3种经典机器学习算法在火山岩测井岩性识别中的对比

岩性识别一直是火山岩油气勘探中的重要课题,基于测井数据的岩性识别也逐渐成为火山岩研究的需要,大数据背景下的机器学习算法为测井岩性识别提供了一个新方向。为提高某研究区火山岩岩性识别符合率,本文采用K近邻、支持向量机和自适应增强3种经典机器学习算法,对研究区内的粗面岩、非致密粗面岩、辉绿岩、辉长岩、玄武岩和非致密玄武岩等6类中基性火山岩进行岩性识别。从常规测井系列中优选对研究区岩性敏感的自然伽马、声波时差、补偿中子、深侧向电阻率和补偿密度等5种测井参数作为岩性识别模型的输入向量,从研究区内5口有岩心样品或薄片鉴定资料的目标层中选取测井数据点1 440个,其中960个作为训练样本,其余480个作为测试样本。以识别符合率和时间作为评价指标,对3种算法的识别结果进行对比分析,实验表明：自适应增强算法的分类准确率最高,6类岩性平均识别符合率达到82.10%;支持向量机算法表现良好,平均识别符合率为81.04%;K近邻算法平均识别符合率为76.04%。     

多主体框架下基于FCM的彩色遥感图像分割

为解决大尺度高分辨率遥感图像的数据量大及局部非均匀问题,提出一种在多主体系统（MAS）框架下基于模糊C均值（FCM）的彩色遥感图像分割方法。首先利用规则划分技术将图像域划分为若干个子块,每个分割主体控制一个子块;然后在MAS框架下,分割主体通过FCM算法实现对应子块的初始分割,将初始结果与全局模型协作,确定其区域正确类别数和标号统一;最后通过协调主体协调各分割主体及其邻域分割主体的聚类中心,从而消除遥感图像的局部非均匀性,以实现彩色遥感图像分割。利用提出算法和FCM算法分别对真实彩色遥感图像和合成图像进行了分割试验,并对其分割结果进行定性、定量评价,其结果说明了提出方法的可行性和有效性。     

A novel method for discovering spatio-temporal clusters of different sizes,shapes, and densities in the presence of noise

The discovery of spatio-temporal clusters in complex spatio-temporal data-sets has been a challenging issue in the domain of spatio-temporal data mining and knowledge discovery. In this paper, a novel spatio-temporal clustering method based on spatio-temporal shared nearest neighbors (STSNN) is proposed to detect spatio-temporal clusters of different sizes, shapes, and densities in spatio-temporal databases with a large amount of noise. The concepts of windowed distance and shared nearest neighbor are utilized to define a novel spatio-temporal density for a spatio-temporal entity with definite mathematical meanings. Then, the density-based clustering strategy is employed to uncover spatio-temporal clusters. The spatio-temporal clustering algorithm developed in this paper is easily implemented and less sensitive to density variation among spatio-temporal entities. Experiments are undertaken on several simulated data-sets to demonstrate the effectiveness and advantage of the STSNN algorithm. Also, the real-world applications on two seismic databases show that the STSNN algorithm has the ability to uncover foreshocks and aftershocks effectively.     

Modeling blocky nonlinear mechanics behavior on plasticity and progressive fractures with the enriched mesh free DDA method

This study explores a new form of Discontinuous Deformation Analysis (DDA) method, which uses mesh free displacement functions instead of linear polynomial ones adopted in the original DDA, hence it can effectively describe complex block displacements and deformations. Moreover, the capability of describing a block’s nonlinear mechanical behaviors, i.e., plasticity and fracture, are developed under classical fracture and increment plasticity mechanics theories. With consideration of computation efficiency and convenience, the Sibson natural neighbor interpolation technique for block plasticity analysis and the enriched Moving Least-Squares (MLS) approximation for block fracture analysis are employed, respectively. Numerical results show the applicability of the proposed mesh free DDA method.     

