基于遗传Elman神经网络进行矿区GPS高程拟合

目前,城市、平原地区的似大地水准面建立精度已经达到厘米级,但在矿区进行高程拟合时,由于地面高低起伏没有规则,其似大地水准面的拟合精度并不理想。针对此问题,本文提出利用遗传算法优化Elman神经网络的方法精化似大地水准面,采用移去-恢复法对残差进行建模,使用EGM 2008地球重力场模型和地形起伏信息来精化求解似大地水准面和参考椭球面之间的高程异常,同时着重分析了地球重力场模型以及地形变化信息对高程异常求解的重要性,并使用某矿区实测数据(GPS、水准)对所提方法进行验证,实验结果表明:文中所提方法的精度要优于二次曲面拟合模型和单一Elman模型,其外符合精度达到了1.14 cm,可以代替四等水准测量。     

基于深度学习构建的全球电离层NmF2模型

采用递归神经网络对空基COSMIC和地基垂测站数据建立了全球电离层峰值电子密度模型,模型均方根误差达到1.3×10~5 el/cm~3。在春夏秋冬4个季节内,人工神经网络ANN模型预测精度比IRI模型分别提高了25.7%、19.7%、33.3%和21.8%。另外,ANN模型不仅能够有效地模拟全球电离层时空变化特征,也能够成功地模拟电离层的诸多区域物理变化特性,如赤道电离异常、威德尔海异常、中纬度夜间异常和冬季异常。ANN模型可以为改正单频接收机的电离层延迟发挥一定的作用。     

基于大数据分析下的气候模型

为研究全球变暖与极寒天气间的关系,对加拿大13个省代表性测站10年的观测数据进行时空变化趋势分析,采用经验正交函数（EOF）寻找海洋表面温度历史数据的变化规律。另外利用BP神经网络建立了年平均温度、日降水量与地球吸热、散热、海表面温度、当地纬度间的关系,预测未来25年气候的变化,并建立了“极寒天气”与气候变化的关系模型。研究表明：高纬度地区温度、降水量普遍较低,同经度地区的温度差异较小且降水量变化不大;加拿大地区温度呈周期性变化,符合北半球的季节变化特征;北大西洋的东部与其他海洋的温度是反相关的,西太平洋南北回归线附近的海洋表面温度升高;“极寒天气”出现频率与气候变化有一定关系,局地极寒现象与全球变暖的大趋势并不矛盾。本研究为人们认识和理解“全球变暖”提供了一个新的思路。     

基于机器学习的海洋环境预报订正方法研究

结合中尺度数值模式 WRF 预报数据和 ERA5 再分析资料,利用机器学习方法对 WRF 预报场的风场、温度、气压进行预报订正。采用 ERA5 作为真值,与原始 WRF 预报相比,利用随机森林模型可以将预报结果整体均方根误差降低 44%以 上,利用深度神经网络模型可以将预报结果整体均方根误差降低 34%以上。通过随机森林模型实验得到不同输入特征对预报要素的影响程度,分析了关键的预报订正因子。     

基于改进近似模型的水下鱼雷打靶快速预报方法

鱼雷打靶试验对评价武器系统对目标的打击性能具有重要意义。水动力参数是模拟鱼雷水下运动轨迹、预报鱼雷打靶落点的关键参数。随着现代CFD技术的发展,采用数值方法获取水动力参数,提高了轨迹预报精度,但计算效率不高,不利于多工况下鱼雷打靶预报。首先,基于刚体动量和动量矩定理建立了鱼雷的水下运动方程组,运用4阶龙格–库塔（Runge-Kuta）法对运动方程组进行数值求解,对鱼雷水下轨迹进行模拟,从而获取鱼雷打靶性能。其次,提出了基于遗传算法的近似模型（GA-BP）和自适应遗传算法优化的近似模型（AGA-BP）模拟鱼雷水下打靶落点,对鱼雷打靶性能进行快速预报。通过仿真和数据对比,结果表明：AGA-BP预测模型相对于BP预测模型更稳定、GA-BP预测模型收敛速度更快,实现对鱼雷水下打靶快速预报。     

基于红色通道注意力机制的水下图像增强

水下图像增强因其在海洋勘测和水下机器人中的重要意义而备受关注。在过去的几年中,已经提出了许多水下图像增强算法。已有的深度学习方法由于忽略水下图像的预处理过程和对红色通道信息的增强或者弱化了这个过程,导致增强结果并不显著,其往往只适应特定的场景,缺乏泛化能力。为此,基于卷积神经网络建立了一种全新的水下图像增强算法,为了充分利用特征图的通道信息,在相同维度的特征图之间采用不同尺寸的卷积核获取更多通道数目的特征。然后,基于红色通道构建了注意力机制,以加强对于图像中容易丢失信息的红色通道的特征提取。最后,在EUVP,UFO120数据集做了消融实验,证明了红色通道注意力机制的有效性。通过对对比实验的增强结果进行各项指标分析,证明增强结果有着更高的结构相似性和峰值信噪比,并且在无参考指标方面有着更高的颜色平衡、清晰度以及对比度,综合性能优于以往的方法。     

确定区域大地水准面的K-means-RBF神经网络方法

确定区域大地水准面的几何水准方法在拟合大地水面时未顾及重力场信息,仅是一种单纯的数学拟合,忽略了重力场数据自身的物理性和不同数据间的相关性.近年来,深度学习方法得到广泛重视与研究.本文提出了一种有监督学习的RBF神经网络精化大地水准面的方法,使用包含重力异常和大地水准面高的重力场数据进行神经网络训练,并采用K-mean...     

基于双隐层ANN模型的叶绿素a浓度智能预报方法

利用2019年5月WZ02生态浮标监测数据,建立了两种不同隐层人工神经网络(ANN)模型的叶绿素a(Chl-a)智能预报方法,并对单隐层和双隐层模型的预测结果做了对比.结果表明:双隐层结构预测结果精度更高,泛化能力更强,一定程度上说明了深层学习比浅层学习对信息的主要特征提取能力更有优势.同时,对数据样本集合进行了系统预...     

自组织竞争神经网络在江苏油田有杆抽油系统故障诊断中的应用

有杆抽油系统的故障诊断技术是国内外采油工程技术中的一个重要研究课题。通过示功图的不同形状特征可以反映抽油机的不同工作状态。将自组织竞争神经网络应用于示功图的识别与分类,建立了一个自组织竞争神经网络模型对示功图进行自动聚类,从而实现故障诊断的自动化。应用江苏油田的实测示功图数据进行实验,可以看出自组织竞争神经网络具有良好的分类能力和泛化性能,是实现油田抽油系统故障诊断的有效技术,具有很强的实用价值和广泛的应用前景。     

GPS高程拟合中神经网络法的基本思想

高程问题一直是困扰GPS的问题之一,而不同的GPS高程拟合方法都有其适用条件,并且精度不等。本文在对人工神经网络的基本原理、神经元模型、网络结构、数据结构和训练方式等研究的基础上,给出一种新的算法(新BP算法)。以“阜新控制网改造工程”作为一个具体实例,使用Matlab语言来完成GPS高程的拟合,并与其他方法作了比较,最后给出有益的结论。