轨道误差对InSAR相位影响的BP神经网络去除法

针对用二次多项式法去除轨道误差对InSAR相位影响时,须对干涉相位其他项分布性质作假设,且自身存在一定的模型缺陷的问题,该文提出用BP神经网络去除轨道误差对InSAR相位影响的方法。研究表明:BP神经网络法在使用时无须对干涉相位其他项分布性质作假设,模型更优。模拟实验中,轨道误差相位拟合残差更小;真实数据实验中,纠正后非形变区相位集中在零值附近,且波动趋势更为平稳。该方法一定程度上降低了传统二次多项式法的应用局限性。     

基于卷积神经网络的建筑物精细化提取

现有图像分割方法往往受图像模糊和噪声的影响,提取的轮廓不准确。为了提取建筑物的精确轮廓,提出了一种基于卷积神经网络的集成方法,包括建筑物定位、形状判断、形状匹配等步骤。实验证明,无论是对DSM图像还是多光谱影像,该方法都能获得精确的建筑物轮廓。     

基于神经网络的滑移隔震结构智能半主动控制

考虑上部结构的刚度和阻尼,使用神经网络控制算法计算基底摩擦力的大小,研究了滑移隔震结构的半主动控制。对计算实例的分析表明,通过半主动控制的滑移隔震结构不但具有较好的隔震效果,且能有效地减小基底的最大滑移量及残余位移。为对比各种控制方法的控制效果,文中还利用Bang-Bang控制和瞬时最优控制算法对滑移隔震结构进行了半主动控制。对比分析表明,基于神经网络控制算法的控制效果优于其它控制算法,具有反馈量少,稳健性强等特点。     

粒子群优化广义回归神经网络与HHT样本熵结合的地震辨识研究

天然地震与人工爆破信号具有许多相似的特性,为实现地震类型的准确辨识,提出一种基于粒子群优化广义回归神经网络和HHT样本熵的地震类型辨识新方法．该方法先通过经验模态分解（EMD）将初始信号分解成6个本征模态函数（IMF）及1个残余向量,对前三个IMF进行Hilbert变换得到瞬时频率和瞬时能量,进而提取出样本熵并构造神经网络训练集与测试集;利用粒子群算法和训练集优化广义回归神经网络的光滑因子参数值,建立PSO-GRNN分类模型．将该模型结果与BPNN模型、GRNN模型、PNN模型及RBFNN模型等神经网络模型进行性能对照,得到该模型单次识别的准确率、MAE、MAPE、RMSE R2及MSE分别为95%、0.1604、0.1204、0.2381、0.7123、0.0567,绝大多数性能评价指标优于其他4种神经网络模型．该研究建立的PSO-GRNN模型性能较稳健,在100次循环随机试验中辨识效果仍然较突出,计算得到的上述评价指标均值为97.42、0.04、0.04、0.12、0.89、0.02,其对应的标准差为3.53、0.05、0.04、0.08、0.11、0.02,将PSO-GRNN模型...     

基于注意力约束深度生成网络的测井电成像空白条带填充

电成像测井是储层测井评价的一种有效技术手段．但由于电成像测井仪器极板的尺寸与井径不能完全匹配,极板对井周的覆盖率无法达到100%,导致测得的图像存在空白条带,影响地质信息的精确解释．为提高测井资料解释精度,有必要对这些空白条带进行填充．传统的测井电成像空白条带填充方法由于只能获取图像的浅层特征,能较好地修复结构简单的砂泥岩图像,但对砂砾岩、碳酸盐岩等结构复杂的成像图则修复效果不佳．深度学习方法具有强大感知能力,能够捕获图像的深层特征,因此本文采用深度生成网络对测井电成像图像空白条带进行填充．首先,为使深度生成网络提取对空白填充更为重要的特征,将注意力机制引入网络,其中通道注意力机制通过对不同通道的特征加权生成通道注意力权重向量,以增加重要特征的权重,而空间注意力机制利用特征图的内部空间关系生成空间注意力权重向量精确定位重要信息的位置,实现对重点信息的关注．其次,改变常规卷积神经网络中卷积的方式,通过引入变形卷积以提高网络对复杂图像几何变换的建模能力,更好地拟合图像的轮廓细节信息．在砂砾岩地层测井电成像图像的填充实验中表明,引入注意力机制后,所填充空白条带区域与整体图像的上下文内容更为一...     

《地理空间信息》2009年总目次

<正>~~     

卷积神经网络在SAR遥感海冰分类中的应用可行性分析

分别介绍了卫星遥感海冰监测、分类的传统方法,以及卷积神经网络在遥感影像分类识别中的应用成果。尝试将在图像识别、语言检测等方面取得成功的卷积神经网络算法应用在海冰图像分类中,利用其能够应对非线性、网络结构简单、可并行运算等能力去解决海冰数据分类问题。     

径向基函数神经网络用于小比例尺道路网选取

针对小比例尺道路网专题数据少、语义信息缺乏的特点,该文根据小比例尺道路网已有的语义几何属性和拓扑结构,构建一系列参数作为选取依据。将道路网选取抽象为分类问题,提出一种使用径向基函数神经网络和多参数进行道路网选取的方法。相比时下较常用的反向传播神经网络,径向基函数神经网络具有更高效的学习性能。利用径向基函数神经网络的非线性映射能力,对样本进行训练和验证,并选择不同结构类型(放射式、格网式和自由式)的道路网进行选取实验。结果表明,该方法在小比例尺道路网选取研究中具有可行性,且在自动获取选取参数的同时提高了选取精度。