人工神经网络理论在地下水水质评价中的应用

本文应用人工神经网络方法，在模拟人脑的思维方式下，建立了地下水水质模型，并对地下水水质污染程度进行评价，与动用综合指数法、模糊综合评判法和灰色聚类法等多种方法评价的结果相比较。结果表明，神经网络方法具有较强的处理相互矛盾样本的能力，尤其对非线性问题，其预测精度高。     

统计降尺度方法在青海省冬季最低温度预测中的应用

利用2003-2007年国家气象中心T213L31全球中期数值预报模式逐日输出产品与青海地区25个气象站的观测数据作为试验资料, 利用相关系数和逐步回归进行因子选择, 并以单隐层神经网络和多元回归作为降尺度方法进行对比研究, 用2003-2006年间的11月1日～次年3月1日的资料作为训练样本, 以数值预报产品和前一日观测的最低温度作为因子, 建立青海省25个气候站的冬季最低温度的24, 48, 72 h预报模型, 并且以2006年12月和2007年的1、 2月作为24, 48, 72 h逐日最低温度预报试验时段。试验表明, 对于青海地区来说, 青海北部地区的预报命中率总体好于南部高原地区; 在4种对比方案中, 以选择数值预报资料结合前一日地面观测的最低温度作为主要因子的方法相对较优, 随着预报时效的延长, 24 h历史实况的作用逐渐减弱; 对于所有台站来说, 这4种方案各有优缺点, 没有一种方案可以完全代替其他所有方案; 在实际业务运行中, 对不同的台站应采用不同的预报方案进行实际业务预报。     

前馈神经网络和Logit回归的比较研究

对Ｌｏｇｉｔ回归和前馈神经网络作了一个尝试性的“比较研究”，说明了一些理论结果和特性，讨论了应用中的一些实际问题。并进一步用分析和模拟两种方法研究了渐近概念，过分拟合以及模型选择等问题。     

基于神经网络的机载激光测深偏差模型构建

为提高机载激光测深（airborne LiDAR bathymetry,ALB）精度,需对ALB原始测深偏差进行修正。通过顾及ALB测深偏差诸影响参数,基于神经网络方法,利用实测样本数据训练获得ALB神经网络偏差模型,然后基于神经网络偏差模型对ALB原始测深数据进行修正。结果表明ALB原始测深偏差较大,需进行修正。传统线性偏差模型和本文神经网络模型均能有效修正ALB测深偏差。相比线性偏差模型,神经网络偏差模型具有更高内符合和外符合精度。基于神经网络的ALB偏差建模方法能有效提高ALB测深精度。     

基于多尺度分割和径向基神经网络的极化SAR影像分类

针对目前常用的基于像素的深度神经网络极化SAR分类方法产生的椒盐现象,文中提出了一种联合自适应阈值多尺度分割方法和径向基神经网络的极化SAR地物分类方法。实验证明,该方法能够有效地保留SAR图像的结构特征并有效消除分类过程中产生的椒盐现象和破碎斑块,具有较高的分类精度。     

三种非线性回归逐时气温预报比较订正

选取ECMWF和T639的2013年1月至2014年12月的数值预报场构造预报因子,基于神经网络、支持向量机和构造函数的非线性方法,预报地面逐时气温。试验结果显示,在单个方法预报误差较大时,3种方法的偏差订正集成方法更利于减小误差,通过偏差订正,3种非线性方法预报效果良好,平均绝对误差减小了0.5 ℃。在近1年独立样本的预报检验中,集成方法、神经网络、支持向量机和构造函数预报的平均绝对误差分别为1.5 ℃、1.7 ℃、1．8 ℃和1．4 ℃,总体上构造函数预报更为准确。     

基于U型卷积神经网络的航空影像建筑物检测

经典的卷积神经网络结构在前向传播过程中分辨率不断下降,导致仅采用末层特征时难以实现建筑物边缘的精确分割,进而限制目标检测精度。针对该问题,提出一种基于U型卷积网络的建筑物检测方法。首先借鉴在图像分割领域中性能出色的神经网络模型U-Net的建模思想,采用对称式的网络结构融合深度网络中的高维和低维特征以恢复高保真边界;其次考虑到经典U-Net对位于特征金字塔顶层的模型参数优化程度相对不足,通过在顶层和底层两个不同尺度输出预测结果进行双重约束,进一步提升了建筑物检测精度。在覆盖范围达30 km²、建筑物目标28 000余个的航空影像数据集上的试验结果表明,本文方法的检测结果在IoU和Kappa两项关键评价指标的均值上分别达到83.7%和89.5%,优于经典U-Net模型,显著优于经典全卷积网络模型和基于人工设计特征的AdaBoost模型。     

基于卷积神经网的CCTV视频中排水管道缺陷的智能检测

作为地下空间信息测绘工作的一个重要部分,基于排水管道内部测绘信息的管道缺陷检测越来越受到人们的重视。CCTV技术是一种广泛使用的排水管道内部测绘与缺陷检测技术。近些年基于卷积神经网的人工智能技术在图像识别中取得了巨大成功,受此启发,提出了一种基于卷积神经网络的排水管道缺陷的检测方法,以提高CCTV视频中的管道缺陷检测的自动化和智能化。试验证明了该方法的有效性,其在缺陷识别的准确率和召回率及识别速度上均满足了排水管道缺陷智能检测的需要;同时该方法也已经在深圳市的排水管道检测中得到广泛的应用。     

基于Faster R-CNN的食品图像检索和分类

面向食品领域的图像检索和分类等方面的研究成为多媒体分析和应用领域越来越受关注的研究课题之一.当前的主要研究方法基于全图提取视觉特征,但由于食品图像背景噪音的存在使得提取的视觉特征不够鲁棒,进而影响食品图像检索和分类的性能.为此,本文提出了一种基于Faster R-CNN网络的食品图像检索和分类方法.首先通过Faster R-CNN检测图像中的候选食品区域,然后通过卷积神经网络（CNN）方法提取候选区域的视觉特征,避免了噪音的干扰使得提取的视觉特征更具有判别力.此外,选取来自视觉基因库中标注好的食品图像集微调Faster R-CNN网络,以保证Faster R-CNN食品区域检测的准确度.在包括233类菜品和49 168张食品图像的Dish-233数据集上进行实验.全面的实验评估表明：基于Faster R-CNN食品区域检测的视觉特征提取方法可以有效地提高食品图像检索和分类的性能.     

气象因子对夏季最大电力负荷的敏感性分析

利用2016—2018年武汉夏季(6—9月)逐15 min电力负荷以及同期逐日气象数据,分析最大电力负荷变化特征及与气象因子的相关关系。利用逐步回归和双隐含层BP神经网络算法,建立了武汉夏季最大电力负荷的预测模型。结果表明:平均温度、平均最高温度、平均最低温度与气象电力负荷存在显著的正相关,其次是日照时数。前1 d最大电力负荷与当日最大电力负荷的相关性最好,当日电力负荷对前1 d温度的平均和舒适度指数的变化最为敏感。以历史电力负荷和气象数据为联合预报因子,逐步回归和BP神经网络算法对武汉夏季最大电力负荷具有较好的模拟效果,尤其是对持续高温造成高位运行的最大负荷模拟。当敏感性在10%以内时,逐步回归算法中气象因子正的贡献要小于负的贡献,BP神经网络算法中气象因子正的贡献要高于负的贡献;当敏感性高于10%时,两种算法中气象因子均为正的贡献。