基于深度卷积神经网络的高分辨率遥感影像场景分类

场景分类对于高分辨率遥感影像的理解和信息提取具有重要意义。传统方法利用低、中级或语义特征来对影像的场景进行判别,但是针对高分影像涵盖的细节多、类别复杂等特点,中低层特征无法对影像语义进行准确描述。本文提出了一种基于深度卷积神经网络DCNN场景分类模型。首先利用卷积层对影像的纹理、颜色等低阶特征进行提取,然后利用池化层对重要特征进行筛选,最后将提取到的特征进行组合,形成高阶语义特征,利用高阶语义特征对高分影像进行场景分类。为了解决模型的过拟合问题,使用了数据增广、正则化及Dropout提高模型的泛化能力。本文方法在UC Merced-21取得了91.33%的准确率,相比于传统方法,有效地提高了分类精度,同时证明了深度卷积神经网络在遥感影像分类领域优越性。     

卷积神经网络GPS坐标转换方法

GPS坐标转换方法对于GPS空间定位系统至关重要。目前已有很多方法被提出用于转换GPS坐标,但效果并不是很显著。究其原因,是因为大多数都存在模型误差和投影误差。针对目前方法的不足,本文利用深度学习对非结构化数据处理的优势,提出了一种基于卷积神经网络(CNN)的GPS坐标转换方法。该方法将GPS数据转化为非结构化图片数据,以其作为CNN的输入层来训练GPS坐标转换模型,这样能够最小化满足对数据的预处理要求,无监督地从数据中学习出有效特征。试验结果表明,该方法与传统坐标转换方法相比,具有更高的转换精度。     

联合深度学习和条件随机场的遥感影像云检测

针对最大类间分类法等传统方法在高分辨率影像云检测时对噪声敏感、云边缘轮廓不精确等问题,该文提出一种结合神经网络结构SegNet和条件随机场的云检测方法,在实现含云区域提取的同时很好地保留了云的边缘轮廓。实验结果表明,结合SegNet神经网络和条件随机场的云检测精度达到94.8%,高于其他经典算法约5%,边缘保持度精度高,并避免了经典算法对噪声敏感的缺点。     

机器学习的地名专名音译技术研究

针对现有地名专名音译中因无法良好获取地名音节划分而导致的准确率低与可用性差等问题,该文提出了基于机器学习的地名专名音译技术。在该技术中,该文对音标生成、音节划分两个关键部分进行了讨论,分别研究了基于循环神经网络的音标生成方法和最小熵的音节切分方法。通过新研究的单词音标生成算法与音标音节切分算法,从两个角度解决了机器对单词音节识别差的问题。经过地名翻译实验,证明了该音译技术比传统方法具有更高的准确率。     

CPSO-BP组合优化模型的滑坡位移预测

针对粒子群优化BP神经网络模型存在的不足,该文在粒子群算法中引入混沌理论,建立混沌粒子群算法优化BP神经网络的组合优化模型。以四川省凉山彝族自治州某滑坡的位移监测数据为例,将混沌粒子群算法优化BP神经网络模型与其他优化粒子群算法与BP神经网络组合模型的预测结果进行对比分析。实验结果表明,基于混沌粒子群算法优化BP神经网络的预测模型,滑坡水平位移与垂直位移的预测值与相应的实测值相对误差的平均值分别为1.05%和0.78%,平均绝对误差分别为0.825 0和0.460 1mm,均方根误差分别为1.000 5和0.527 5mm,实验结果验证了该文预测模型结果能更好地反映滑坡位移趋势,具有较好的实用性。     

遗传算法的灰色神经网络在基坑变形中的应用

针对基坑施工安全和能够快速地发现基坑变形的问题,该文提出用遗传算法的灰色神经网络对基坑沉降观测数据进行处理,并预测变形大小。实例数据表明,通过预测变形值与实际变形值进行比较,可知遗传算法的灰色神经网络模型的收敛速度较快,训练时间较短,预测精度较高,能满足工程精度的要求。通过与GM(1,1),BP神经网络模型和灰色系统和神经网络的组合模型进行比较,本模型是最优的。     

融合GNSS PWV、风速与大气污染观测的河北省春季PM2.5浓度模型研究

PM2.5浓度时空演化特征分析有助于大气污染的现状和发展认知,但PM2.5浓度监测积累时间较短,且受到排放强度和气象因素的影响,因此可融合全球导航卫星系统（Global Navigation Satellite System,GNSS）天顶可降水量（precipitable water vapor,PWV）、风速和大气污染物构建PM2.5浓度模型。以河北省为例,首先分别开展PM2.5浓度与大气污染物、GNSS PWV及风速的相关性分析;然后将大气污染物、GNSSPWV和风速作为输入,PM2.5浓度作为输出,利用逆传播（back propagation,BP）神经网络分别构建城市PM2.5浓度模型和区域PM2.5浓度模型;最后进行PM2.5浓度模型可靠性检验。将模型预测值与PM2.5浓度实测值比较发现,预测PM2.5浓度等级准确率高,相对误差较低。该模型可用于区域PM2.5浓度时空演化特征分析。     

基于神经网络模型误差补偿技术的对流层延迟模型研究

针对传统对流层延迟模型精度较低的缺点,基于神经网络模型误差补偿技术,在Hopfield模型基础上建立一个适用于北半球的高精度融合模型。以Wyoming大学提供的2010年全球120多个观测台站的气象探空数据精密解算的天顶对流层延迟(ZTD)作为近似“真值”,分析比较Hopfield模型、传统BP模型和融合模型的计算精度。结果表明,Hopfield模型的均方根误差（RMSE）为35.31 mm,传统BP模型为30.34 mm,融合模型为23.31 mm。     

分部加权的行道树检测网络构建

基于深度学习目标检测框架,提出了一种端到端的训练网络,用于行道树的自动检测。由于行道树之间的遮挡问题,现有的通用物体检测框架无法直接应用于此任务,为此本文提出了一种树形分部加权模块,以减少严重遮挡造成的错误检测。然后对提出的神经网络进行训练和评估。结果显示,本文所建立的分部加权树木检测网络能够在遮挡条件下,有效地检测出街景图像中的行道树,该方法在各种条件下均具有较高的精度和良好的稳健性。     

基于实例分割模型的建筑物自动提取

传统的遥感影像目标提取方法大多采用目视解译或基于像素信息进行处理,难以适用于高分辨率影像中的复杂场景。而现有的卷积神经网络语义分割模型,由于难以达到较高的精度会出现提取目标粘连的情况。针对该问题,本文对实例分割模型Mask R-CNN进行改进,提出了一种高效、准确的高分辨率遥感影像建筑物提取算法。首先,在Mask R-CNN原有的特征提取部分每个层级的特征图后再增加一层卷积操作,以降低上采样造成的混叠效应;然后,在原有掩膜预测结构的基础上增加一个分支,改善掩膜预测的效果;最后,将改进后的网络在建筑物数据集上进行训练。结果表明,本文方法能够准确独立预测每个建筑物顶部,没有目标粘连情况,且mAP值较Mask R-CNN有所提高,能够有效实现遥感影像建筑物精细化提取。