Kohonen网络与BP网络的集成应用研究

本文介绍了 Kohonen神经网络对输入数据进行聚类方法在卷烟配方中的应用 ,提出了从核心样本动态搜索 BP网络训练样本的新探索 ,摒弃了过去 BP算法中训练样本固定不变 ,互不相交的方法 ,实现了 BP网络和 Kohonen网络动态无缝集成。     

改进的模糊C均值聚类算法及其在海底热液硫化物组分分析中的应用

在聚类分析中,模糊C均值(FCM)聚类算法有着广泛的应用。在实际应用中,该算法存在着很多缺陷,如最优聚类数目的确定完全依赖于数据的数目,算法易收敛到局部极值点以及收敛速度慢等。本文针对这些缺陷提出了2点改进方法:首先,利用减法聚类确定聚类数目的范围,提出一个新的聚类有效性指标函数,实现最优聚类数目的自适应确定。在此基础上,提出了基于粒子群(PSO)的模糊C均值混合聚类算法,以解决已有原始FCM聚类算法容易陷入局部极小点和收敛速度慢的问题。仿真测试结果表明:改进后的FCM聚类算法能够有效减少迭代次数,并以较快的收敛速度获得更加准确的聚类结果。最后,将改进的FCM聚类算法应用到冲绳海槽热液硫化物矿物组分分析中,准确地反映出了其矿物化学组分中主要金属元素的分布特征及矿石分类状况。     

基于改进Faster R-CNN的无人机航拍图像目标检测

无人机航拍图像中目标检测问题要求检测模型具有旋转不变性。针对这一问题,提出改进的Faster R-CNN算法。首先在区域建议网络中采用K-means聚类方法生成适应数据集的预设锚点框,其次在Fast R-CNN网络中引入新的特征提取层,并在模型多任务损失函数中增加旋转约束条件,为后续检测学习旋转不敏感特征。在人工采集的数据集上进行了对比实验,结果表明:在检测速度无明显降低的情况下,改进方法的检测精度提升了1.6%mAP,算法检测性能较优,更能满足实际应用需求。     

多核模糊聚类算法的研究

针对多类样本数据,提出1种多核模糊聚类算法。通过选取子核函数及其参数构造多核函数,使得输入空间的样本经多核函数映射后,增大不同类别样本间的差别,提高核函数的学习能力和泛化能力。聚类实验表明,多核函数模糊聚类对于多类样本数据具有比单核更好的聚类效果。     

印度洋水声环境特征自组织网络区划分型

利用WOA05世界大洋数据集,1°×1°分辨率、标准分层的气候态平均温、盐场资料,提取一组表征印度洋海域水下声场环境的特征指标.借助一组聚类结果评估函数,确定最佳区划分型数目,利用自组织特征映射网络(SOFM)可以保持拓扑结构不变的特点,对西太平洋海域水下环境进行区划分型.分类区划结果对该海域的声场背景分析和声纳探测具有参考应用意义.     

基于BP网络对模拟声呐信号分类

针对常规的主动声呐调查设备,在简单海洋分层模型的基础上,模拟了多波束类单频信号、侧扫类单频信号、Ch irp调频信号和混合信号4类声呐接收信号,并针对接收信号特征构造了3层BP网络模型,将隐藏层神经元数目设为可调节;利用时间域脉冲宽度和水深与频率域功率谱密度相结合的特征参量,成功地对模拟信号进行了分类。采用改进的BP网络模型,用训练成功的BP网络对102个检测信号进行了分类测试,结果表明,分类成功率较高,可达76%~84.6%,因而利用BP网络可以对不同类别设备的模拟声呐接收信号进行分类。     

基于LLE低维嵌入的高光谱影像分类

针对高光谱数据中内在的非线性流行结构,分析了LLE低维嵌入算法的基本原理,给出了该算法的计算步骤。介绍了模糊ISODATA分类算法的基本思想,在计算目标函数中,利用测地距离代替欧氏距离,对模糊ISODATA分类算法进行改进。利用两套PHI高光谱影像数据,在LLE低维嵌入结果上实现了ISODATA分类实验。结果表明:LLE低维嵌入后的数据能够降低ISODATA影像分类的迭代次数与计算时间,提高分类的效率;与原始ISODATA分类算法相比,改进的ISODATA分类算法能够更好地挖掘类别之间的自组织关系,提高分类的可靠性。     

