超参数对GRU-CNN混合深度学习弹性阻抗反演影响研究

CNN-GRU混合深度学习反演弹性阻抗取得了较好的反演效果.但是,基于深度学习的叠前反演参数众多,包括内部深度学习网络可学习参数和外部超参数等,目前超参数选取对网络性能及计算速度影响尚缺乏系统性研究,这直接影响到了该方法的进一步推广应用.因此,本文在混合深度学习反演弹性阻抗基础上,探讨学习率、Ep-och、batch_...     

由粒子吸收光谱提取浮游植物吸收光谱的人工神经网络方法

基于现场实验数据集及人工神经网络技术,论文提出了一种从海中粒子吸收光谱提取浮游植物吸收光谱的方法。这个数据集包含了海中粒子吸收光谱和对应的浮游植物吸收光谱,并被分为三个子集:训练集、印证集和试验集。本研究所利用的人工神经网络系统为多层感知器,训练后的人工神经网络的性能由印证集和试验集来评价。实验结果表明,文中所提出的方法可成功地提取浮游植物的吸收光谱,其提取精度与传统的实验方法相当。     

基于模糊神经网络(FNN)的赤潮预警预测研究

为研究各种理化因子与赤潮藻类浓度间的非线性对应规律和有效预测赤潮藻类浓度,构建了基于BP 算法的一个四层模糊神经网络模型。将模糊神经网络(FNN)技术引入赤潮预测研究,并与普通 BP 网络、RBF 网络的结果作比较,结果表明,该模型能够较好地反演出各种理化因子与夜光藻密度的非线性对应变化规律,有更好的预测功能。     

利用地震资料反演地层的碳酸盐含量

基于碳酸盐含量与地层速度、密度之间的关系, 在井资料约束下, 使用人工神经网络方法反演高分辨率地震资料所反映的地层碳酸盐含量, 并应用于南海北部陆坡ODP184航次1146和1148孔区, 取得较好效果.方法的关键是从井旁地震道中提取多种属性, 利用逐步回归法, 确定6种与碳酸盐含量相关性最好的地震属性, 分别是平均频率、道积分绝对振幅、主频、时间、道微分瞬时振幅和瞬时频率, 然后进行地层碳酸盐含量反演.反演结果相对于岩心分析的碳酸盐含量的误差大多在±5%之内, 较为精确地揭示了地震地层剖面上碳酸盐含量的分布.      

基于地震属性的煤层厚度预测模型及其应用

地震属性技术在岩性和构造解释等方面得到了越来越广泛的应用,特别是在煤、油气资源勘探中具有重要的作用.基于淮南矿区谢桥1区13 1煤层地震勘探资料,提取了28种地震属性数据;通过地震属性的分析,优选出平均峰值振幅、振幅的峰态、最大绝对振幅、瞬时频率斜率等4种地震属性作为煤层厚度预测模型基本参数,结合已知钻孔资料,利用多元多项式回归以及BP人工神经网络方法,求出了各属性与煤厚之间的多元多项式回归模型及人工神经网络模型,并对模型进行了误差分析和应用结果对比分析,反映出人工神经网络模型在煤厚预测中具有好的应用效果.     

地震资料预测薄层厚度方法研究与应用

薄层厚度预测一直是公认的难题之一,其难度就在于如何准确地识别和提取薄层的地震属性.常规方法是利用时间域或频率域地震属性与薄层厚度的线性关系计算.但是理论与实际资料表明,不同的薄层和地层组合对地震波的动力学的信息影响很大,各种参数与薄层厚度成非线性关系,使用单一的信息不可能准确预测薄层厚度.本文利用三种线性预测原理（模型）,经数学变换为属性参数,采用非线性BP网络预测薄层厚度,取得了令人满意的效果.     

GPS高程拟合中神经网络法的基本思想

高程问题一直是困扰GPS的问题之一,而不同的GPS高程拟合方法都有其适用条件,并且精度不等。本文在对人工神经网络的基本原理、神经元模型、网络结构、数据结构和训练方式等研究的基础上,给出一种新的算法(新BP算法)。以“阜新控制网改造工程”作为一个具体实例,使用Matlab语言来完成GPS高程的拟合,并与其他方法作了比较,最后给出有益的结论。     

激光雷达点云树木建模研究进展与展望

三维树木几何模型是数字城市与数字林业工程的重要组成部分.针对点云树木建模,深入分析了基于广义(泛在)激光雷达点云的树木模型重建方法,提出了聚类思想建模、图论方法建模、先验假设建模、拉普拉斯算子建模与轻量化表达建模5类建模体系,归纳总结了不同建模体系在树冠枝干的细节表达、建模算法性能、树木模型的多层次细节表达、建模体系综...     

基于深度学习的目标检测定位系统设计与实现

针对传统遥感影像目标检测方法效率不高,并且无有效手段对检测信息进行管理利用的问题,提出了在B/S构架下基于深度学习的目标检测及定位方法。通过集成深度学习框架、WebGIS以及数据库,实现了集遥感影像目标检测、展示及管理于一体的目标检测定位系统,满足多用户基于前端浏览器的并发目标检测需求。利用网格划分策略,实现了基于前端的大区域范围的目标快速检测。基于某机场飞机目标及某城市区域运动场目标检测结果表明:本文设计的目标检测定位系统能够在前端实现目标快速检测定位,具有较高检测精度,并可有效管理检测信息,为深度学习循环再利用提供数据支撑。     

基于遗传Elman神经网络进行矿区GPS高程拟合

目前,城市、平原地区的似大地水准面建立精度已经达到厘米级,但在矿区进行高程拟合时,由于地面高低起伏没有规则,其似大地水准面的拟合精度并不理想。针对此问题,本文提出利用遗传算法优化Elman神经网络的方法精化似大地水准面,采用移去-恢复法对残差进行建模,使用EGM 2008地球重力场模型和地形起伏信息来精化求解似大地水准面和参考椭球面之间的高程异常,同时着重分析了地球重力场模型以及地形变化信息对高程异常求解的重要性,并使用某矿区实测数据(GPS、水准)对所提方法进行验证,实验结果表明:文中所提方法的精度要优于二次曲面拟合模型和单一Elman模型,其外符合精度达到了1.14 cm,可以代替四等水准测量。