改进残差网络及时序气象卫星云图的台风等级分类研究

结合了传统残差网络在数据样本小环境下分支卷积层特征的浪费问题，且考虑台风云图时空关联性强、特征复杂因素，参考日本国立情报学研究所在西北太平洋上空通过数个气象卫星拍摄的8 000多景高分辨率台风云图，编制了适应于残差神经网络的时序台风云图分类训练集和测试集。为满足数据集及台风特征，有效优化了原始残差网络的残差块，并得到了恒等映射残差块。经由增加卷积输出来促进分支通路更好的被利用，保留台风图像时序特性，提高网络性能。实验显示，W-ResNets模型在自建台风数据集上的训练精度达到99.60%,测试精度达到76.19%,相较于浅层卷积神经网络的测试精度高出8.48%,相比于使用传统的残差神经网络提高了2.87%,为进一步验证模型的泛化性能，采用MNIST通用数据集进行网络对比实验，宽残差网络得到98.786%的测试精度，优于传统残差网络。文中的W-ResNets预报模型可在小样本台风数据集推广使用。     

改进的残差3D-CNN的高光谱遥感影像分类

针对高光谱遥感影像分类中空间特征和光谱特征利用率低问题，该文综合三维卷积神经网络、谷歌神经网络和残差神经网络的优势，提出融合改进Inception模块的残差三维卷积神经网络高光谱遥感影像分类方法。改进后的Inception模块包括4条不同的卷积层分支，用以提取蕴涵在高光谱遥感影像中多尺度的特征；利用了3D卷积核代替2D卷积核能直接同时提取高光谱遥感影像中更丰富的空-谱特征；通过残差结构连接分支提取特征缓解了梯度消失的问题，提取更深层次的特征。实验表明，该文算法不仅提高了条状和线状地物区域的边缘分类准确率，对小目标的分类能力也得到了增强。     

融合自编码与密集残差网络的滑坡易发性评价

针对滑坡易发性评价中编录样本受限、特征信息利用不足，导致预测效果不理想的问题，该文提出融合栈式自编码与密集残差网络的滑坡易发性评价方法。将传统自编码网络进行栈化，重构原始数据以强化特征表达；在卷积神经网络中引入跳层连接，通过密集连接的方式构建一种密集残差网络模型提取数据的深层特征。该文以四川省雅安市为研究区开展滑坡易发性评价，将所提模型与逻辑回归模型、CPCNN-RF模型、U-net模型进行了对比分析。实验结果表明：该方法取得最佳精度，受试者工作特征曲线下的面积为0.883,在一定程度上能够较好地适应小样本预测，易发性制图结果更为准确可靠。     

对流层延迟模型的残差包络建模

全球导航卫星系统(GNSS)的信号在穿过对流层时会产生延迟，通常使用经验模型对其进行修正。为确保定位结果安全可信，需建立经模型改正后的对流延迟残余误差的包络模型，用于位置服务的完好性监测。航空无线电技术委员会(radio technical committee for aeronautics, RTCA)推荐航空中使用0.12 m作为天顶对流层延迟残差的包络标准差。这一常值设定忽略了对流层延迟残余误差的地理和季节性变化，一定程度上降低了GNSS在涉及生命安全(safety of life, SoL)应用中的连续性和可用性。本文同时考虑经模型改正后的对流层延迟残余误差的地理和季节性变化，利用极值分析法建立了这些残余误差的包络模型。首先，将2000—2017年间共18 a的对流层延迟残差以10°为一带分纬度带进行日标准化，以提取对流层延迟残差的季节性变化信息；然后，用广义极值(general extreme value, GEV)分布分别拟合标准化残差和原始残差日均值的年最大、最小值，进而计算在10^-7概率水平下的残差限值；最后，将残差限值转化为包络标准差。本文分别建...     

Res＿ASPP＿UNet++：结合分离卷积与空洞金字塔的遥感影像建筑物提取网络

针对连续池化操作丢失低层语义信息而导致建筑物提取精度低的问题，尝试以UNet++网络为基础，通过将编码器的标准卷积及最大池化替换成深度可分离卷积，以及在编码器末端利用不同采样率的空洞卷积构建多尺度空洞空间金字塔池化结构ASPP(Atrous Spatial Pyramid Pooling)来提升网络性能，并将改进后的建筑物提取网络称为残差空洞空间金字塔网络（Res＿ASPP＿UNet++）。为验证Res＿ASPP＿UNet++网络结构的有效性和适用性，以经过数据增强预处理的WHU和Massachusetts数据集作为数据源，对Res＿ASPP＿UNet++网络与目前常用的语义分割网络进行了试验和精度评估，并将Res＿ASPP＿UNet++网络与文献中的研究成果进行了对比。结果表明Res＿ASPP＿UNet++在模型参数量与精度两个方面均表现出优势，能够在大幅压缩模型参数量的前提下，显著提升建筑物提取精度，提取建筑物的边界更加平滑和精确，对不同尺度的建筑物表现出较强的泛化能力。