在南海北部海底沉积声学调查中的应用。该电路控制单元以Cortex-A8处理器为核心,集成大容量FLASH存储器,与单片机接口控制板进行串口通讯,实现对声学发射采集单元和机械液压贯入单元的可视化控制和监测。基于该电路控制单元,海底底质声学原位测量系统兼具自容式和在线式两种工作模式,可自容记录或实时采集声学原位测量单元在海底的工作状态数据、海底沉积物声速和声衰减系数等声学特性数据。该声学原位测量系统的实验室联调及南海海试结果表明,使用该电路控制单元对海底底质声学测量过程的监测与控制是有效的,对精确获取海底底质的原位声学特性有重要作用,可以促进海底底质声学原位测量系统的产品化。     

海底表层底质探测系统在沿岸测量中的应用

介绍了海底表层底质探测系统的工作原理及该系统在沿岸测量中的应用。该系统实现了水深测量和底质探测的一体化,特别在底质探测方面由人工采样判断跨越到走航式自动化判断,提高了外业工作效率,具有重要的应用价值。     

海底表层底质探测系统的性能试验与评价

通过海上比对试验,对海底表层底质探测系统的主要技术性能指标进行了客观的评价。主要测试项目包括底质采样与识别、走航测量、底质识别最大深度和重复一致性等。     

一个海底底质冲淤模型的应用研究

采用逆方法,研究了同安湾底质冲淤模型的部分关键参数的确定。由于海底底质冲淤模型是一个高度参数化的非线性微分方程,参数确定是模型应用中的关键性问题,它直接关系到模型的稳定性和敏感性,通常是依据经验来确定。逆方法使得模型应用中的参数确定与模式检验联系在一起,减少了主观经验的参与。在厦门同安湾的应用中,模拟结果显示,经过清淤整治,主要潮汐通道的冲刷趋势明显增强,高集海堤等海区的严重淤积状况得以缓解,西海岸有部分回淤。研究结果表明。模型在稳定性和敏感性方面得到更理想的表现。     

介绍几种典型的海底底质分类技术

本文主要介绍了四家海洋仪器公司的最新海底底质分类技术。它们分别利用多波束的反向散射强度数据、单波束的回声波形结构数据和旁侧声纳数据。采用了多参数统计分析、波形结构分析和影像属性分析等方法，实现了快速、高效、大面积地对海底底质进行间接的分类。尽管它们的技术各不相同，但都可以分为监督分类方式和非监督分类方式。     

基于SVM的海底声纳图像底质识别*

对海底底质声纳图像分割,提取单元特征向量进行主成份分析,选取均值、标准差、对比度、相关系数、能量及同质性作为训练特征向量,优化支持向量机(SVM)参数.利用多分类 SVM 对砂、礁石、泥进行训练,有效、快速地分离出了3种底质类型,测试精度高于80%,表明该方法可有效用于海底底质声纳图像的识别和分类.     

灵山湾海域底质调查

一、底质类型及其分布特征 (一)底质类型及其特征本区底质类型繁多(图1略),成分混杂,三、四种粒组并存,含量相差甚小者普遍,分选程度大多中等到差,概率曲线平缓。仅有少数近陆细砂和粗砂样品成分较为单一,分选较好(表1)。     

西太平洋底质及其分区

海底沉积物的系统研究始于1872—1876年英国《挑战者》号的调查.第二次世界大战后许多国家都大力发展了深海调查.但到1968年深海钻探计划实施前,人们仍主要局限于松散沉积物的调查.本文论述的西太平洋海区是指东起夏威夷,西至亚洲大陆,南达新西兰和澳大利亚,北到白令海峡的广大海区(图1).底质的分布及其分类,主要是根据美国拉蒙特-多尔蒂地质调查所和我国的有关资料综合分析研究后完成的.本区沉积物按其物质来源大致可分为陆源的、生物的和多源的三大类.