基于Network In Network网络结构的高光谱影像分类方法

为进一步提高高光谱影像分类精度,通过引入Network In Network网络结构,构建了一种新的网络模型。该网络模型能够对局部感受野内的数据进行更加抽象的建模,从而能够对影像中的空谱联合特征进行更为抽象的表达。通过在Pavia University和Indian Pines两个数据集上进行验证,实验结果表明,所构建的网络模型能够有效提高分类精度,在减少训练样本的条件下仍具有较好的分类性能。     

基于深度学习的CZ铁路康定—理塘段滑坡易发性评价

CZ铁路康定至理塘段地处青藏高原东部边缘,区域内地形地貌多变、地质构造复杂,滑坡灾害极其发育,严重威胁着CZ铁路康定至理塘段的规划建设和未来安全运行。因此,选取高程、坡向、平面曲率、剖面曲率、地形起伏度、地表切割度、地形湿度指数、归一化植被指数、岩性、距断层距离、距河流距离、距道路距离共计12个影响因子构建滑坡空间数据库,采用深度学习的卷积神经网络(convolutional neural network, CNN)模型进行滑坡易发性评价,根据易发性指数将研究区划分为极高易发区(13.76%)、高易发区(14.00%)、中易发区(15.86%)、低易发区(18.17%)、极低易发区(38.21%)5个等级,并与人工神经网络(artificial neural network, ANN)模型进行对比。结果表明,CNN模型的评价精度AUC(0.87)大于ANN(0.84)模型,且极高易发区的频率比值高于ANN模型,CNN模型在本研究区有着更高的预测能力;极高和高易发区主要分布在水系较为发育的地区,沿着雅砻江和其他河流两侧2 km范围内呈带状分布。滑坡易发性评价结果较好地反映了研究区滑坡灾害...     

基于地形单元分区的BP神经网络反演海底地形

海底地形和海洋重力场在一定波段频率域上存在相关性,传统海底地形反演方法主要考虑海底地形与重力数据之间的线性关系,而忽略非线性项作用对反演结果的影响。基于此,提出了基于海底地形单元分区的BP神经网络反演方法,改善海底地形反演精度。选取东印度洋北部东经90°海岭附近海域(83°E～92°E,10°S～10°N)为实验区,利用船测水深、卫星测高重力等数据,根据地形特征将实验区分为海盆区和海岭区,使用BP神经网络方法分别进行海底地形反演,构建了实验区1′×1′局部海底地形模型。结果表明,基于地形单元分区的反演结果模型平均相对误差精度可达1.45%,比未分区的反演结果均方根误差降低了42 m,验证了本文方法的有效性和可行性。     

自组织竞争神经网络在江苏油田有杆抽油系统故障诊断中的应用

有杆抽油系统的故障诊断技术是国内外采油工程技术中的一个重要研究课题。通过示功图的不同形状特征可以反映抽油机的不同工作状态。将自组织竞争神经网络应用于示功图的识别与分类,建立了一个自组织竞争神经网络模型对示功图进行自动聚类,从而实现故障诊断的自动化。应用江苏油田的实测示功图数据进行实验,可以看出自组织竞争神经网络具有良好的分类能力和泛化性能,是实现油田抽油系统故障诊断的有效技术,具有很强的实用价值和广泛的应用前景。     

基于深度学习构建的全球电离层NmF2模型

采用递归神经网络对空基COSMIC和地基垂测站数据建立了全球电离层峰值电子密度模型,模型均方根误差达到1.3×10~5 el/cm~3。在春夏秋冬4个季节内,人工神经网络ANN模型预测精度比IRI模型分别提高了25.7%、19.7%、33.3%和21.8%。另外,ANN模型不仅能够有效地模拟全球电离层时空变化特征,也能够成功地模拟电离层的诸多区域物理变化特性,如赤道电离异常、威德尔海异常、中纬度夜间异常和冬季异常。ANN模型可以为改正单频接收机的电离层延迟发挥一定的作用。     

基于贝叶斯正则化BP神经网络的DEM趋势面逼近

趋势面从宏观上揭示了研究对象的特性,在各领域发挥着重要作用。BP神经网络可以对复杂系统进行无限逼近,进而进行预测。建立了基于贝叶斯正则化BP神经网络的数字高程模型趋势面,与二次多项式建立的数字高程模型趋势面进行比较分析,证明了该方法的可行性和有效性。     

GA-BP网络模型在GPS似大地水准面精化中的应用

针对误差反向传播（BP）算法训练速度慢和易于陷入局部最小值的缺点,提出了利用遗传算法（GA）的全局寻优性,结合GA和BP的各自优点,分析和建立了进化神经网络（GA-BP）模型,并将该模型应用于似大地水准面模型精化。最后以南方某市E级GPS控制网高程数据为例,进行BP和GA-BP模型的对比实验,通过对内、外符合精度及MAPE（平均绝对误差百分比）指标分析,验证了该方法的可行性。     

地下水封洞库单裂隙花岗岩纵波速度变化规律与预测模型

揭示裂隙岩体纵波速度变化规律对工程岩体质量分级与稳定性评价具有重要意义。以某地下水封洞库无充填型单裂隙花岗岩为研究对象,基于钻孔电视成像、水压致裂法地应力测试与声波全波列测井,获取了384组单裂隙花岗岩的几何特性、受力状态与纵波速度,构建起了预测单裂隙花岗岩纵波速度的进化-神经网络模型,分析了关键指标影响下单裂隙花岗岩纵波速度的变化规律。研究表明：该水封洞库单裂隙花岗岩纵波速度分布于4 300～5 330 m/s之间,82.3%的纵波速度在4 700～5 200 m/s之间;选取裂隙法向应力、平均张开度与倾角作为单裂隙花岗岩纵波速度的预测指标是合理可行的;将现场测试数据分为训练样本与测试样本,基于遗传算法优化神经网络权值、阈值的进化-神经网络模型构建出单裂隙花岗岩纵波速度预测模型,其测试误差最大仅为2.9%,85%的样本测试误差不超过1.5%,预测模型精度较高。分析了纵波速度变化规律,发现单裂隙花岗岩纵波速度随裂隙法向应力增大而增大,但当法向应力增至5 MPa后的纵波速度增大速率逐渐减小,纵波速度随裂隙张开度增大而逐渐减小,纵波速度在裂隙倾角小于40°时无明显变化,此后纵波速度随倾角增...     

基于神经网络优化算法的海洋动态缓波型立管设计

柔性立管连接海上平台和水下生产系统,缓波型构型可以减轻其受到的顶部张力和疲劳损伤,触地点处系链对于固定水下立管起着重要作用,然而加装系链的缓波型立管系统设计更为复杂。通过缓波型基本理论计算出合理的立管初始状态,之后使用立管分析软件OrcaFlex,在充分考虑环境因素、船体结构、立管材料和线型以及重力块、浮力块、系链等配置参数的情况下,建立缓波型立管系统有限元模型,通过静动态分析验证其满足设定的关于立管构型、张力、弯曲半径,系链张力和FPSO偏移量5个约束条件。结合神经网络优化算法和遗传算法制定出针对文中立管系统的优化算法并通过MATLAB编程将浮力块数量优化至最少,之后基于L-M算法构建神经网络模型,通过迭代训练提升精度,得到最终参数优化结果。通过对比优化前后静动态分析结果可知：优化后浮力块数量大幅减少,立管最大有效张力大幅减小,而悬挂段最低点深度有一定程度的增大,整体构型更趋向于合理的缓波型构型。