基于深度学习的LAMOST星系星族参数测量

星系的光谱包含其内部恒星的年龄和金属丰度等信息, 从观测光谱数据中测量这些信息对于深入了解星系的形成和演化至关重要. LAMOST (Large Sky Area Multi-Object Fiber Spectroscopic Telescope)巡天发布了大量的星系光谱, 这些高维光谱与它们的物理参数之间存在着高度的非线性关系. 而深度学习适合于处理多维、海量的非线性数据, 因此基于深度学习技术构建了一个8个卷积层$+$4个池化层$+$1个全连接层的卷积神经网络, 对LAMOST Data Release 7 (DR7)星系的年龄和金属丰度进行自动估计. 实验结果表明, 使用卷积神经网络通过星系光谱预测的星族参数与传统方法基本一致, 误差在0.18dex以内, 并且随着光谱信噪比的增大, 预测误差越来越小. 实验还对比了卷积神经网络与随机森林回归模型、深度神经网络的参数测量结果, 结果表明卷积神经网络的结果优于其他两种回归模型.     

MS-VSCN:用于影像匹配的多尺度视觉相似度比较网络

影像匹配在多种计算机视觉任务中起着重要的作用.提出一种用于影像匹配的多尺度视觉相似度比较网络.该网络基于孪生网络结构进行构建,将普通卷积与空洞卷积进行融合,使得卷积神经网络在多个尺度上提取到的视觉特征实现互补.首先,网络的输入由两幅待匹配的影像组成,使用权值共享的两个网络分支分别提取两幅影像的深度特征;其次,在网络中与...     

代县地电阻率降雨影响及数值模拟

多年观测数据表明,代县地电阻率年变受降雨影响比较显著,通过褶积滤波法获取降雨量对视电阻率的影响值,定量分析降雨与视电阻率的相关性。在此基础上,利用代县地电阻率电测深数据及相关地质资料,建立三维有限元模型,模拟降雨对地电阻率的影响,进一步确定降雨对视电阻率影响的物理机制。结果表明:降雨是造成代县地电阻率年变的主要因素,且与视电阻率呈正相关性;降雨造成表层介质含水饱和度发生变化,使得相应电阻率下降近10倍,从而引起地电阻率年变幅度发生近1/10的改变。     

基于Siamese卷积神经网络的影像瓦片变化检测技术

针对地理信息变化较快而传统更新方式效率不高的问题,目前许多学者提出了各类变化检测的方法,但这些方法大都是基于影像数据进行试验,对影像预处理要求较高,且检测精度的稳定性较差,受数据源质量影响较大。而天地图、百度地图、谷歌地图等地图中均可免费下载各种级别的影像瓦片,因此本文提出利用天地图影像瓦片进行试验,采用Siamese卷积神经网络（SCNN）和深度学习技术,开发基于SCNN的高精度变化监测算法,以快速发现变化区域,实现地理信息变化信息检测。     

全卷积网络和条件随机场相结合的全极化SAR土地覆盖分类

针对经典全卷积网络(fully convolution network,FCN)分类精度低、效果差,以及传统的极化合成孔径雷达(PolSAR)土地覆盖分类方法未充分考虑地物散射特性的问题,提出了一种结合改进FCN和条件随机场(conditional random field,CRF)的全极化SAR土地覆盖分类算法。首先,利用Freeman分解和Pauli分解建模全极化SAR影像,同时提取各分解对应的散射特征,参考Freeman分解散射功率获取其主散射分量对应的主散射地物;同时,借鉴在图像分类领域中具有卓越表现的FCN-Vgg19-8s网络,考虑其高层卷积参数量大和低层卷积模型参数优化程度不足,通过在高层和中层分别构建多尺度卷积组和代价函数设计了FCN-MD-8s网络,保证对整体模型参数进行降维和优化;以Freeman分解散射机理特征为基准,采用级连式迁移学习结构,实现FCN-MD-8s网络的模型训练和测试;然后,根据主散射分量所对应的主散射地物,在各分量预测图中提取出主特征地物,得到分量地物分类结果,并将其进行叠加得到全局粗分类;最后,利用全连接CRF结合Pauli相干分解重建假彩色图,对全局粗分类进行全局像素类别转移获得细分类结果。通过对分类结果定性和定量分析,可知提出算法具有有效性和可行性。     

