地面数字化测图网络自主学习系统的设计与实现

以地面数字化测图模拟与仿真平台为基础,研究基于GIS技术的地面数字化测图模拟与仿真平台可视化仿真方法,建立地面数字化测图网络自主学习系统,引导学生在提出问题的基础上自主选择解决问题的方法、途径和工具,建立探究性实验教学模式,从而培养学生的实践和创新能力。     

遗传算法优化支持向量机矿产预测方法

针对矿产预测中已知矿点的样本数目较少的问题,该文提出了一种基于遗传算法优化的支持向量机矿产预测方法。采用遗传算法优化支持向量机的惩罚因子和径向基核函数参数,避免了参数选择不当对支持向量机预测结果的影响,从而提高矿产预测的精度。以空间建模工具ArcSDM中的卡林型金矿床数据为例进行实验。结果表明,支持向量机模型的预测准确率为89.3%,查准率为70.2%;而证据权方法的预测准确率为79.4%,查准率为50%,均小于支持向量机预测结果,说明遗传算法优化的支持向量机是一种有效的矿产预测方法。     

基于Sentinel-3 OLCI影像的巢湖藻蓝素浓度年内动态遥感监测

藻蓝素(PC)是水体蓝藻的指示性色素,其浓度反映了蓝藻生物量,利用卫星遥感监测藻蓝素浓度年内动态对蓝藻水华的有效防控有着重要意义.根据不同季节的巢湖藻蓝素浓度实测数据与同期Sentinel-3 OLCI影像,构建机器学习回归反演模型,应用于巢湖2019年OLCI影像集上,对巢湖藻蓝素浓度的空间分布、年内变化进行遥感监测...     

基于JXTA的协同学习系统研究

随着计算机网络技术的迅速发展和计算机协同工作CSCW理论和技术研究的深入,计算机协同学习(Computer Supported Collaborative Learning)的思想逐渐被引入计算机网络教育的应用中.目前大多数的协同学习系统采用了C/S结构.提出的基于JXTA的协同学习系统采用了P2P(Peer-to-Peer)结构,满足了协同学习的一般需求,具有安全性、可伸缩性和可扩展性.     

基于支持向量机的岩石薄片图像分割

支持向量机是对传统学习分类方法的一个良好替代,特别是小样本、高维的情况下,有着良好的泛化能力,利用支持向量机良好的分类特性,将图像分割的问题转化为分类问题,对岩石薄片图像进行分割实验.通过实验表明：支持向量机对于分割颜色分布不均匀、边缘模糊的岩石薄片图像,有很好的应用前景.     

使用支持向量机识别地震类型的影响因素分析

对山东地区2006~2017年3种地震事件--天然地震、爆破及塌陷的波形记录进行小波变换,对提取出的香农熵特征采用支持向量机LIBSVM方法进行分类识别,并设计一系列实验研究影响最终分类效果的因素。结果表明,5种影响因素--信号窗长度、小波分解方式、小波基类型、向量机算法类型、向量机核函数类型均对地震类型的分类识别结果产生一定的影响;识别率最高的3组处理方式均采用了2 000 s信号窗长度+db7小波基+υ-SVC算法的组合方式。所得的识别率较高的几种影响因素组合,在未来可应用于地震类型的实时识别,进一步提高地震类型的识别率和触发准确率。     

基于超像元词包特征和主动学习的高分遥感影像变化检测

为解决高分辨率遥感影像变化检测中存在底层特征缺乏语义信息、像元级的检测结果存在“椒盐”现象以及监督分类中样本标注自动化程度较低,本文提出一种基于超像元词包特征和主动学习的变化检测方法。首先采用熵率分割算法获取叠加影像的超像元对象;其次提取两期影像像元点对间的邻近相关影像特征（相关度、斜率和截距）和顾及邻域的纹理变化强度特征（均值、方差、同质性和相异性）,经线性组合作为像元点对的底层特征;然后基于像元点对底层特征利用BOW模型构建超像元词包特征,并采用一种改进标注策略的主动学习方法从无标记样本池中优选信息量较大的样本,且自动标注样本类别;最后训练分类器模型完成变化检测。通过选用2组不同地区的GF-2影像和Worldview-Ⅱ影像作为数据源进行实验,实验结果中2组数据集的F1分数分别为0.8714、0.8554,正确率分别为0.9148、0.9022,漏检率分别为0.1681、0.1868,误检率分别为0.0852、0.0978。结果表明,该法能有效识别变化区域、提高变化检测精度。此外,传统主动学习方法与改进标注策略的主动学习方法的学习曲线对比显示,改进的标注策略可在较低精度损失下,有效提高样本标注自动化程度。     

滑坡变形预测灰色神经网络耦合模型的构建及适用性分析

结合灰色模型和神经网络的数据处理特点,提出串联、并联和混联式3种结构的灰色神经网络滑坡变形预测模型。串联式将滑坡变形位移时序分解为趋势项和随机项,采用灰色模型提取滑坡位移时序趋势,利用神经网络逼近随机波动;并联式以灰色模型和神经网络分别对滑坡预测,采用智能非线性组合,按照预测目标精度动态调整权重,从而获取最终组合预测结果;混联式通过增加灰白化层及灰模型群,对神经网络拓扑结构进行优化,达到弱化滑坡原始监测数据随机性、提高预测模型稳健性的目的。将3种模型应用于古树屋滑坡变形预测,并对其适用性进行讨论。结果表明,3种结构的灰色神经网络耦合模型均提高了预测精度,适用于复杂状况下滑坡体的变形预测。     

机器学习与成矿预测:以闽西南铁多金属矿预测为例

作为近年来爆炸式发展的方法模型,机器学习为地质找矿提供了新的思维和研究方法.本文探讨矿产预测研究的理论方法体系,总结机器学习在矿产预测领域的特征信息提取和信息综合集成两个方面的应用现状,并讨论机器学习在矿产资源定量预测领域面临的训练样本稀少且不均衡、模型训练中缺乏不确定性评估、缺少反哺研究、方法选择等困难和挑战.进一步...     

基于在线惯序极限学习机的瞬变电磁非线性反演

基于梯度下降法的传统人工神经网络瞬变电磁反演方法计算效率低,不能保证全局收敛。为了解决上述问题,提出一种在线惯序极限学习机(online sequential extreme learning machine, OSELM)的瞬变电磁反演方法。该方法针对瞬变电磁法所获取的高维勘探数据进行建模反演,首先,通过随机设定隐层参数(输入权值和偏差)来简化模型的学习过程;然后,将测试得到的预测样本加入训练样本中,作为下一次的更新信息,建立在线贯序极限学习机预测模型,从而最大限度提高反演精度;最后,设计了两个经典的瞬变电磁层状地电模型并进行了拟二维地电模型的反演。反演结果表明,该方法能够较好地解决瞬变电磁法高维数据非线性建模的反演问题,同时相较极限学习机(extreme learning machine, ELM),非线性反演方法具有更加准确的反演结果、更好的泛化能力以及更高的计算效率,为神经网络在地球物理反演中的应用提供了新思路。