基于小波分析的灰色-神经网络组合模型在大坝变形预测中的应用

监测序列经小波分解后可以得到各层分量。对低频分量采用灰色GM(1,1)模型进行建模预测,对高频分量采用BP神经网络进行建模预测,最后将各分量进行小波重构,得到监测序列的预测值。将预测值分别与没有进行小波分解直接用GM(1,1)模型预测的值和经小波分解的低、高频系数都采用GM(1,1)模型预测的值进行对比,发现经小波分解的灰色-神经网络组合模型预测精度更高。     

BP神经网络用于水下地形适配区划分的方法研究

为确保背景场中最优适配航线设计的正确性以及水下地形匹配导航的可靠性,提出了一种基于BP神经网络的背景场适配/误配区自动识别和划分方法,该方法通过分析地形背景场特征参量显著性和主成分、构建BP神经网络、建立输入地形特征参量与匹配性能的映射关系,最终实现了地形背景场误配/适配区的自动识别和划分。试验验证了本方法的有效性。     

基于神经网络的房地产估价研究

根据房地产估价的特点将人工神经网络引入到房地产价格评估领域,创建了基于神经网络的房地产估价模型,在对训练样本验证结果分析的基础上,对两种神经网络估价模型进行了对比分析,指出了两种网络各自的优缺点以及改进措施。     

神经网络初始条件对似大地水准面拟合结果的影响

主要针对BP神经网络初始权值设置和学习集样本次序对似大地水准面拟合结果的影响进行研究,结果表明,在GPS/水准点控制区域内初始权值的设置对拟合结果没有影响,学习集样本次序对拟合结果的影响一般小于2.0 mm,得出对于构建厘米级似大地水准面,可以忽略初始权值设置和学习集样本次序对似大地水准面拟合结果的影响的结论,为神经网络方法应用于高精度、高分辨率似大地水准面拟合提供借鉴。     

基于改进DeepLabV3+算法的遥感影像建筑物变化检测

变化检测是遥感测绘领域的重要任务,作为执法依据,在耕地非农化等场景监测中发挥重大作用。近年来,使用人工智能相关技术进行变化检测,常见的技术方案为叠加两期影像,再使用语义分割算法求解变化区域。本文使用变化检测数据集LEVIR-CD作为试验数据,在DeepLabV3+算法基础上,针对变化检测场景特点,对模型结构进行改进。以DeepLabV3+的孪生网络为主干,使用多层级特征交互操作,充分融合图像特征。结果表明,改进的网络结构更加适合变化检测任务场景。     

几何特征与神经网络联合优化的室内三维点云语义分割方法

室内三维点云数据精准语义分割是实现深层次室内空间应用的基础。针对现有三维点云数据语义分割方法存在目标不完整和不一致的问题,本文提出了一种几何特征与深度神经网络联合优化的室内三维点云语义分割方法。该方法首先利用深度学习实现室内结构信息语义标签的初步提取,然后利用几何与颜色特征的点云分割方法对原始数据进行精确分割,最后利用概率模型将深度学习语义分割结果与几何分割结果进行交叉融合,实现语义分割结果的联合优化。基于开放数据集对本文提出的分割方法进行了精度和有效性验证,分别采用室内场景简单到复杂的三组室内点云数据进行了测试,试验结果表明,本文提出的方法能够有效提升室内三维点云语义分割精度。     

融合自适应最优邻域和卷积神经网络的三维点云分类

针对点云分类中提取单个点自身特征所需的邻域尺寸选择,以及低层次特征设计烦琐且表达地物属性能力较弱等问题,本文提出了一种自适应选择单点最优邻域尺寸及学习泛化能力更强的深层次特征的三维点云分类方法。首先基于自适应最优邻域尺寸选择获得每个点的最优局部邻域信息,继而基于局部邻域信息提取点云低层次特征;然后设计一种以待分类点低层次特征为输入的卷积神经网络模型,学习能反映目标地物内在属性的深层次特征并实现分类;最后采用拓普康公司三维点云数据集进行试验,该数据集通过一个配备TOPCON GLS-2200三维激光扫描仪的移动平台获得。试验结果表明,本文方法分类的总体精度达90.48%,优于文中其他点云分类方法。     

海底底质分类支持下的WorldView-3多光谱影像浅海海域水深反演

近几十年来,基于遥感影像进行水深反演一直是国内外学者研究的热点。本文使用WorldView-3高分辨率卫星影像,结合卫星测高数据,以中国海南岛附近的蜈支洲岛及其附近海域为主要研究区域,在进行数据预处理、底质分类之后,分别通过多元线性回归模型、Stumpf对数比值模型和BP神经网络集中对岛屿周围0～20 m水域的水深进行反演和结果分析。结果证明,对这3种模型而言,在进行底质分类之后精度都会明显提升。其中,BP神经网络反演水深精度最高(均方根误差范围为0.2～0.7 m),多元线性回归模型次之(均方根误差范围为0.3～0.8 m),对数比值模型精度最低(均方根误差范围为0.6～1.1 m)。     

基于无人机遥感的卷积神经网络对墓区治理的监测与分析

卷积神经网络可从输入信息中提取高阶特征,常用于图像特征的提取,可以用作图像分类、语义分割、图像识别等。随着时代的不断发展,公墓墓区缺乏统一治理与规划,导致墓区建设违法、违规的现象屡禁不止。此外,墓区占用面积大,严重浪费土地资源,且传统人工执巡效率低,无法全面监管,为方便对墓区的监测和治理,本文主要基于无人机遥感数据,利用卷积神经网络方法监测与分析墓区是否达到墓区治理的需求。     

融合CNN和CapsNet的Wi-Fi室内定位方法

针对基于位置指纹的Wi-Fi室内定位方法定位精度低的问题,本文提出了一种融合卷积神经网络(CNN)和胶囊网络(CapsNet)的Wi-Fi室内定位算法模型,记为CNN-CapsNet。首先将采集的RSSI时间序列信息,生成位置指纹图像数据集;然后通过由卷积层和池化层构成的CNN初级特征提取器,完成定位图像到初级特征图的转换;最后将初级特征图输入到CapsNet中,获得最终的分类结果。试验结果表明,在不同的向量维度,迭代次数等参数下,该模型的准确率高达99.99%,损失函数值低至0.009 91,优于其他的传统定位方法。