积分半径可控地形改正FFT算法的研究

地形改正等地球重力场元量的FFT算法(平面二维、球面近似二维、球面单带)研究已基本成熟,并广泛应用于科研与工程实践。但是FFT算法也有其固有的缺陷,即存在着频谱混迭、泄漏等现象。本文利用离散卷积分具有Toeplitz矩阵的性质,将其拓展为循环Toeplitz与拓展观测数据矢量的乘积,利用循环Toeplitz的Fourier表示,实现离散卷积分的快速算法。该算法与离散求和等价,当数据量较大时,可明显地提高计算速度。     

�����������ݵ�ͨ�˲������书Ч����

???????????????????o???????????????????????FIR??????????????????????????FIR????????????о??????????λ?????????????????????????????????????????????о?????????????????????任?е????Ч???     

基于Ricker子波核的支持向量回归方法及其在地震勘探记录去噪处理中的应用

针对地震勘探中强随机噪声的去噪问题,引进支持向量回归方法,提出并证明一种新的Ricker子波核函数。支持向量回归采用核映射的基本思想,基于结构风险最小化原则,将回归问题转化为一个二次规划问题。对单道记录或多道记录中任选道的仿真实验表明,与传统的基于径向基核函数的支持向量回归及褶积滤波方法相比,使用本方法去噪后的同相轴更为清晰,波形恢复得更好,信噪比也较高,因此有可能将其应用于地震勘探记录的去噪处理中。     

Vectorized simulation of groundwater flow and contaminant transport using analytic element method and random walk particle tracking

Groundwater contaminant transport processes are usually simulated by the finite difference (FDM) or finite element methods (FEM). However, they are susceptible to numerical dispersion for advection‐dominated transport. In this study, a numerical dispersion‐free coupled flow and transport model is developed by combining the analytic element method (AEM) with random walk particle tracking (RWPT). As AEM produces continuous velocity distribution over the entire aquifer domain, it is more suitable for RWPT than FDM/finite element methods. Using the AEM solutions, RWPT tracks all the particles in a vectorized manner, thereby improving the computational efficiency. The present model performs a convolution integral of the response of an impulse contaminant injection to generate concentration distributions due to a permanent contaminant source. The RWPT model is validated with an available analytical solution and compared to an FDM solution, the RWPT model more accurately replicates the analytical solution. Further, the coupled AEM‐RWPT model has been applied to simulate the flow and transport in hypothetical and field aquifer problems. The results are compared with the FDM solutions and found to be satisfactory. The results demonstrate the efficacy of the proposed method.     

基于Res_AttentionUnet的高分辨率遥感影像建筑物提取方法

针对目前基于深度学习与高分辨率遥感影像的建筑物提取研究现状,本文提出了一种综合ResNet中的ResBlock残差模块和Attention注意力机制的改进型Unet网络（Res_AttentionUnet）,并将其应用于高分辨率遥感影像建筑物提取,有效地提高了建筑物的提取精度。具体优化方法为：在传统的Unet语义分割网络卷积层中加入针对初高级特征加强提取的ResBlock残差模块,并在网络阶跃连接部分加入Attention注意力机制模块。其中,ResBlock残差模块使卷积后的特征图获取更多的底层信息,增强卷积结构的鲁棒性,从而防止欠拟合;Attention注意力机制可增强对建筑物区域像素的特征学习,使特征提取更完善,从而提高建筑物提取的准确率。本研究采用武汉大学季顺平团队提供的开放数据集（WHU Building Dataset）作为实验数据,并从中选取3个具有不同建筑物特征和代表性的实验区域,然后分别对不同实验区域进行预处理（包括滑动裁剪和图像增强等）,最后分别使用Unet、ResUnet、AttentionUnet和Res_AttentionUnet 4种不同的网络模型对3个不同实验区进行建筑物提取实验,并对实验结果进行交叉对比分析。实验结果表明,与其他3种网络相比,本文所提出的Res_AttentionUnet在基于高分辨率遥感影像的建筑物提取中具有更高的精度,平均提取精度达到95.81%,相较于原始Unet网络提升17.94%,同时相较于仅加入残差模块的Unet网络（ResUnet）提升2.19%,能够显著地提升高分辨率遥感影像中建筑物提取的效果。