“五个好”和“五带头”是搞好老干部工作的保证

在党的基层组织和共产党员中开展创先争优活动,是中央继先进性教育和深入学习实践科学发展观活动后,推进党的建设的又一伟大工程,也是全面落实创建“五个好”党支部的基础工作。     

把学习贯彻《决定》精神同推动当前工作结合起来

学习贯彻《中共中央关于加强党的执政能力建设的决定》，要在深刻理解上下功夫，在把握精髓和实质、把握贯穿于其中的立场观点和方法上下功夫。要深刻理解加强党的执政能力建设，是时代的要求、人民的要求，是关系社会主义事业兴衰成败、关系中华民族前途命运、关系党的生死存亡和国家长治久安的重大战略课题；要深刻理解党执政55年来经过艰辛探索和实践，积累的执政成功经验，     

基于深度学习的2D-3D地下密度异常体反演方法

地下密度异常体反演需要由二维数据反演三维结果,为了高效、高精度地反演地下异常体的位置及密度信息,本文提出2D-3D InvNet深度学习反演方法.方法的编-解码器结构,在编码阶段利用二维卷积网络结构提取地表重力异常及重力梯度异常数据信息,解码阶段利用三维卷积网络结构恢复异常体地下形态,实现了二维和三维网络结构的结合.为了精确地反演异常体密度,提出利用加权均方误差（WtdMSE）作为损失函数,同时为了更好地评估反演结果,引入核密度函数作为评价手段.与均方误差（MSE）相比,利用WtdMSE作为损失函数对异常体密度的反演结果更为准确,异常体所在区域的密度误差减少50%以上.对理论样本的反演结果表明,2D-3D InvNet在准确反演异常体地下位置的同时,也能给出准确的密度信息.应用此方法对西澳大利亚Kauring地区实测数据进行反演,我们成功获得了此区域地下异常体的密度分布.理论与实际应用结果表明,2D-3D InvNet深度学习方法稳定且具有较强的泛化性能,能在无需规定限制条件的情况下快速获得准确的反演结果.

     

基于深度学习的地震速度谱自动拾取研究

在常规的地震数据处理工作流程中,人工拾取地震速度谱中的叠加速度存在耗时长、效率低的问题,且容易受到人为经验的影响.本文基于目标检测的方法,应用改进后的FCOS（Fully Convolutional One-Stage Object Detection）神经网络模型实现速度谱中叠加速度的自动拾取.该方法将速度谱图像作为输入,经模型训练后输出"时间-速度"对序列.在处理低信噪比工区数据时,针对速度谱能量团聚焦特征较差的特点加入基于深度神经网络（Deep Neural Network,DNN）的线性回归模型以拟合出全局速度曲线.Marmousi模型数据和实际工区数据测试结果表明,本文所设计的地震速度谱自动拾取模型准确性较高、鲁棒性强,有效地缓解了人工拾取的负担,在保证速度拾取精度的同时显著地提高了效率.     

水下智能潜器的神经网络运动控制

本文介绍一种基于神经网络的水下智能潜器的运动控制方法，该方法通过在线学习，融控制与滤波为一体。计算机仿真与水池实验验证表明，该方法的控制与滤波性能良好，对环境的学习与适应能力强。该方法事实上可用于一般动力系统的控制。     

开放在京城的天文科普奇葩之五——北京市上地实验学校

北京市上地实验学校位于海淀区上地信息产业基地高科技园区内,学校创建于1998年,由北京一零一中承办、实创高科技发展有限公司投资兴建。2009年学校由体制改革校转制为公办校。为培养学生终身学习的能力,学校在课程改革、教学方法创新中,尊重学生的学习兴趣,挖掘他们的爱好与知识潜能,培养他们的学习方法,因材施教分层辅导,让学生在学习的过程中,享受获得信心与能力的乐趣。     