一种基于图论重构MODIS EVI时间序列数据集的新方法

MODIS的增强型植被指数（EVI）时间序列数据早已广泛应用于植被观测、生态环境和全球气象变化等研究领域,但即使EVI时间序列数据已经经过严格的预处理,其中仍然存在着一些噪声。因此,本文开发了一种简单有效的方法来重构EVI时间序列数据,减少EVI时间序列数据中的噪声,尤其是一些由大气云层和冰雪覆盖产生的噪声。新方法的理论来源于图论,利用拉普拉斯矩阵的关系对EVI中选定的邻域窗口的像元权重进行赋值,得到中心像元的拟合。新方法已应用于2016—2018年的MODIS MOD13A1产品,并与S-G滤波法、谐波函数法、双逻辑斯蒂拟合法和非对称高斯函数法进行了比较。结果表明,在荒漠、草原和林地中,新方法留一验证测试的绝对差值最小,相较于其他方法效果较优;在拟合不同植被类型的EVI时间序列数据时,图论邻点方法呈现出更好的细节拟合曲线;其在5类植被类型中的RMSE值分别为200.59、46.58、63.48、165.47和40.95,在5种方法中均为最小值,在获取高保真和高质量的EVI时间序列数据方面优势更明显有效。本文的方法研究可以给植被遥感时序数据的去噪和生态环境的研究提供有益借鉴。     

Shapley-模糊神经网络方法在华南台风卫星云图的长时效滚动预测中的应用

为了更好地利用大量的卫星云图观测资料来提高台风暴雨的预报能力,解决并提高对台风强降水云系变化的预报精度,延长对未来云系变化的预报时效,构建基于合作对策Shapley-模糊神经网络的华南区域台风卫星云图非线性智能计算滚动集合预测模型,对增强卫星云图资料在台风暴雨天气预报中的实用性和及时性具有重要意义.依据2013—201...     

Neighborhood discontinuities in bivariate interpolation of scattered observations

Because of the need for computational efficiency, bivariate interpolation methods applied to scattered observations often involve two stages. Initially the variable is estimated at regular grid nodes using a running subset of data (usually of fixed number). This, however, will produce discontinuities in the interpolated surface. Thus a second stage, curvilinear interpolation technique, is applied to estimated values to smooth out the effect of discontinuities. Such problems can be overcome efficiently in processing large data sets by interpolating over natural neighbor subsets. Interpolation procedures that generate discontinuities in the interpolated surface are inappropriate for geological applications, where dislocations due to structural complications may be present.     

进化策略路径损耗模型的室内定位应用

针对传统路径损耗模型经验参数在室内环境应用中的不足,该文提出了一种基于进化策略的损耗模型参数估计方法。采用启发式的随机搜索方式应用于复杂环境条件下的射频信号建模问题,输出模型较好地拟合了信号衰减曲线,20m范围内误差小于3.7dBm。利用获取模型提供参考节点加权因子,结合加权最邻近算法下的均值法和贝叶斯算法,实现了由二维平面演进到三维空间内的有效定位,平均定位误差可控制在3.4m以内。     

一种分布式计算的空间离群点挖掘算法

针对现有空间离群点挖掘算法无法适应大规模空间数据挖掘的需求,该文提出了一种分布式条件下的空间离群点挖掘算法。首先,该文针对集群上分布式计算和存储的特点提出使用空间填充曲线来划分数据集,加速寻找目标点的近似空间最近邻居。其次,使用信息熵的理论来定义空间离群系数,考虑到多维数据中不同属性对离群系数的影响具有差异性,该算法能够自动根据数据原有特点,计算各属性的权重;同时使用反距离权定义空间因素对离群系数的影响。最后,实验结果表明该算法在大规模的空间数据集中挖掘离群点的效率远高于传统算法,离群点的挖掘精度在90%以上。     

局部均值伪最近邻算法在降水预报中的应用

分析北京地区日降雨量资料发现,相较于其他降雨事件,大雨或暴雨事件发生的次数较少,因此该地区的降水量预报属于样本不均衡问题。在样本不均衡的情况下,K最近邻算法的分类误差率将会大大提高,这也就使传统的基于K最近邻算法的降水量预报方法的应用受到了限制。针对北京地区降水量预报这一样本不均衡问题,应用局部均值伪最近邻算法构建了北京市的降水量预报模型。该方法利用北京地区日降雨量资料和美国国家环境预报中心全球格点资料,将降雨量作为类,将美国国家环境预报中心全球格点资料的各种因子场作为天气样本特征,计算得到不同天气样本在所有类中的局部均值伪最近邻,通过决策规则实现最优分类。利用提出的降水预报模型对北京市2010年6—8月进行了24 h降水预报,实验结果表明,提出的预报方法对于降水等级预报的预报准确率以及晴雨预报的TS评分、正样本概括率、空报率和漏报率均优于传统的K最近邻预报方法,该方法具有较好的预报效果。