BP网络学习参数模糊自适应算法的实现

前馈神经网络BP算法的改进方案中,对网络训练(学习)过程中学习率和惯性系数进行模糊自适应调节,以提高收敛速度,是一项很有效的措施。文中具体分析了如何根据设计者的先验知识确定模糊规则和隶属函数,并以三比特异或函数(或称奇偶分类)的实现为例,验证了这种算法的改进、加速了BP网络的学习过程。     

水体光谱特性监督分类方法研究

中国近岸海水是典型的二类水体,其光学特征复杂.利用黄东海2003年春季航次获取的高光谱数据,以最值为判断特征的监督分类方法对水体光谱进行分类研究.经分析试验数据,得出叶绿素主导类、混合过渡类,悬沙主导类、超高悬沙类和中高叶绿素低悬沙类等五类光谱特征.此分类方法对不同季节黄东海有较好的一致性和适用性,其分类分布图在一定程度上展现了黄东海水体光学特性的基本规律.     

协同主动学习和半监督方法的海冰图像分类

海冰遥感光谱影像分类中标签样本难以获取,导致海冰分类精度难以提高,但是大量包含丰富信息的未标签样本却没有得到充分利用,针对这种情况,提出一种协同主动学习和半监督学习方法用于海冰遥感图像分类。在主动学习部分,结合最优标号和次优标号、自组织映射神经网络以及增强的聚类多样性算法来选择兼具不确定性和差异性的样本参与训练;在半监督学习部分,利用直推式支持向量机,并且融合主动学习思想从大量未标签样本中选取相对可靠且包含一定信息量的样本进行迭代训练;然后协同主动学习分类结果和半监督分类结果,通过一致性验证保证所加入伪标签样本的正确性。为了验证方法的有效性,分别采用巴芬湾地区30 m分辨率的Hyperion高光谱数据(验证数据为15 m分辨率的Landsat-8数据)和辽东湾地区15 m分辨率的Landsat-8数据(验证数据为4.77 m分辨率的Google Earth数据)进行海冰分类实验。实验结果表明,相对其他传统方法,该协同分类方法可以在只有少量标签样本的情况下,充分利用大量未标签样本中包含的信息,实现快速收敛,并获得较高的分类精度(两个实验的总体精度分别为90.003%和93.288%),适用于海冰遥感图像分类。     

基于粗糙集与人工神经网络的变压器故障诊断

根据电力变压器故障诊断问题,提出了基于粗糙集与人工神经网络的变压器故障诊断模型,分析了该模型的实现步骤.采用Kohonen网络对连续属性值进行离散化,应用粗糙集理论对特征参数进行属性约简,并把约简结果生成规则作为BP网络的输入.仿真结果表明,把经过粗糙集理论预处理过的数据送入BP网络训练,提高了学习速度和故障诊断正确率,减少了训练时间.     

卷积神经网络在卫星遥感海冰图像分类中的应用探究

本文以TensorFlow为框架搭建卷积神经网络,基于迁移学习的思想,以经典的手写数字识别作为引入,对不同代价函数和激活函数组合对卷积神经网络模型分类结果影响进行了评价分析。以HJ-1A/B渤海海冰图像为实验数据源,分析了不同函数组合对遥感海冰图像分类的影响,优选出交叉熵代价函数与ReLU激活函数为最佳的组合,证明了卷积神经网络在遥感海冰分类中的应用可行性。对渤海海冰图像分类结果进行验证,其中带标签样本验证精度为98.4%。使用该模型对无标签的测试样本进行识别,讨论了样本的窗口尺寸对海冰分类结果的影响,发现在400×400小范围分类实验中最佳窗口尺寸为2×2;最后对整个渤海海域进行识别验证,效果较好。     

Seafloor sediment classification from single beam echo sounder data using LVQ network

Seafloor sediment classification based on echo characteristics obtained from single-beam echosounder is very useful in remote and instant sediment classification. Results of different classification techniques using such data provide robust results when the acoustic beam has a normal incidence with the seabottom. This may not always be true and show poor classification, with the data acquired during rough sea periods corresponding to both oblique and normal incidence of the acoustic pulse, due to roll and pitch motion of the ship. In the present study, an attempt is made to exploit the artificial neural network (ANN) techniques for better classification with such data. Learning Vector Quantisation (LVQ) is a supervised learning algorithm of ANN that is found to be an effective tool and show good performance. The input data to the network include the roughness index (E1) and hardness index (E2) derived from echo characteristics. The network utilizes the competitive learning, a distance function in the first layer and a linear function in the second layer. The network was tried with a different size of hidden neurons and training data size to see the influence on classification. It is found that with ten neurons in the first layer and four neurons in the second layer good performance in classification for the data was achieved.     

