利用地基微波辐射计资料反演0-10km大气温湿廓线试验研究

实测与模拟的微波辐射计亮温存在偏差,导致基于BP神经网络模型的大气温湿廓线反演精度的降低。研究了一种基于资料订正后的BP神经网络反演大气温湿廓线的方法。首先,基于2014年6月南京江宁探空资料,利用MonoRTM模式,模拟中心频率在22.2GHz~58.8GHz范围内22通道亮温;对比模拟和实测南京站微波辐射计资料,建立实测微波辐射计资料订正模型。然后,以南京地区2011-2013年探空资料为输入,模拟22通道亮温数据,并基于模拟的22通道亮温数据和当地探空资料,利用BP神经网络算法,建立大气温度、水汽密度、相对湿度廓线反演模型。最后,利用构建的订正模型,对2014年7月试验获取的微波辐射计资料进行订正,并将订正后的微波辐射计资料输入BP神经网络反演模型,反演0-10km高度58层的大气温度、水汽密度和相对湿度,对比实际探空资料以及微波辐射计二级产品,评估分析反演效果。实验结果表明：所建的反演模型提高了大气温湿廓线反演精度,大气温度、水汽密度和相对湿度均方根误差范围分别为1.0~2.0K、0.20 ~1.93g/m3和2.5%~18.6%。     

改进后灰色神经网络及短期基坑沉降预测研究

在短期基坑沉降监测中,由于数据量少且呈非线性变化,沉降模型很难准确建立。灰色GM(1,1)对数据少、趋势性强、波动小的数据有较高的预测精度,但不能模拟复杂的非线性函数;BP神经网络可以对非线性数据进行学习训练,具有自学习、自适应能力;通过将GM(1,1)与BP神经网络组合,并优化网络部分的学习率、权值和阈值等,建立一种改进的灰色神经网络模型,该模型具有对非线性数据自学习、自适应能力和预测精度更高等优点。通过某基坑沉降监测分析,验证改进的灰色神经网络模型预测精度更高,适合短期建模,具有很好的实用性。     

均生函数与BP神经网络耦合模拟预测模型(MGF-BP-I)的建立与应用

水文气候因子模拟预测对气候变化研究、农业墒情预报、生态环境改善、水资源合理开发利用等具有一定参考意义。均生函数、BP神经网络及其结合改进方式在模拟预测中各有优点,被广泛应用,但仍有进一步改进空间。针对MGF、MGF-OSR、MGF-OSR-BP等方法粗选因子集、粗选集组合筛选、收敛适应性、精度控制等可改进空间,进一步发挥均生函数和BP神经网络优势,建立了MGF-BP-I模拟预测模型。利用MGF-OSR、MGF-OSR-BP、MGF-BP-I对科尔沁沙地区域平均年降水进行了模拟预测。结果表明,建模期MGF-OSR-BP、MGF-BP-I拟合效果均较好,MGF-BP-I建模阶段最优模式精度优于MGF-OSR-BP,MGF-BP-I整体同时最优模式结果也非常好。检验期,MGF-BP-I检验阶段最优及整体同时最优两种模式拟合效果最好,相比其他模式精度有所提高。MGF-BP-I考虑更加全面,充分发挥了均生函数和BP神经网络优势,精度远高于MGF-OSR和MGF-OSR-BP,MGF-BP-I整体同时最优模式更符合实际应用,效果理想,可用于水文气候因子模拟预测。     

基于BP神经网络的海洋监测数据等级划分

数据的分类是数据处理和应用的重要环节和前提。在海洋领域中,海洋数据呈现多元、多类等的复杂多样性,给数据的分类带来一定的技术挑战。主要针对海洋数据分类难这一问题,首先利用BP神经网络技术对海洋环境监测数据进行分类,且通过对获取的海洋环境监测数据进行分类预测,最后,实验验证了海洋环境监测数据分类方法的正确性和可行性,给海洋监测数据根据秘密等级进行数据分类提供了支持。     

