超参数对GRU-CNN混合深度学习弹性阻抗反演影响研究

CNN-GRU混合深度学习反演弹性阻抗取得了较好的反演效果.但是,基于深度学习的叠前反演参数众多,包括内部深度学习网络可学习参数和外部超参数等,目前超参数选取对网络性能及计算速度影响尚缺乏系统性研究,这直接影响到了该方法的进一步推广应用.因此,本文在混合深度学习反演弹性阻抗基础上,探讨学习率、Ep-och、batch_size、正则化参数及参与网络训练的测井个数等5个超参数对网络性能及计算速度的影响,为深度学习地震反演超参数选取提供依据.研究结果可为三维大面积深度学习反演提供一个可行的质控手段,对于推动深度学习方法在石油物探中广泛应用具有一定意义.     

GPS连续运行参考站网在线定位软件研制

长基线高精度GPS网解算是一项较复杂的数据处理工作,用户静态GPS观测数据与连续运行参考站(continuouslyoperatingreferencestations,CORS)的基准站数据组网解算具有一定优势,但基准站坐标属于保密数据,普通测绘用户不易获取。为解决该问题,采用网络计算模式来实现CORS-GPS组网解算。基于UNIX平台及GAMIT/GLOBK解算模块,采用Socket多线程并发通信技术,研制了服务器端软件;基于Windows系统研制了客户端软件,解算过程由用户发送数据到服务器自动解算,将解算结果反馈给用户。实验结果表明,技术路线可行可靠,为CORS-GPS组网解算提供了技术模式,拓展了CORS系统高精度定位服务。     

滑坡预报的BP-GA混合算法

提出了滑坡位移预报的一种改进人工神经网络方法－ＡＮＮ－ＧＡ法,与传统的人工神经网络方法相比,该方法加快一网络的学习速度,提高了滑坡位移的预报精度。同时它是一种面向数据的方法,适合于不同地区不同条件下滑坡的预报。两例滑坡预报平均相对误差分别为３．５５％和１．９３％,明显估于传统的ＢＰ算法（分别为１１．３５％和７．２４％）及ＧＰ改进方法（分别为３．９６％和２．６５％）,表明该方法具有科学性、可行性和有     

地质灾害的非线性数据处理与建模技术

本文简略地介绍了几种地质灾害数据处理与建模的非线性方法,主要包括GMDH自组织建模技术、神经网络方法。GMDH是一种高阶非线性回归建模方法,它是以简单的二元二次回归方程为基础,通过\"代复一代\"的\"生产\"过程,客观、自动地求得实际资料的非线性模型。而神经网络则是用工程技术手段模拟生物神经网络的结构特征和功能特征的一类人工系统。与常规统计方法相比,神经网络最突出的优点为它是通过对网络的学习和训练,来掌握变量之间的非线性关系。因此,其处理复杂问题的能力更强大。实例检验效果表明,这些非线性数据处理与建模技术考虑了地质灾害问题的非线性特性,其比基于常规统计理论的数据处理方法的精度要高得多。     

水文监测网络运行状态综合评估系统设计与实现

对水文监测网络的实时状态进行综合评估,从而掌握网络的整体性能是对水文监测网络进行管理的重要方面.针对当前水文监测网络综合评估缺少合理有效评价机制的现状,设计并开发水文监测网络实时状态综合评估系统,实现对水文网络中测站传感器、RTU、信道状态的采集、评估和综合呈现,提高对水文监测网络的分析水平.     

砂样图像岩屑自动分割提取方法

通过将砂样图像进行单颗粒分割,识别砂样成分,可显著提高砂样岩性分析的准确性和效率。现有的砂样图像分割方法主要以传统分水岭算法和卷积神经网络为主,但由于对单颗粒岩屑轮廓细节提取不足,误分割率高。本文提出一种以图像融合算法为桥梁,将卷积神经网络和分水岭算法相结合的单颗粒图像分割提取方法。首先利用改进的Mask R-CNN网络快速分割砂样原图,获得其初分割图像;然后,将初分割图像与砂样原图进行融合,再使用改进的分水岭算法对融合结果进行分割;最后,利用砂样原图坐标点匹配方法,将分水岭分割得到的结果图像进行修正,完成单颗粒岩屑图像提取。实验结果表明,本文的单颗粒自动分割提取方法准确率高达96.77%,且模型更轻量和精准,为岩屑图像分割提供了一种可行且有效的方法,可满足有效测算油藏层构造变化、查找潜在沉积物源及储层动态变化的需求。     

基于网络分析的区域铁路公司建构方法与实证

区域铁路公司是铁路运输市场组织的重要模式之一,也是铁路改革中的焦点问题之一。基于经济地理学功能区（结节区）的网络分析方法,对1991～2005年我国城际铁路货流的空间组织特征进行了系统分析,发现我国铁路货物运输联系形成了较为稳定的功能区划,形成北京、广州、上海等城市枢纽节点。基于合理运输组织和减少交易成本的组织理念,提出建立东北、华北、西北、华中、华东、中南和西南7大区域铁路公司。该研究可以为铁路市场化改革提供决策支持。     

人工神经网络模型在地学研究中的应用进展

近年来,随着人工神经网络（ANNs）自身技术的不断完善,应用ANNs模型成功解决各类地学问题的案例大量出现。通过对其发展历程进行分析发现,20世纪80年代末国际地学分析中已开始融入ANNs技术,国内则滞后 1～2年。在地学分析中使用的各类人工神经网络类型中,BP模型应用最广,占到85％以上。在10余年的应用过程中,虽然地学的各个分支学科都移植了一种或数种ANNs模型作为其分析工具,但水文、地质、大气、遥感等领域应用较为广泛。传统地学定量分析中的单变量或多变量预测成为人工神经网络地学模型的主要应用客体。同时,诸如模式识别和过程模拟等也是ANNs模型求解的对象。目前,随着建模经验和知识的积累,地学ANNs模型的发展呈现出多种技术综合集成的态势,遗传算法、小波转换、模拟退火算法以及模糊逻辑等方法与ANNs模型融合,成为解决地学分析中非线性问题的利器。     

GNSS多天线基线网单历元模糊度同步解算法

提出多天线基线网单历元模糊度同步解算法,其具体实现步骤为:1)根据宽巷组合模糊度易于固定的优点,采用附加已知基线长度约束法同步解算各基线的宽巷模糊度,得到dm～cm级精度的近似基线分量;2)将解算得到的各近似基线分量作为约束,同步解算各基线的基频模糊度,以获取mm级精度的基线矢量。该方法的关键在于检验各历元宽巷模糊度解算的正确性,以获取可靠的近似基线分量,为解算各基线的基频模糊度提供准确的基线先验信息。由于动态情况下各历元观测信息比较少,单纯依赖ratio检验不可靠,提出结合基线误差、单位权中误差、基线网模糊度闭合环及ratio值等对多组宽巷模糊度进行检验,避免ratio值设置不当导致模糊度检验中发生纳伪和弃真问题。实测数据结果证明,该处理方法使得模糊度解算的成功率提高1%～2%,可以获取移动平台更丰富的导航信息,提高其服务能力。