新起点 新目标 新要求——黄江明在局思想政治工作会议上的讲话

一、会议小结这是一次全局思想政治工作的总结大会。从2000年11月的广州会议到2006年11月的宁波会议，时隔6年，变化巨大，是值得回味和总结的。党组书记、局长赵传宝的讲话，从“加强理论学习、深化宣传教育、做好思想政治工作、推进党的建设、开展文明单位创建活动”等五个方面进行了全面的回顾，肯定了成绩，指出了不足，反映客观，恰到好处。同时，报告还对全局加强思想政治工作的体会从“领导重视是前提、服务中心是关键、完善机制是基础、抓好党建是保证、求实创新是途径”等五个方面加以了经验性的总结，从理论的高度给予了提炼和概括，表述准确，恰如其份。     

基于U-Net的井中多道联合微地震震相识别和初至拾取方法

微地震震相识别和初至拾取是水力压裂微地震监测资料处理中的两个关键步骤,其结果会对后续事件定位和压裂裂缝缝网解释产生重要影响.常规方法如STA/LTA法、模板匹配法、多道互相关法等需要提取有效信号与噪声间振幅、偏振、频率、波形相似性等方面的特征差异完成震相识别和拾取工作.本文基于深度学习技术的自动特征提取能力,根据井中微地震观测系统的多道数据源特点,提出基于U-Net的多道联合震相识别和初至拾取方法（MT-Net）.方法采用具有"逐采样点"识别能力的U-Net模型,模型训练阶段以具有不同信号特征的多道微地震监测记录作为输入,以P波、S波及噪声的概率分布标签作为输出,通过设置二维卷积操作使得道内与道间的波形信息同时被自适应地学习,以满足对相邻道间波形记录处理结果高度一致性的要求;测试阶段将连续记录中的分段波形馈入模型,通过设定P波、S波概率分布曲线阈值完成单震相、双震相和噪声的波形分类,同时对含有效震相的微地震事件完成初至拾取.实际微地震资料处理结果显示,本文方法与同样基于U-Net的单道方法（ST-Net）相比,显著降低了震相识别中低信噪比事件漏拾与误拾发生的概率;同时有效避免了部分单道发生严重的初至拾取结果偏差及P、S震相误拾等情况.本文方法的识别与拾取结果整体上达到了与多道互相关法接近的水平,可满足微地震监测资料处理中实时性和准确性的要求.     

基于改进EWT和LogitBoost集成分类器的地震事件分类识别算法

快速、准确地识别天然地震和人工爆破事件是地震台网监测的重要工作之一,也是提高地震观测记录质量、开展地震研究工作的重要基础。针对反向传播神经网络、支持向量机等主流分类识别方法在地震事件分类识别应用上的不足,提出一种基于改进EWT和LogitBoost集成分类器的地震事件分类识别算法。首先,基于S谱能量曲线对传统经验小波变换进行改进,将信号自适应分解为按频率和能量分布的本征模函数;其次,提取P波与S波最大振幅比,前4个本征模函数的香农熵、对数能量熵,以及去噪后重构信号主频等特征;最后,采用基于集成学习LogitBoost的决策树集成分类器进行分类。实验结果表明,所提算法具有较高的鲁棒性,能有效解决样本不足的问题,识别准确率达93.1%以上,比集成学习AdaBoost、反向传播神经网络和支持向量机等方法提高了1%以上,且分类识别效果好。     

结合遗传算法的LVQ神经网络在声学底质分类中的应用

学习向量量化（Learning Vector Quantization,LVQ）神经网络在声学底质分类中具有广泛应用. 常用的LVQ神经网络存在神经元未被充分利用以及算法对初值敏感的问题,影响底质分类精度. 本文提出采用遗传算法（Genetic Algorithms,GA）优化神经网络的初始值,将GA与LVQ神经网络结合起来,迅速得到最佳的神经网络初始权值向量,实现对海底基岩、砾石、砂、细砂以及泥等底质类型的快速、准确识别. 将其应用于青岛胶州湾海区底质分类识别研究中,通过与标准的LVQ神经网络的分类结果进行比较表明,该方法在分类速度以及精度上都有了较大提高.