卷积神经网络及其在矿床找矿预测中的应用——以安徽省兆吉口铅锌矿床为例

大数据人工智能地质学刚刚起步,基于大数据智能算法的地质研究是非常有意义的探索性实验。利用大数据和机器学习解决矿产预测问题,有助于人们克服不能全面考虑地质变量的困难及评估当前模型在已有数据中的可靠性。元素地表分布特征量主要受原岩成分、成矿作用影响和地表过程的影响,它们携带某些指示矿体就位的信息,即矿体在地下空间就位时在地表的响应,且未在地表过程中消失。以往的地球化学勘查工作仅仅识别异常,但未能发现矿体在地表响应的成矿特征量。本文以安徽省兆吉口铅锌矿床为例,通过机器学习,利用卷积神经网络算法,不断挖掘元素Pb分布特征与矿体地下就位空间的耦合相关性。经过1000次训练后,可以得到准确率0. 93,损失率0. 28的卷积神经网络模型。这种神经网络模型就是矿体在地下就位时元素在地表分布的响应,可以用来进行矿产资源预测。应用该模型对未知区进行预测,结果显示第53号区域具有很大概率存在尚未发现的矿体。     

基于神经网络的页岩微纳米孔隙微结构分析的正则化和最优化方法

页岩气成藏机理与页岩内部孔隙结构紧密相关,对页岩孔隙结构的研究成为页岩气勘探开发技术中至关重要的一环。页岩内部不同结构体组分对X-射线的吸收能谱不一样,这样就导致观测数据是由不同页岩组分衰减不同波段的X-射线构成的。经过对CT图像分割,能够获得页岩微孔结构的图像,尤其是获得有机质中孔隙类别、形状、尺寸、空间分布、连通特性。本文利用同步辐射X射线扫描重构的页岩CT数据,研究并设计基于多能CT图像的神经网络图像分割技术和算法,以期得到页岩体三维结构特征及空间分布,可以为建立有机质种类和无机矿物组成与微纳孔隙特征的联系以及最终实现页岩气的资源储量评估和勘探开发提供技术支持。     

改进的GOTURN算法

随着基于深度学习的算法在计算机视觉领域中的应用不断拓展,GOTURN(Generic Object Tracking Using Regression Networks)算法是第1个满足目标跟踪实时性要求的深度学习算法(达到100 fps),但是该算法的跟踪精度有待提高。针对此问题,采用基于运动估计的卡尔曼滤波算法与基于卷积神经网络的深度学习算法相结合的方法,将卡尔曼滤波算法融入GOTURN算法进行目标跟踪。为了验证该算法的有效性,在ILSVRC2014数据集和ALOV300++数据集中进行了训练和评估。实验结果表明,该算法不仅能够满足目标跟踪的实时性要求,而且能够提高线性系统的跟踪精度。     

基于差分筛选的YOLOv2监控视频目标检测方法

监控视频的多目标跟踪是视频智能分析的热点研究内容,其中目标的检测是目标跟踪的基础,精度高、速度快的目标检测器对于后续的实时分析任务尤为重要。提出一种针对监控视频的基于差分筛选的YOLOv2目标检测算法,采用差分算法筛选无前景目标帧及设置重叠度量阈值进行跨帧检测,改善了YOLOv2作为检测方法用于监控视频多目标跟踪任务时速度过慢的不足,同时高精度的检测结果有利于下一步多目标跟踪任务的顺利完成。利用NPLR监控视频数据集对YOLOv2目标检测算法进行了测试,并将该方法与可变型部件模型DPM进行了比较。结果表明,差分YOLOv2方法在精度上高出DPM方法0.304 6,检测时间快了26倍左右,验证了该算法的有效性。     

轨道误差对InSAR相位影响的BP神经网络去除法

针对用二次多项式法去除轨道误差对InSAR相位影响时,须对干涉相位其他项分布性质作假设,且自身存在一定的模型缺陷的问题,该文提出用BP神经网络去除轨道误差对InSAR相位影响的方法。研究表明:BP神经网络法在使用时无须对干涉相位其他项分布性质作假设,模型更优。模拟实验中,轨道误差相位拟合残差更小;真实数据实验中,纠正后非形变区相位集中在零值附近,且波动趋势更为平稳。该方法一定程度上降低了传统二次多项式法的应用局限性。