贝叶斯原理在遥感影像恢复中的应用

总结了遥感影像数据获取、传输和存储过程中引起影像退化的原因.根据信号处理中的概率统计理论,推导出了一种可以不依赖目标成像模型的遥感影像去模糊算法.实验结果表明,该算法具有较强的影像恢复能力和抗噪能力,对于缺乏点扩散函数先验知识的模糊遥感影像更加适用.     

卫星影像匹配的深度卷积神经网络方法

本文侧重于智能化摄影测量深度学习的第一个方面：深度卷积方法。传统的影像同名点对提取算法通常利用人工设计的特征描述符及其最短距离作为匹配准则进行匹配,其匹配结果易陷入局部极值,造成部分正确匹配点对的遗漏。针对这一问题,本文引入深度学习方法,设计了一种基于空间尺度卷积层的两通道深度卷积神经网络,采用其进行影像间的匹配模式学习,实现了基于深度卷积神经网络的卫星影像匹配。试验表明,在处理异源、多时相、多分辨率的卫星影像情况下,本文方法比传统匹配方法能提取到更为丰富的影像同名点对,且最终匹配提纯结果正确率优于90%。     

基于改进迭代反投影算法的遥感影像超分辨率重建

针对单帧遥感影像进行超分辨率重建时,重建图像存在偏暗、纹理边缘不清晰等问题。在分析限制对比度直方图均衡化算法后,提出一种将上述算法与迭代反射投影算法相结合的改进方法。Matlab仿真实验结果表明,这种结合的算法既能提升图像对比度,其信息熵也优于传统的迭代反投影算法。     

东北黑土区侵蚀沟遥感影像特征提取与识别

东北黑土区是中国重要的粮食生产区,而长期的开垦造成了严重的水土流失现象,坡耕地表面出现大量的侵蚀沟。侵蚀沟的识别是土壤侵蚀监测的重要手段之一,目前遥感技术在侵蚀沟的识别中应用广泛,但自动化程度不高。针对特定地物影像的识别,如何选取最能够有效描述该地物的特征是解决问题的关键。本文构建了耕地和侵蚀沟遥感影像的训练样本集,基于样本集分别提取了由光谱特征和纹理特征组成的浅层特征、SIFT特征经编码后得到的中层特征,以及利用卷积神经网络提取的深层特征;再基于不同层次的特征选用合适的分类器对遥感影像进行分类,识别出含有侵蚀沟的遥感影像,形成了一套针对侵蚀沟的特征提取与识别方法,为东北黑土区的耕地保护提供有力支持。测试结果表明:基于中层特征的识别精度最高,为98.5%,但该特征需要人工设计,自动化程度有限;而利用卷积神经网络可自动提取深层特征,其识别精度达到了95.5%,同时大大提高了自动化程度,满足侵蚀沟影像的识别的需求。     

基于TBM破岩数据的岩体条件深度学习表征方法

基于TBM施工数据进行围岩感知对保障TBM施工安全、提高施工效率至关重要,其中TBM掘进参数预测的准确率是检验围岩感知效果的重要依据.为此,以吉林引松工程TBM四标段为研究对象,选取TBM上升段破岩数据为输入特征X1,选择两个施工控制参数（刀盘转速和推进速度）为输入特征X2,构建卷积神经网络机器学习模型,对TBM掘进响应参数Y（刀盘扭矩和总推力）进行预测.按照学习对象的不同,分别构建了只学习稳定段掘进响应行为的点预测模型和同时学习上升段和稳定段掘进响应行为的线预测模型,结果表明：点预测模型无法描述控制参数对掘进响应参数的影响;线预测模型虽然可以描述控制参数对掘进响应参数的影响,但是对稳定段的掘进响应预测数值偏低.考虑到上述局限性的原因是稳定段行为样本数量只占总样本数量的9%,提出了一种通过调节损失函数的方法来提高稳定段行为样本的权重,显著提高了线预测模型的预测精度.改进后的结果表明：在TBM掘进参数预测中,应对整个掘进段的行为进行学习,并提高稳定段行为的权重,以便获得高精度的掘进响应参数预测模型.获得的模型能够为进一步的围岩感知和控制参数优化提供基础.     

基于卷积神经网络的磁异常反演

针对传统反演方法存在的初始模型依赖、计算时间较长等问题,提出一种基于卷积神经网络的磁异常反演方法。该方法首先设计大量磁异常体模型,进行正演模拟产生样本数据集;接着借鉴经典的卷积神经网络VGG-13设计了一种全新的VGG磁异常反演网络(VGGINV);然后使用样本数据集训练该网络,并优化网络参数;最后对理论模型和实测数据进行反演实验。实验结果表明,该方法可以准确地反演出磁异常体的位置和磁化强度,具有较强的学习能力和一定的泛化能力,能有效解决磁异常数据反演问题。     

基于深度学习的地震震级分类

为了探索地震加速度时程记录的震级信息,训练卷积神经网络基于地震震级大小对地震记录进行分类,将K-NET和KiK-net中将近12万个地震记录作为样本,对其进行信息筛选和归一化,之后将地震加速度时程记录用作输入,训练卷积神经网络模型以M5.5为分类界限来区分大震和小震。结果显示,在训练集中基于该模型的分类准确率为93.6％,在测试集中的准确率为92.3％,具有良好的分类效果,这表明大震记录与小震记录之间存在一些根本的区别,即可通过地震动加速度时程记录获取一定的震级信息。      

基于时间卷积网络的地震波阻抗反演

近些年来,深度学习网络的兴起极大地推动了人工智能技术在地震数据处理、反演以及解译等领域的应用.地震波阻抗反演是石油地震勘探领域的一项关键技术,其反演精度在圈定油气储层构造中起到非常重要的作用.提出了一种基于数据驱动时间卷积网络（temporal convolution network,TCN）模型的地震波阻抗反演方法,旨在无需建立初始反演模型,直接利用工区的少量测井标签数据,以地震振幅数据为输入,将波阻抗反演转化为时间序列建模任务,最终输出地下模型的阻抗信息.采用Marmousi2数据集对基于TCN的波阻抗反演模型进行训练、验证和测试,结果显示,在测试集上该模型预测结果的皮尔逊系数和决定系数分别达到97.92%和95.95%,并对远离训练区域的波阻抗信息预测有着良好的泛化性,且在预测时间和预测精度等方面都要明显优于前人的相关研究工作.上述结果表明,TCN时间序列深度学习模型在复杂地层波阻抗反演中具有一定优越性和应用前景,为地震波阻抗反演提供了新思路.      

基于机器学习的降雨量雷达回波数据建模与预测

以浙江省2016年1-10月的雷达回波强度数据为基础,分别应用随机森林模型、BP神经网络模型、卷积神经网络模型来预测降雨量并进行对比.建模分析结果表明,随机森林模型预测效果精确度较低,容易低估较大的降雨强度,而BP神经网络和卷积神经网络预测的效果都比随机森林好,特别是卷积神经网络,其预测值与真实值更加接近,且对较大的降雨强度拟合较好.