深度学习的BP神经网络在GNSS水准拟合中的应用

针对误差逆向传播BP (back propagation)神经网络在GNSS水准拟合中存在梯度消失、陷于局部最小点的问题,通过使用深度学习中的分段线性整流函数Relu(rectified linear units)作为神经元激活函数,自适应矩估计Adam (adaptive moment estimation)算法作为网络优化函数,提出了一种基于深度学习的BP神经网络模型。研究结果表明:改进后的BP神经网络内外符合精度分别提高近50%和25%,可达0.9 cm和2.4 cm,为GNSS水准拟合提供了新的思路。     

Seafloor Classification of Multibeam Sonar Data Using Neural Network Approach

In this study, the self-organizing map (SOM), which is an unsupervised clustering algorithm, and a supervised proportional learning vector quantization (PLVQ), are employed to develop a combined method of seafloor classification using multibeam sonar backscatter data. The PLVQ is a generalized learning vector quantization based on the proportional learning law (PLL). The proposed method was evaluated in an area where there are four types of sediments. The results show that the performance of the proposed method is better than the SOM and a statistical classification method.     

Seafloor Classification of Multibeam Sonar Data Using Neural Network Approach

In this study, the self-organizing map (SOM), which is an unsupervised clustering algorithm, and a supervised proportional learning vector quantization (PLVQ), are employed to develop a combined method of seafloor classification using multibeam sonar backscatter data. The PLVQ is a generalized learning vector quantization based on the proportional learning law (PLL). The proposed method was evaluated in an area where there are four types of sediments. The results show that the performance of the proposed method is better than the SOM and a statistical classification method.     

基于深度学习的循环水养殖鳗鲡(Anguilla)计数研究

鳗鲡(Anguilla)作为我国优质水产养殖种类,精准掌握其数量对高效养殖有重要意义。为实现对循环水养殖鳗鲡的准确计数,提出了一种基于深度学习的改进Faster RCNN模型。针对检测目标即鳗鲡头部尺寸小的问题,选择在特征提取网络ResNet50中加入FPN结构来作为模型的骨干网络,以提取并融合多尺度的特征;针对原模型锚框都是基于人工经验设置的,并不适用于鳗鲡数据集的问题,使用k-means聚类算法对训练集中标注的鳗鲡头部检测框进行聚类分析,获得了适合鳗鲡数据集的15种不同尺度的锚框;针对图像中存在鳗鲡头部重叠的问题,选择使用Soft-NMS算法替代原NMS算法对RPN部分生成的候选框进行筛选,以减少模型对鳗鲡重叠部分的漏检情况。试验结果表明:改进后的Faster RCNN模型对鳗鲡头部的检测精度(mAP^0.5)高达96.5%,较原Faster RCNN模型(Backbone为ResNet50)显著提升了14%,与SSD300和YOLOV3模型相比分别显著提升了24.9%和15%;在鳗鲡计数上,利用改进后的Faster RCNN模型检测结果进行计数,计数准确率达到90%以上,提升了模型对鳗鲡的检测识别能力。     

基于GA-BP神经网络的临洪河口湿地土地覆盖分类算法研究

针对传统分类方法易受到"同物异谱"和"同谱异物"影响，致使河口湿地覆盖分类精度较低的问题，提出一种基于遗传算法优化BP神经网络分类算法。以江苏省临洪河口湿地为研究区，选用哨兵Sentinel-2影像，经辐射校正、大气校正和图像裁剪等预处理后，构建基于自适应遗传算法优化的BP神经网络算法开展临洪河口湿地土地覆盖分类研究，并与传统BP神经网络、支持向量机和随机森林算法进行精度比较。研究结果表明：遗传算法优化后的BP神经网络算法开展河口湿地土地覆盖分类的总精度为96.162 7%，Kappa系数为0.952 0；与传统BP神经网络、支持向量机和随机森林分类算法的分类总精度相比，分别提高了7.359 7%、11.677 9%和6.042 4%；对应的Kappa系数也相应提高了0.090 8、0.118 0和0.074 8；有效解决了河口湿地土地覆盖分类精度低的问题。遗传算法优化后的BP神经网络可实现河口湿地土地覆盖的高精度分类，促进湿地资源的合理开发和保护，为实现海洋生态文明建设提供技术支撑。