深度学习在水声目标识别中的应用研究

水声目标识别技术是水声信号处理的重要组成部分,是水声信息获取与水声信息对抗的重要技术支撑。针对水声目标识别时探测数据量大、自动化程度不高、识别效率低下等问题,研究了深度学习在水声目标识别中的应用。首先,介绍了水声目标识别技术的研究现状及当前形势下面临的挑战。然后,对深度学习的网络结构原理及改进型进行了分析,并分别对深度学习在水声声信号识别领域和水声图像信号识别领域的应用现状做了阐述。最后,指出了由于受当前技术条件和水下复杂环境的制约,此方法尚且存在着不足之处。该方法为进一步优化深度学习算法、拓展深度学习技术应用范畴、提升水声目标识别效率提供了参考。     

基于融合U-Net及ConvLSTM的海面高度异常预报方法研究

海面高度异常是反映海洋环境状况的主要变量之一。本文使用1993—2019年的融合月均海面高度异常数据,建立了基于深度学习的海面高度异常预测神经网络模型,提出了基于融合U型网络(U-Net)和卷积长短记忆网络(ConvLSTM)的中长期海面高度异常预报模型。在研究海域0.25°×0.25°的空间分辨率下,模型测试集预报结果的均方根误差和平均绝对误差分别为0.039 m和0.027 m,均优于全连接LSTM预报模型和ConvLSTM+CNN预报模型,为大中尺度的海面高度异常预报提供了新的方法。     

融合储层纵向信息的机器学习岩性识别方法

测井资料中包含丰富的岩性信息,相比于取心资料,具有连续性强、成本低等优点。用机器学习方法探索测井曲线与实际取心段样本岩性之间的关系,实现储层岩性的自动识别,降低岩性识别成本,提高识别效率和准确性,可以为储层评价提供有效手段。基于岩性分类依据选择适合样本的分类方案,选取适合岩性分类问题的机器学习方法设计试验方案,提出了融合储层纵向信息的机器学习岩性识别方法,利用深度窗对常规测井数据和已知岩性数据进行了序列采样,生成了训练样本。用逻辑回归、支持向量机、随机森林、卷积神经网络和Stacking集成学习5种不同方法分别建立模型,对新疆某油田的强非均质岩层原始样本进行了岩性识别。结果表明,当深度窗宽度与岩层厚度相匹配时,在原始样本具有强非均衡性的情况下,用本方法对其进行预处理之后,各个机器学习方法获得的岩性识别准确率均有较大提高。深度窗的宽度决定了方法识别岩层厚度的精度,深度窗越小,识别精度越高;深度窗越大能够保留的纵向信息越多,对相应厚度的岩层识别准确率越高。本文的融合储层纵向信息的机器学习岩性识别方法能提升测井资料岩性识别的准确性,给非均质薄岩层的自动有效识别提供了经济有效的参考方案。     

震后早期阶段余震预测研究进展

震后早期快速、准确的余震预测对震后灾害风险应对和采取有效的处置措施十分重要.震后早期阶段地震目录不完整性是影响现有余震预测方法快速、准确预测的关键因素.近年来,随着技术和模型的发展,使得震后早期数据缺失阶段的余震预测成为可能.本文针对震后早期数据缺失阶段难以开展有效的余震预测问题,分别从提升余震检测率角度阐述了匹配滤波技术和深度学习技术,从统计地震学的余震补齐角度阐述了双尺度变换技术,从最大限度利用余震信息实时预测角度阐述了Omi模型和Lippiello模型等研究进展,分析了各类方法的优劣势,并提出了综合解决震后早期数据缺失阶段余震预测“瓶颈期”问题的技术路线,为从事地震检测、余震预测以及震后趋势研判等相关工作的科研人员提供科学参考.     

我国城市群整合发展的基础与实践

目前, 我国许多城市群还没有形成以城市集群为支撑的有整体竞争实力的地域实体, 区 域协调机制还没有从根本上建立起来。为了解决这个严重制约城市群发展的问题, 必须走整合发 展的道路, 整合发展是城市群战略的重大课题。城市群的整合发展要树立正确的科学理念, 充分 吸取国内外相关研究的宝贵启示。整合发展的理论基础分核心理论和基本理论, 前者有竞争优 势、空间相互作用、空间发展和区域协调理论等, 后者有系统、现代经济增长、可持续发展和区域 创新理论等。城市群的存在、城市群的要素和城市群地区的城镇化是整合发展的现实基础, 涉及 城市群存在状态的演进及其广域存在价值, 资源秉赋、整体实力、产业结构、交通通信和核心城 市, 城镇化的综合水平和面临的主要问题等。城市群整合发展的实践包含6 个方面的内容: 城市 竞争力整合、城市体系整合、产业整合、空间整合、城乡生态环境整合和发展的支撑平台整合。     

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.     

基于D-LinkNet的2014年云南鲁甸MS6.5地震建筑物损毁与重建评估

基于谷歌影像和无人机遥感影像,利用D-LinkNet神经网络提取2014年云南鲁甸M_S6.5地震震中龙头山镇建筑物灾害信息,并计算平均震害指数的统计值,得出此次地震的烈度。基于D-LinkNet模型进行检测,将损毁建筑物的提取结果与建筑物群变化的检测结果进行相交,构建重建评估系数,确定研究区的重建程度。评估结果为研究区的地震烈度既有Ⅷ度又有Ⅸ度。2015年的重建恢复等级为“一般恢复”,2018年为基本“完全恢复”。将损毁及重建评估结果与中国地震局等相关部门发布的相关信息进行对比,证实了本方法的准确性。     

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.     

面向应用的高校GIS教学探索与实践

高校GIS教学是近年来国内探讨的热点教学问题之一,涉及到GIS专业课程体系设置、教学内容设置、实践环节设置、教学体制改革等多个方面;但这些探讨主要是针对GIS专业学士学位与硕士学位教学而引发的,较少关注非GIS专业学位的GIS教学问题.本文通过分析清华大学GIS教学发展与现状,结合作者在GIS教学中的探索与实践,从教学平台、教学内容、授课形式、考试方式、教学效果等几个方面,讨论如何开展针对非GIS专业、面向应用的高校GIS教学模式,与全国高校GIS教育工作者共勉.